Chapitre 2

Prompt Engineering : Intéragir efficacement

avec l’IA

IA for Software Engineering

A.U 2025-2026

1
 Pourquoi ce cours
Pourquoi est-il essentiel de maîtriser l'ingénierie des "prompts" ?

C'est important pour la recherche, les découvertes et les avancées.

Cela aide à tester et à évaluer les limites des LLM (Large Language Models, ou grands modèles de
langage).
Cela permet toutes sortes d'applications innovantes basées sur les LLM.

2
 Objectifs du chapitre
• Comprendre le rôle des "prompts" (ou "invites").

• Connaître les principes de base de la conception de "prompts".

• Vous familiariser avec diverses techniques de "prompting".

• Utiliser les "prompts" pour aborder de manière stratégique les pièges de l'IA
générative.

• Aligner vos compétences en "prompting" avec les meilleures pratiques en

matière d'intégrité académique.

3
 Définition
Qu'est-ce qu'un "prompt" ?

• Une entrée pour un modèle d'IA en langage naturel

• Via une interface texte, une API, ...ou un microphone*

• Le modèle d'IA comprend la requête de manière sémantique

• Puis exécute la tâche souhaitée

• Une séquence d'invites : les chaînes de "prompts" !

 Définition
Prompts : Avantages et limites
Avantages Limites
Décrire les tâches avec précision et créativité Nombre de mots limité par prompt
Aucune compétence d'expert requise (Booléen, code) Nombre de prompts limité par chaîne
Entrées multilingues Manque de transparence
...et bien d'autres Manque de reproductibilité
 Types de prompts
Il y a trois types de prompts:

Prompt explicite Instructions claires et directes

Prompt implicite Instructions moins directes, basées sur le

contexte

Prompt créatif Conçu pour encourager des résultats

originaux et imaginatifs
Types de prompts
Prompt explicite:
• Définition : Fournit des instructions claires et directes au
modèle d'IA.
• Objectif : Obtenir un résultat précis et exact.
• Avantage : Fiable et prévisible.
• Inconvénient : Limite la créativité du modèle.
• Exemple : "Traduis le texte suivant en français : 'The weather
is nice today.'"
Types de prompts
Prompt implicite:
• Définition : S'appuie sur le contexte pour interpréter l'intention
de l'utilisateur.
• Objectif : Donner plus de liberté au modèle pour interpréter.
• Avantage : Peut produire des réponses plus variées et
créatives.
• Inconvénient : Augmente le risque d'ambiguïté ou de réponse
hors sujet.
• Exemple : "Comment dirais-tu 'The weather is nice today' en
français ?"
Types de prompts
Prompt créatif:
• Définition : Encourage le modèle à produire des résultats
originaux et inattendus.
• Objectif : Pousser le modèle à explorer de nouvelles idées.
• Avantage : Permet de créer du contenu unique et engageant.
• Inconvénient : Nécessite souvent plus d'itérations pour affiner
le résultat.
• Exemple : "Écris une courte histoire sur un monde où la météo
change en fonction des émotions des gens."
Pourquoi les 'prompts' comptent : au-
delà des mots
 Prompt Engineering
Qu'est-ce que l'ingénierie des "prompts" ?

• L'ingénierie des "prompts" est la pratique consistant à développer et à optimiser ces invites
pour utiliser de manière efficace les modèles de langage (ML) dans diverses applications.

• L'ingénierie des "prompts" est un processus de création d'un ensemble d'invites, ou de

questions, qui sont utilisées pour guider l'utilisateur vers le résultat désiré.
• C'est un outil efficace pour les concepteurs afin de créer des expériences utilisateur faciles à
utiliser et intuitives.
• Cette méthode est souvent employée dans la conception interactive et le développement de
logiciels, car elle permet aux utilisateurs de comprendre facilement comment interagir avec un
système ou un produit.

11
Les composants d'un bon prompt
Instruction

Rôle

Contexte

Exemples

Entrée

Sortie
Les composants d'un bon prompt
Instruction:

Input Output

L'ingénierie des "prompts" (ou "invites") fait

Explique le Prompt Engineering référence au processus de conception et
d'optimisation des "prompts" afin d'obtenir les
réponses souhaitées d'un modèle de langage
comme ChatGPT. Elle implique de rédiger
soigneusement des instructions ou des questions
données au modèle pour guider son comportement
et générer des résultats plus précis ou plus
pertinents. [...]
Les composants d'un bon prompt
Rôle:

Input Output

Tu es un enfant de maternelle,
Explique le Prompt Imagine que tu joues à un jeu avec tes amis, et
Engineering. que tu veux qu'ils fassent quelque chose de
spécifique. L'ingénierie des "prompts" est comme
donner à tes amis de très bonnes instructions ou
des indices pour les aider à savoir quoi faire dans
le jeu. [...]
Les composants d'un bon prompt
Contexte:

