Prompt engineering : les techniques que j'utilise vraiment au quotidien

En bref : Un bon prompt engineering repose sur quelques techniques pratiques qui améliorent visiblement les résultats sur ChatGPT, Claude et Gemini. Un bon prompt combine cinq blocs — un rôle, un contexte, une tâche précise, un format de sortie et des contraintes. La chaîne de pensée et les exemples few-shot affinent encore les réponses du modèle.

J'écris des prompts sérieusement depuis fin 2022, et je forme des équipes au prompt engineering depuis 2023. Cet article condense ce que j'utilise vraiment au quotidien — pas une liste exhaustive de techniques académiques, mais celles qui changent visiblement la qualité de mes sorties sur ChatGPT, Claude, Gemini et les modèles open source. Si vous voulez gagner immédiatement 50 % de qualité sur vos résultats, ces cinq techniques suffisent.

Ce qui fait un bon prompt, en cinq blocs

Mon prompt type contient cinq éléments que je place dans cet ordre. Un rôle : "Tu es un expert en RGPD." Le modèle adapte son registre et sa précision. Un contexte : la situation, les contraintes, ce qui existe déjà. Une tâche précise : verbe d'action clair (rédige, analyse, compare, liste, résume). Un format de sortie : "en 3 paragraphes", "sous forme de tableau", "en JSON". Des contraintes : longueur, ton, niveau de technicité, langue.

Quand un participant en formation me montre un prompt qui n'a pas marché, dans neuf cas sur dix il manque deux ou trois de ces blocs. La densité d'information dans le prompt fait la différence.

Technique 1 : Chain of Thought (chaîne de pensée)

Je demande au modèle de "réfléchir étape par étape" avant de donner une réponse finale. C'est particulièrement efficace pour les problèmes complexes, les calculs, et les raisonnements multi-étapes. Sur Claude, j'ai constaté un gain de 20-30 % de précision sur des analyses juridiques en ajoutant simplement "explique ton raisonnement étape par étape avant de donner la réponse".

Anthropic documente cette technique avec des exemples détaillés, et OpenAI fait de même pour GPT. Les modèles récents intègrent partiellement ce raisonnement nativement, mais l'expliciter aide encore.

Technique 2 : Few-shot (apprentissage par exemples)

Je donne deux à trois exemples de la sortie attendue avant de poser la vraie question. Le modèle comprend le pattern et le reproduit. C'est ma technique de loin la plus efficace pour les tâches répétitives ou stylistiquement précises.

Exemple concret que j'utilise pour reformuler des titres SEO :

`` Voici comment reformuler des titres d'articles en mode SEO : Original: "Comment fonctionne l'IA ?" → SEO: "Intelligence Artificielle : Guide Complet 2026" Original: "Les avantages de DeepL" → SEO: "DeepL : 7 avantages qui en font le meilleur traducteur IA" Maintenant reformule : "Tout sur Mistral AI" ``

Trois exemples suffisent dans la plupart des cas. Au-delà, le gain marginal devient faible et vous mangez votre contexte pour rien.

Technique 3 : Contextualisation maximale

Les LLMs n'ont pas de contexte sur votre situation par défaut. Plus j'en donne, meilleure est la réponse. C'est la technique la plus simple à appliquer mais la plus négligée.

Mauvais prompt : "Écris un email de relance."

Bon prompt : "Écris un email de relance B2B pour un prospect SaaS qui a téléchargé notre livre blanc il y a 7 jours. Il est CMO dans une scale-up française de 50 personnes. Ton chaleureux mais professionnel, 3 paragraphes, call to action vers une démo de 20 minutes. Pas de vouvoiement forcé. Signe Laurent."

Le second prompt produit un email que je peux quasiment envoyer tel quel. Le premier produit un brouillon générique inutilisable.

Technique 4 : Décomposition de tâches complexes

Pour les tâches longues et complexes, je découpe en plusieurs prompts séquentiels plutôt qu'un seul prompt massif. Mon flux type pour un article : d'abord "génère un plan en 5 parties pour un article sur [sujet]", ensuite "rédige la partie 1 du plan suivant : [plan]", puis "rédige la partie 2", et ainsi de suite. Le résultat final est de meilleure qualité que si je demande l'article complet d'un coup, et je garde le contrôle de la structure.

Cette technique est aussi la base de tout ce qui ressemble à de l'agent autonome ou des chaînes de raisonnement complexes.

Technique 5 : Itération et affinement

Un premier prompt donne rarement le résultat parfait. J'itère systématiquement. "Reformule en plus court", "rends le plus formel", "ajoute des exemples concrets", "supprime les clichés", "challenge cette conclusion". L'itération est où se joue la qualité finale.

Un mauvais réflexe que je combats en formation : recommencer un prompt depuis zéro au lieu d'itérer. Garder le contexte de la conversation est presque toujours plus efficace que de repartir.

Prompts pour des cas d'usage spécifiques

Mes patterns que j'ai stabilisés. Pour SurferSEO + IA : "rédige un H2 optimisé SEO pour la requête [mot-clé], longueur 5-8 mots, naturel, sans bourrage." Pour Jasper AI : intégrer la Brand Voice dans le contexte du prompt système. Pour GitHub Copilot : les commentaires explicatifs avant une fonction guident mieux la complétion que le silence. Plus vous décrivez ce que la fonction doit faire en commentaire, plus la suggestion est bonne.

Ce que les LLMs ne font pas bien malgré un bon prompt

Connaître les limites évite des prompts inutiles. Calculer précisément des chiffres complexes : j'utilise Code Interpreter ou je demande au modèle de produire du Python que j'exécute moi-même. Accéder à des données en temps réel : je passe par Perplexity ou par les outils avec accès web. Mémoriser les conversations précédentes au-delà de la fenêtre de contexte : tout doit être réinjecté dans le prompt.

Aucune technique de prompt ne contourne ces limites. Il faut composer avec les bons outils pour les bonnes tâches.

Ma lecture pour Trust-Vault

Le prompt engineering est une compétence transversale qui améliore l'utilisation de tous les outils de mon catalogue. Pour évaluer les capacités de compréhension de prompt de chaque outil, je teste systématiquement avec un protocole standardisé avant de noter sur le pilier Fiabilité de ma méthodologie Trust Score.

Mon conseil de fin : maîtriser ces cinq techniques met déjà un utilisateur dans les 10 % qui exploitent vraiment leur outil. Le reste vient avec la pratique et l'observation de ce qui marche sur vos cas spécifiques.

--- Sources : Anthropic — "Let Claude Think" prompt engineering guide ; OpenAI prompt engineering guide ; Wei et al. — "Chain-of-Thought Prompting Elicits Reasoning", 2022 ; Brown et al. — "Language Models are Few-Shot Learners", 2020.