Prompting avancé

🚀 Vers une Ingénierie du Prompt Structurée : Dépasser le Zéro-Shot RCT pour Construire de Véritables Assistants et Agents

Le Zero-Shot RCT (Rôle, Contexte, Tâches en zéro exemple) est souvent présenté comme la solution ultime pour structurer les interactions avec l’IA. Pourtant, cette approche, bien que séduisante par sa simplicité, montre rapidement ses limites lorsqu’il s’agit de concevoir des assistants intelligents et des agents autonomes capables de gérer des tâches complexes.

L’avenir du prompt engineering ne réside pas dans des hacks éphémères, mais dans une méthodologie avancée qui repose sur des techniques évolutives et adaptatives :

🔹 Structuration du raisonnement → Chain-of-Thought (CoT), Tree-of-Thought (ToT), Plan-and-Solve
🔹 Optimisation du contexte → Few-Shot Prompting, Exemplar Ordering, Meta-Prompting
🔹 Vérification et auto-évaluation → Self-Verification, Chain-of-Verification, Self-Calibration
🔹 Intégration du multimodal → Image Prompting, Audio Prompting, Video Prompting
🔹 Développement d’agents autonomes → Prompt chaining, Tool-augmented prompting, Auto-CoT

Un véritable assistant ne se limite pas à répondre avec quelques lignes bien calibrées. Il intègre des capacités de mémoire, d’auto-correction et d’adaptation dynamique aux tâches.

Si l’on veut dépasser l’illusion du prompt parfait, il est temps de s’intéresser aux méthodes qui permettent de construire des systèmes évolutifs, modulaires et robustes.

Voici un tableau où chaque type de prompt est associé à un réglage de modèle possible. Ces réglages peuvent influencer la manière dont le modèle répond à la demande, que ce soit en termes de créativité, de précision ou de style de réponse.