Input Output

Explique le Prompt Engineering avec l'aide

du contexte : L'ingénierie des "prompts"... L'ingénierie des "prompts", ou "prompting" en
est une technique utilisée pour influencer le contexte, est une technique utilisée pour influencer
comportement des grands modèles de le comportement des grands modèles de langage
langage (LLM) sans altérer leurs poids ou (LLM) sans altérer leurs poids ou paramètres sous-
paramètres sous-jacents. jacents.
Les composants d'un bon prompt
Exemples:

Input Output

Trouve le terme générique approprié pour

l'ingénierie des "prompts", en ne
considérant que "Gestion et analyse des Le terme générique approprié pour l'ingénierie des
données", "Développement d'applications" "prompts" serait "Ingénierie informatique
et "Ingénierie informatique" comme
réponses possibles.
 Les composants d'un bon prompt
Entrée:
Input

Trouve le terme générique approprié pour l'ingénierie des Output

"prompts", en ne considérant que "Gestion et analyse des
données", "Développement d'applications" et "Ingénierie
informatique" comme réponses possibles. Développement d'applications
Humain : Terme générique pour Frontend
IA : Développement d'applications
Humain : Terme générique pour l'IA générative
IA : Gestion et analyse des données
Humain : Terme générique pour le Cloud
IA : Ingénierie informatique
Humain : Terme générique pour le Traitement du langage
naturel
IA : Gestion et analyse des données
Humain : Terme générique pour les applications mobiles
IA : Développement d'applications
Humain : Terme générique pour l'ingénierie des "prompts"
Les composants d'un bon prompt
Sortie:

Input Output

Explique le Prompt Engineering et définis le

terme subordonné. Formate la sortie en
JSON, par exemple.
Les bonnes pratiques pour écrire un prompt

•Soyez concis
• Visez la brièveté et la clarté

• Utilisez le langage le plus simple possible

•Exemple :

• Prompt confus et format de question :

• "Pouvez-vous me fournir une explication détaillée du processus de
photosynthèse et de l'importance de cette réaction biochimique ?«

• Prompt plus concis et format d'instruction :

• "Expliquez en détail le processus de photosynthèse et son importance."
Les bonnes pratiques pour écrire un prompt

• Soyez clair
• Évitez le langage vague et ambigu.

• Soyez aussi spécifique que nécessaire.

• Exemple :

Prompt ambigu :
➔ "Comment est-ce que je produis un rapport ?

Prompt plus clair et non ambigu :

➔ "Explique les étapes communes pour écrire un article de recherche
pour un journal académique évalué par des pairs."
Les bonnes pratiques pour écrire un prompt
• Inclure le contexte et une structure logique
Fournissez du contexte pour améliorer le raisonnement.

Construisez des "prompts" structurés et cohérents.

• Exemple :

"Prompt" non structuré sans contexte :

➔ "Mentionne les tâches impliquées dans la rédaction d'un article de
recherche.«

"Prompt" structuré, incluant du contexte :

➔ "Liste les étapes impliquées dans la rédaction d'un article de recherche
pour un travail d'étudiant. Commence par la sélection d'un sujet, et termine par la
relecture du brouillon final."
Les bonnes pratiques pour écrire un prompt

• Décomposer les tâches complexes.

Évitez de combiner plusieurs tâches en un seul prompt.
Évitez de demander plusieurs résultats/formats dans un seul prompt.
Divisez les tâches qui impliquent plusieurs étapes ou sujets... ...en prompts
séparés.

• Exemple :
"Concevoir une campagne de marketing complète pour un nouveau produit éco-
responsable, en détaillant le public cible, les messages clés et les stratégies
promotionnelles. Inclure des exemples spécifiques de supports publicitaires tels que
les médias sociaux, la presse écrite et la télévision, et créer une maquette visuelle
d'une publicité dans un style minimaliste moderne. Rédiger un texte alternatif
significatif pour la publicité, résumant son contenu pour une meilleure accessibilité.
Enfin, rédiger un script de présentation de 2 minutes pour présenter cette campagne
de marketing à des investisseurs potentiels."
Les bonnes pratiques pour écrire un prompt

• Spécifiez la sortie souhaitée

Style & ton
Format, langage, ou type de contenu
Profondeur et longueur
Température = paramètre contrôlant la précision et la créativité
• Exemples :
Style & Ton : "Rédige un paragraphe sur XYZ dans le style simpliste d'un
journal à sensation. Utilise un ton sensationnel."
Profondeur & longueur : "Fournis une argumentation juridique de haut niveau
sur le sujet de XYZ qui ne dépasse pas 500 mots."
Format, langue, type de contenu : "Par exemple : Un tableau à trois colonnes ;
un poème en swahili ; un script en Python"
Température : "Équilibre créativité et précision, selon la tâche."
Les bonnes pratiques pour écrire un prompt
• Utiliser l'IA pour générer ou améliorer des "prompts"
Demander à l'IA de rédiger un "prompt" pour vous !
➔"Meta-prompting" : Décrivez le résultat, l'application, l'objectif souhaités,

Améliorer vos propres "prompts" en utilisant l'IA.