Catégorie	Technique	Exemple de Prompt	Réglage du Modèle
Zero-Shot	Zero-Shot Prompting	« Résume ce texte en une phrase. »	Modèle précis, synthétique, faible créativité
Few-Shot	Few-Shot Prompting	« Voici deux résumés. Fais-en un similaire pour ce texte. »	Modèle contextualisé, adaptable
Exemplar Generation	Exemplar Generation (SG-ICL)	« Génère trois exemples pour illustrer comment résoudre cette équation. »	Modèle créatif, avec variabilité dans les réponses
Exemplar Ordering	Exemplar Ordering	« Résous ce problème après avoir vu ces exemples dans cet ordre précis. »	Modèle avec compréhension séquentielle et logique
Exemplar Selection	Exemplar Selection	« Parmi ces exemples, sélectionne celui qui aide le mieux à résoudre ce problème. »	Modèle analytique, sélection basé sur la pertinence
Exemplar Selection	KNN Exemplar Selection	« Sélectionne les exemples les plus similaires à cette situation. »	Modèle basé sur la similarité contextuelle
Exemplar Selection	Vote-K Exemplar Selection	« Utilise ces exemples et choisis la réponse la plus fréquente. »	Modèle décisionnel, basé sur la fréquence
Instruction Selection	Instruction Selection	« Parmi ces instructions, utilise celle qui résout le problème efficacement. »	Modèle fonctionnel, recherche de l’efficacité
Emotion & Persona	Emotion Prompting	« Réponds en exprimant une grande joie. »	Modèle expressif, ajustement émotionnel
Emotion & Persona	Role Prompting	« Réponds comme si tu étais un historien. »	Modèle contextuel, avec un rôle défini
Emotion & Persona	Style Prompting	« Réécris ce texte dans un style journalistique. »	Modèle flexible, avec transformation stylistique
Raisonnement Simple	Self-Ask	« Pose-toi les bonnes questions pour résoudre ce problème. »	Modèle introspectif, raisonnement autonome
Raisonnement Simple	Chain-of-Thought (CoT)	« Explique étape par étape comment résoudre ce problème. »	Modèle détaillé, avec étapes logiques
Raisonnement Simple	Zero-Shot CoT	« Réfléchissons étape par étape. Comment résoudre ce problème ? »	Modèle structuré, avec réflexion initiale
Raisonnement Simple	Analogical Prompting	« Résous ce problème comme nous avons résolu celui-ci, par analogie. »	Modèle comparatif, raisonnement par analogie
Raisonnement Simple	Step-Back Prompting	« Réponds d’abord à cette question générale avant la question précise. »	Modèle stratégique, avec hiérarchisation des questions
Raisonnement Simple	Thread-of-Thought (ThoT)	« Déroule progressivement ta pensée pour résoudre ce problème. »	Modèle évolutif, raisonnement étape par étape
Raisonnement Simple	Tab-CoT	« Utilise un tableau pour montrer tes étapes de raisonnement. »	Modèle analytique, avec support visuel
Raisonnement Simple	Few-Shot CoT	« Voici deux exemples expliqués, fais de même avec ce problème. »	Modèle apprentissage par exemples
Raisonnement Avancé	Active-Prompt	« Choisis activement les meilleurs exemples pour ta réflexion. »	Modèle sélectif, choix dynamiques
Raisonnement Avancé	Auto-CoT	« Génère automatiquement une chaîne de raisonnement pour ce problème. »	Modèle autonome, avec raisonnement automatique
Raisonnement Avancé	Complexity-Based Prompting	« Utilise ces exemples complexes pour approfondir ta réflexion. »	Modèle complexe, traitement des nuances
Raisonnement Avancé	Contrastive	« Voici un bon et un mauvais raisonnement, utilise le bon exemple. »	Modèle discriminant, choix entre contrastes
Raisonnement Avancé	Memory-of-Thought	« Réutilise les étapes précédentes de raisonnement pour résoudre ceci. »	Modèle mémoire, avec intégration de raisonnement précédent
Raisonnement Avancé	Uncertainty-Routed CoT	« Si incertain, utilise une autre approche de raisonnement. »	Modèle adaptatif, gestion de l’incertitude
Raisonnement Avancé	Prompt Mining	« Recherche le meilleur prompt pour résoudre ce problème. »	Modèle exploratoire, recherche de solutions optimales
Raisonnement Avancé	AutoDiCoT	« Dirige automatiquement ton raisonnement étape par étape. »	Modèle organisé, raisonnement dirigé
Raisonnement Avancé	Décomposition	« Décompose ce problème en plusieurs parties simples. »	Modèle déductif, raisonnement par décomposition
Raisonnement Avancé	DECOMP	« Résous chaque sous-problème avec une fonction ou un appel séparé. »	Modèle fonctionnel, division en tâches spécifiques
Raisonnement Avancé	Faithful CoT	« Vérifie que chaque étape de ton raisonnement est cohérente. »	Modèle précis, validation étape par étape
Raisonnement Avancé	Least-to-Most Prompting	« Résous les sous-problèmes de manière séquentielle. »	Modèle progressif, résolution par ordre de difficulté
Raisonnement Avancé	Plan-and-Solve Prompting	« Planifie puis résous étape par étape. »	Modèle structuré, planification avant action
Raisonnement Avancé	Program-of-Thought	« Génère et exécute du code pour résoudre ce problème. »	Modèle technique, avec exécution de code
Raisonnement Avancé	Recurs.-of-Thought	« Applique la décomposition récursive pour résoudre ce problème. »	Modèle itératif, raisonnement récursif
Raisonnement Avancé	Skeleton-of-Thought	« Génère d’abord une structure de pensée claire. »	Modèle structuré, raisonnement clair
Raisonnement Avancé	Tree-of-Thought (ToT)	« Explore plusieurs chemins et choisis le meilleur raisonnement. »	Modèle exploratoire, gestion des alternatives
Raisonnement Avancé	Metacognitive	« Réfléchis à ton processus de résolution. »	Modèle réflexif, auto-évaluation
Décomposition	Décomposition	« Divise ce problème complexe en sous-problèmes plus petits. »	Modèle analytique, division en sous-problèmes
Décomposition	DECOMP	« Résous chaque sous-problème avec une fonction ou un appel séparé. »	Modèle fonctionnel, résolution étape par étape
Décomposition	Faithful CoT	« Assure-toi que chaque étape du raisonnement correspond exactement à la réponse finale. »	Modèle vérificateur, validation rigoureuse
Décomposition	Least-to-Most Prompting	« Résous d’abord les problèmes les plus simples, puis les plus complexes. »	Modèle progressif, simplification d’abord
Décomposition	Plan-and-Solve Prompting	« Établis d’abord un plan clair, puis applique-le étape par étape. »	Modèle préplanifié, action après réflexion
Décomposition	Program-of-Thought	« Écris et exécute du code dans ta réponse pour résoudre ce problème. »	Modèle pratique, action et exécution
Décomposition	Recurs.-of-Thought	« Décompose récursivement ce problème jusqu’à obtenir des tâches simples. »	Modèle itératif, décomposition jusqu’à la simplicité
Décomposition	Skeleton-of-Thought	« Commence par établir une structure de pensée avant de détailler ta réponse. »	Modèle structuré, début avec la structure
Décomposition	Tree-of-Thought (ToT)	« Explore plusieurs solutions possibles sous forme d’arborescence pour ce problème. »	Modèle exploratoire, analyse des alternatives
Décomposition	Metacognitive	« Réfléchis sur ta propre méthode de résolution pour améliorer ta réponse. »	Modèle réflexif, auto-évaluation
Ensembling	COSP	« Combine plusieurs réponses pour optimiser le résultat final. »	Modèle collaboratif, combinaison des résultats
Ensembling	DENSE	« Évalue ce texte en utilisant différents ensembles d’exemples. »	Modèle comparatif, évaluation multiple
Ensembling	DiVeRSe	« Diversifie tes résultats avec différentes approches. »	Modèle flexible, diversité des approches
Ensembling	Max Mutual Information	« Crée des prompts maximisant l’information mutuelle. »	Modèle optimisé pour l’information
Ensembling	Meta-CoT	« Raisonne sur plusieurs chaînes de pensée simultanément. »	Modèle parallèle, raisonnement simultané
Ensembling	MoRE	« Utilise des prompts spécialisés pour divers types de raisonnement. »	Modèle spécialisé, approche ciblée
Ensembling	Self-Consistency	« Sélectionne la réponse la plus fréquente. »	Modèle basé sur la majorité des réponses
Ensembling	Universal Self-Consistency	« Utilise un prompt universel pour choisir la réponse majoritaire. »	Modèle universel, sélection majoritaire
Ensembling	USP	« Adapte automatiquement le prompt selon les résultats précédents. »	Modèle adaptatif, ajustement dynamique
Ensembling	Prompt Paraphrasing	« Reformule ce prompt pour varier les résultats. »	Modèle génératif, réécriture du prompt
Vérification & Critique	Chain-of-Verification	« Vérifie chaque étape de ta réponse pour assurer sa validité. »	Modèle vérificateur, validation détaillée
Vérification & Critique	Self-Calibration	« Calibre ta confiance dans cette réponse étape par étape. »	Modèle évolutif, ajustement continu
Vérification & Critique	Self-Verification	« Vérifie ta réponse finale de façon détaillée. »	Modèle rigoureux, vérification complète
Vérification & Critique	ReverseCoT	« Pars de la réponse et vérifie ton raisonnement en remontant vers la question. »	Modèle rétroactif, validation inverse
Vérification & Critique	Cumulative Reasoning	« Évalue les étapes progressivement pour obtenir une réponse correcte. »	Modèle incrémental, validation progressive