➔Soumettez votre propre "prompt" à l'IA et demandez-lui des
commentaires et des améliorations.

Demander à l'outil d'IA générative s'il comprend votre "prompt" et comment il

le fait.
➔Demandez un exemple de sortie annoté.
➔Ou demandez à l'outil d'expliquer les étapes qu'il effectuerait sur la
base de votre "prompt".

Rq: Certains outils améliorent automatiquement les "prompts" humains, comme

DALL-E 3.
 Paramètres des LLM qui influent sur les résultats du
prompt engineering

Taille du modèle : La taille du modèle, peut influencer sa capacité à comprendre

et à générer des réponses précises en fonction du prompt donné.
➔ Des modèles plus grands peuvent avoir une capacité plus importante à
capturer la complexité du langage et à produire des réponses de meilleure
qualité.

La température de génération: est un paramètre utilisé dans les modèles de langage pour contrôler le
degré de diversité des réponses générées.

Elle est spécifique aux modèles utilisant des techniques de génération probabiliste telles que le softmax.

25
 Paramètres des LLM qui influent sur les résultats du
prompt engineering
Prompt : "Décrivez un coucher de soleil sur une plage."
Résumé généré avec une température de génération élevée (par exemple, 1,5) :
"Le coucher de soleil sur la plage était un spectacle éblouissant de couleurs vives. Le
ciel était teinté de nuances d'orange, de rose et de violet, créant une toile magnifique
au-dessus de l'océan scintillant. Les vagues douces caressaient doucement le rivage,
ajoutant une dimension paisible à cette scène époustouflante.«

Résumé généré avec une température de génération basse (par exemple, 0,5) : "Le
coucher de soleil sur la plage était un moment de tranquillité absolue. Le soleil se
couchait lentement à l'horizon, illuminant le ciel d'une lueur dorée. Les vagues
murmuraient doucement tandis que le sable tiède sous mes pieds me procurait un
sentiment de paix intérieure."

➔ en modifiant la température de génération, nous obtenons deux résumés avec des styles
et des détails différents.
26
 Paramètres des LLM qui influent sur les résultats du
prompt engineering
Le Top-k sampling est une technique utilisée dans les modèles de langage pour générer
du texte de manière probabiliste en limitant le choix des tokens générés aux k tokens les
plus probables à chaque étape de génération.
Prompt : "Décrivez votre journée idéale.«

Résumé généré avec un Top-k sampling élevé (par exemple, k = 50) : "Ma journée
idéale commencerait par un lever de soleil paisible, suivi d'un petit-déjeuner copieux.
Ensuite, je passerais la matinée à explorer la nature, en me promenant dans les bois ou
en faisant du vélo. L'après-midi serait consacré à des activités créatives, comme la
peinture ou l'écriture. Enfin, je terminerais la journée en regardant le coucher de soleil
avec mes proches, en savourant un délicieux dîner et en partageant des moments de
bonheur et de gratitude."

27
 Paramètres des LLM qui influent sur les résultats du
prompt engineering

Résumé généré avec un Top-k sampling bas (par exemple, k = 10) : "Ma journée idéale
commencerait par un bon petit-déjeuner suivi d'une promenade matinale dans le parc. Je
passerais ensuite l'après-midi à lire un bon livre ou à regarder un film. Enfin, je terminerais la
journée en dînant avec ma famille et en profitant d'une soirée détente à la maison."

28
Les techniques du prompt Engineering

De nombreuses techniques de "prompting" avancées ont été conçues pour améliorer les
performances sur des tâches complexes.
• "L’amorce ou priming "
• "Least to most" (Le facile au difficile)
• "Chain-of thought (CoT)" (prompting par chaîne de pensée)
• "Self-Consistency" (Cohérence-de-soi)
• "Knowledge Generation Prompting" (prompting de génération de connaissances)

29
Les techniques du prompt Engineering
L’amorce - Priming

• L’amorce (ou Priming), dans le cadre du prompt engineering, est une méthode qui
structure une requête ou une instruction initiale pour un modèle de langage tel que
GPT-3 ou GPT-4, dans le but de diriger sa réponse.

• Cette technique influence la pertinence, la précision, et le style des réponses

produites, en apportant des informations contextuelles ou en établissant des
attentes spécifiques.

• Elle aide à obtenir des résultats plus spécifiques et adaptés, utiles dans diverses
applications de traitement automatique du langage naturel.

30
Les techniques du prompt Engineering
L’amorce - Priming

31
Les techniques du prompt Engineering
Le facile au difficile - Least to most

• La méthode du facile au difficile (ou Least-to Most) aborde les limitations des
techniques initiales de chaîne de pensées en fragmentant les problèmes
complexes en questions plus simples, tout en conservant une logique
cohérente.

• Le modèle examine chaque segment individuellement et fusionne ensuite ses

analyses pour former une réponse unifiée.

• Cette approche, qui s'inscrit dans le cadre du few-shots prompting, s'appuie sur
des exemples pour orienter le modèle

32
Les techniques du prompt Engineering
Le facile au difficile - Least to most

33
Les techniques du prompt Engineering
Chain-of-thought

• La technique initiale des chaînes de pensées, la chaîne de pensées

traditionnelle (ou Chain of Thought), s'applique lorsque le lien entre l'entrée et
la sortie n'est pas immédiat.

• Cette méthode dirige le modèle dans un raisonnement structuré et séquencé

pour traiter des problèmes complexes, en utilisant des exemples comme
guides.

• Les réponses sont donc à la fois séquencées, logiques et justifiées

34
Les techniques du prompt Engineering
Chain-of-thought

35
Les techniques du prompt Engineering
Self Consistency

• L’auto-cohérence (ou self-consistency) représente une innovation

significative dans le domaine du prompting.

• Comme la méthode "Least-to-Most" (LTM), il utilise de multiples chaînes de

pensées.

• Cette technique encourage le modèle à produire et à comparer divers

raisonnements, menant à une sorte de débat interne pour juger de leur
validité.

• Ce processus d'auto-évaluation permet au modèle de sélectionner les

arguments les plus solides et d'écarter les moins convaincants, conduisant
ainsi à une réponse plus aboutie et affinée
36
Les techniques du prompt Engineering
Self Consistency

37
Les techniques du prompt Engineering
Knowledge generation Prompting

• La génération de connaissances (ou Generated Knowledge) consiste à

intégrer des connaissances externes apportées au cours d'une
conversation avec les connaissances internes du modèle.

• Cette méthode vise à enrichir la substance et la pertinence des réponses

sur un sujet ou problème spécifique, sans nécessiter un ajustement fin ou
fine tuning du modèle

38
Les techniques du prompt Engineering
Knowledge generation Prompting

39
 Les Risques

• Maintenant que nous savons comment créer des "prompts" efficaces, il est crucial
de comprendre que même un "prompt" bien rédigé peut être exploité. C'est pourquoi
nous allons maintenant aborder les risques liés à la manipulation des modèles d’IA.

• Nous abordons les risques suivants :

• Prompt Injection
• Prompt Leaking
• Jail Breaking

40
 Les Risques
Prompt Injection

• L'injection de "prompt" est utilisée pour détourner la sortie d'un modèle de langage en injectant
une commande non fiable qui annule l'instruction d'un "prompt".

• Cela peut facilement se produire si vous concaténez simplement votre "prompt" avec un autre
"prompt" généré par un utilisateur.

41
Les Risques
Prompt leaking

• Le "prompt leaking" vise à forcer le modèle à cracher des informations sur son propre
"prompt".
• Cela peut conduire à la fuite d'informations sensibles, privées ou confidentielles.

42
Les Risques
Jail Breaking

• Le "jailbreaking" est une autre forme d'injection de "prompt" dont le but est de contourner les
fonctions de sécurité et de modération.

• Les grands modèles de langage (LLM) fournis via des API peuvent être couplés à des
fonctions de sécurité ou à une modération de contenu qui peut être contournée par des
"prompts"/attaques malveillants.

• Cela peut sembler être une tâche difficile, mais ce n'est pas le cas, car le modèle est
généralement servi de manière statique et peut présenter ces vulnérabilités en raison de
nombreux facteurs, tels que les données sur lesquelles il a été entraîné, etc.

43
Les Risques

44
Conclusion

• Le prompt engineering se base sur la fourniture de contexte, de directives

et d'exemples pour diriger le modèle vers un objectif défini.

• Ces éléments facilitent la tâche du modèle, garantissant des réponses

adéquates et bien pensées.

• Il s'agit d'un processus itératif : les prompts sont des points de départ pour
un cheminement progressif vers un but, et non des fins en soi.

• Ils servent de guides pour explorer des domaines nouveaux et inattendus

45
Merci de votre attention

46