Multilingue	XLT (Cross-Lingual Thought) Prompting	« Explique en anglais puis en français comment résoudre ce problème. »	Modèle bilingue, gestion de la traduction contextuelle
Multilingue	CLSP (Cross-Lingual Self Consistent Prompting)	« Vérifie la cohérence multilingue de ta réponse. »	Modèle multilingue, cohérence des réponses
Multilingue	X-InSTA Prompting	« Choisis l’instruction multilingue adaptée à cette tâche. »	Modèle adaptatif, gestion des langues
Multilingue	In-CLT Prompting	« Traduis ce texte en anglais puis réponds à la question. »	Modèle multilingue, traduction avant réponse
Multilingue	In-Context Example Selection	« Sélectionne les meilleurs exemples multilingues pour illustrer ce problème. »	Modèle contextuel, choix d’exemples appropriés
Multilingue	PARC	« Sélectionne des exemples pertinents couvrant plusieurs langues. »	Modèle multilingue, diversité d’exemples
Multilingue	Semantically-Aligned	« Utilise des exemples similaires dans plusieurs langues. »	Modèle aligné, sélection sémantique
Multilingue	Semantically-Distant	« Choisis des exemples sémantiquement éloignés pour tester la robustesse. »	Modèle robuste, gestion de l’éloignement sémantique
Multilingue	Human-in-the-Loop Prompting	« Ajuste ton prompt en intégrant un retour humain. »	Modèle interactif, ajustement par retour humain
Multilingue	Interactive Chain	« Déroule ta pensée en interagissant avec un humain. »	Modèle interactif, réflexion guidée
Multilingue	Iterative	« Améliore ce prompt à travers un retour humain itératif. »	Modèle itératif, amélioration continue
Multilingue	Translation Prompting	« Traduis d’abord ce texte avant de répondre à la question. »	Modèle de traduction, gestion des langues
Multilingue	Chain-of-Dictionary (CoD)	« Utilise les définitions d’un dictionnaire pour préciser ton raisonnement. »	Modèle défini, précisions contextuelles par dictionnaire
Multilingue	DecoMT	« Décompose le texte source pour faciliter sa traduction. »	Modèle de décomposition, gestion des textes
Multilingue	DiPMT	« Utilise des définitions bilingues pour traduire précisément. »	Modèle précis, gestion bilingue de la traduction
Multilingue	MAPS	« Sélectionne la meilleure traduction à partir des connaissances disponibles. »	Modèle multilingue, sélection contextuelle des traductions
Multimodale	Image Prompting	« Décris précisément cette image. »	Modèle visuel, description d’images
Multimodale	MM CoT (Multimodal Chain-of-Thought)	« Utilise cette image pour guider ton raisonnement étape par étape. »	Modèle multimodal, raisonnement guidé par image
Multimodale	Chain-of-Images	« Explique ta réponse en utilisant cette séquence d’images. »	Modèle multimodal, raisonnement par séquence d’images
Multimodale	Duty Distinct CoT	« Sépare clairement les rôles des modalités dans ton raisonnement. »	Modèle distinctif, gestion claire des modalités
Multimodale	MM Graph-of-Thought	« Représente ton raisonnement multimodal avec un graphe. »	Modèle graphique, raisonnement visuel
Multimodale	Multimodal ICL (In-Context Learning)	« Illustre ton raisonnement avec ces exemples multimodaux. »	Modèle multimodal, raisonnement par exemple visuel
Multimodale	Image-as-Text Prompt	« Décris l’image sous forme de texte avant de répondre. »	Modèle visuel-textuel, gestion d’image comme texte
Multimodale	Paired-Image Prompt	« Utilise ces deux images ensemble pour guider ta réflexion. »	Modèle interactif, raisonnement à partir de deux images
Multimodale	Negative Prompt	« Indique clairement ce que l’image ne doit pas contenir. »	Modèle restrictif, gestion des éléments non souhaités
Multimodale	Prompt Modifiers	« Ajoute des mots spécifiques pour influencer la génération d’image. »	Modèle ajusté, modifications du prompt
Multimodale	Audio Prompting	« Explique ta réponse à partir de cet extrait audio. »	Modèle auditif, raisonnement guidé par son
Multimodale	Video Prompting	« Utilise cette vidéo pour appuyer ton raisonnement. »	Modèle multimodal, raisonnement basé sur vidéo
Multimodale	Video Generation Prompting	« Décris précisément la vidéo à générer. »	Modèle créatif, génération vidéo
Multimodale	Segmentation Prompting	« Indique clairement les zones à segmenter sur cette image. »	Modèle segmentatif, découpage d’image
Multimodale	3D Prompting	« Décris précisément l’objet 3D que tu souhaites générer. »	Modèle 3D, création et gestion d’objets tridimensionnels

📌 Accédez à la ressource complète ici :

Quelques exemples…

Voici les 4 niveaux de prompts accompagnés des techniques et catégories principales utilisées pour chaque exemple :

Niveau 1 : Zero-Shot Simple

• Prompt : « Résume ce texte en une phrase, en mettant l’accent sur l’idée principale sans perdre de contexte. »
• Astuces :
  • Précision : L’indication « mettre l’accent sur l’idée principale » guide le modèle vers une synthèse efficace.
  • Concision : Demander une seule phrase assure que la réponse sera concise.
  • Contexte : L’instruction « sans perdre de contexte » renforce l’importance de la fidélité au message initial.
• Principales Techniques :
  • Zero-Shot Prompting : Aucune information préalable nécessaire pour générer la réponse.
  • Résumé : Résumer de manière succincte le contenu sans perdre d’information essentielle.
• Catégories :
  • Zero-Shot : Pas d’exemples fournis, modèle générant la réponse directement.
  • Résumé : Demande de réduire un texte à sa forme la plus concise tout en gardant l’essence du message.

---

Niveau 2 : Introspection et Décomposition

• Prompt : « Quelle est la question principale de ce texte ? Puis, divise-le en trois parties cohérentes et pour chaque partie, décris brièvement son rôle dans l’argumentation globale. »
• Astuces :
  • Clarification : L’ajout de « pour chaque partie, décris brièvement son rôle » pousse le modèle à expliquer l’intention de chaque section.
  • Structure logique : La demande de diviser en trois parties assure une organisation claire et permet une réponse plus cohérente.
  • Introspection : Demander au modèle d’identifier la question principale encourage une réflexion approfondie sur le contenu.
• Principales Techniques :
  • Introspection : Le modèle est invité à réfléchir et analyser la structure du texte.
  • Décomposition : Le texte est divisé en sous-parties pour une analyse plus détaillée.
  • Clarification : Chaque partie doit être expliquée en termes de son rôle dans l’argumentation.
• Catégories :
  • Raisonnement Simple : L’analyse et la décomposition d’un texte en sections logiques.
  • Décomposition : Fractionner le texte en parties plus petites et plus compréhensibles.
  • Self-Ask : Encourager le modèle à poser des questions pour clarifier sa propre compréhension.

---

Niveau 3 : Assemblage et Vérification

• Prompt : « Résume ce texte en trois points clés, puis assemble-les dans un paragraphe cohérent. Assure-toi que chaque point se relie logiquement au suivant, en vérifiant la fluidité de la transition. »
• Astuces :
  • Cohérence : « Assure-toi que chaque point se relie logiquement » aide le modèle à maintenir une réponse fluide et structurée.
  • Vérification : L’instruction « vérifie la fluidité de la transition » ajoute une étape de validation interne qui renforce la qualité de la réponse.
  • Création de paragraphe : Demander un « paragraphe cohérent » stimule une approche plus narrative, encourageant l’élargissement des idées de manière intégrée.
• Principales Techniques :
  • Raisonnement Simple : Décomposer et réorganiser les informations en points clés.
  • Chain-of-Thought (CoT) : La demande d’explication des transitions logiques entre les idées.
  • Self-Verification : Vérification interne de la fluidité et de la cohérence du texte.
• Catégories :
  • Raisonnement Simple : Processus linéaire de réflexion pour organiser les idées et les assembler.
  • Vérification et Critique : Vérification de la cohérence et de la fluidité de la réponse.

---

Niveau 4 : Multilingue avec Introspection, Décomposition, Assemblage et Vérification

• Prompt : « Résume ce texte en anglais en identifiant les idées majeures. Décompose-le en cinq sections distinctes. Pour chaque section, traduis en français tout en maintenant la fidélité au sens original. Vérifie ensuite que chaque traduction est précise et correspond bien au texte original, en portant une attention particulière aux nuances culturelles. Enfin, assemble les sections traduites pour créer un texte cohérent et fluide en français. »
• Astuces :
  • Précision et fidélité : L’instruction de « maintenir la fidélité au sens original » garantit que les nuances du texte ne seront pas perdues dans la traduction.
  • Nuances culturelles : Mentionner les « nuances culturelles » incite le modèle à prêter attention à des aspects subtils du texte source, évitant les erreurs de traduction contextuelle.
  • Cohérence du texte final : L’instruction d’assembler les sections traduites pour créer un texte cohérent et fluide en français demande une réponse qui ne se contente pas de traduire mot à mot, mais qui travaille sur la lisibilité et l’intégration des idées en français.
  • Structure et vérification : En demandant de vérifier la précision des traductions et la fluidité du texte final, le prompt combine un processus de révision en profondeur avec une tâche de création avancée.
• Principales Techniques :
  • Multilingual (X-InSTA) : Traduction et réécriture dans plusieurs langues.
  • Self-Ask : Réflexion interne pour maintenir la précision de la traduction.
  • Chain-of-Thought (CoT) : Explication étape par étape du raisonnement, avec une attention particulière à la vérification des traductions.
  • Ensembling : Assembler plusieurs réponses traduites et vérifiées pour produire un texte fluide.
• Catégories :
  • Multilingue : Gestion de la traduction entre différentes langues tout en maintenant le sens.
  • Raisonnement Avancé : Processus de raisonnement complexe avec vérification et introspection.
  • Vérification et Critique : Vérification approfondie de la traduction, de la cohérence et de la fidélité.

---

Récapitulatif des Techniques et Catégories Principales :

• Zero-Shot Prompting : Utilisé pour des instructions simples sans contexte préalable.
• Raisonnement Simple : Pour la décomposition des informations et l’analyse structurée.
• Self-Ask : Permet au modèle de s’auto-interroger pour affiner les réponses.
• Chain-of-Thought (CoT) : Demande un raisonnement étape par étape pour garantir une réflexion logique.
• Multilingual Techniques : Utilisation des langues multiples pour faciliter la traduction, la compréhension et la vérification entre plusieurs langues.
• Vérification et Critique : Important pour valider la logique et la fluidité des réponses produites.
• Ensembling : Permet d’assembler et de comparer plusieurs réponses ou traductions pour une solution cohérente.