1. Introduction — Pourquoi structurer ?
On sait que pour obtenir des réponses de qualité et véritablement utiles avec un LLM, il est souvent nécessaire d’utiliser du code, ce qui peut s’avérer complexe pour de nombreux utilisateurs. Voici donc une approche intermédiaire plus accessible grâce à l’utilisation du Markdown directement intégré dans les prompts. Je vous propose une réécriture plus claire et structurée :
Obtenir des réponses qualitatives et utiles avec un LLM grâce au Markdown
Pourquoi utiliser le Markdown ?
- Simplifie la structuration des requêtes.
- Facilite la lecture et l’analyse par le LLM.
- Améliore la qualité et la pertinence des réponses obtenues.
Imaginez que vous deviez monter un meuble IKEA : sans la notice illustrée (titres, numéros d’étape, pictogrammes), chaque pièce en bois devient un casse‑tête. Les prompts d’assistants IA fonctionnent de la même façon : le modèle possède les « pièces » (ses paramètres) mais a besoin d’un plan clair pour assembler la réponse.
Analogie pédagogique
- Les
#jouent le rôle des titres de chapitres dans un manuel scolaire ; ils découpent la « leçon » en séquences digestes. - Pour le modèle, ces titres servent de balises GPS : ils délimitent les zones de contexte et l’aident à « savoir où il est » dans votre demande.
2. Notions fondamentales du « hachage » en Markdown
2.1. Hiérarchie par niveaux (#, ##, ###…)
| Niveau | Signification (analogie) | Exemple de prompt |
|---|---|---|
# | Chapitre de roman | # Rôle du système |
## | Sous‑chapitre | ## Objectif principal |
### | Paragraphe clé | ### Contraintes |
Exemple concret
# Assistant de voyage
## But
Fournir un itinéraire de 3 jours à Rome.
### Contraintes
- Budget 300 €
- Nourriture végétarienne
Sans ces étages, le prompt serait un paragraphe compact où l’on confond but, contraintes et ton.
2.2. Charge cognitive
- Avant structuration : un bloc de texte dense surcharge la mémoire de travail (effet spaghetti).
- Après structuration : chaque
#agit comme un séparateur d’assiette au self‑service — le contenu reste identifiable, aucune sauce ne se mélange.
2.3. Impact sur le tokenization
Le modèle découpe la phrase en « jetons » comme un boucher tranche un saucisson. Le caractère # est un trait franc : il marque une coupe nette, évitant que deux idées se « collent ».
3. Modéliser des prompts hiérarchiques via #
3.1. Méthode « entonnoir »
- Contexte global (
#) : rôle ou identité de l’assistant (comme l’enseigne sur la porte d’une salle de classe). - Objectif principal (
##) : mission du jour. - Sous‑objectifs / étapes (
###) : liste d’actions à cocher. - Détails (
####) : nuances, exemples, formats de sortie.
Astuce classe inversée :
Demandez aux élèves d’écrire un prompt désordonné puis de le restructurer avec des#. Observez la différence qualitative de réponse ; cela illustre l’impact de la structuration.
3.2. Exemple pas‑à‑pas
Prompt brut (inefficace) :
« Tu es un assistant marketing. Crée un post LinkedIn de 100 mots drôle mais professionnel sur l’IA et mentionne un appel à l’action. »
Prompt structuré :
# Assistant MarketingGPT
## Objectif
Rédiger un post LinkedIn sur l’IA (≈ 100 mots)
### Ton
- Professionnel
- Humour subtil
### Contraintes
- Inclure un appel à l’action vers notre blog
### Format de sortie
Texte brut, pas de hashtags
*Résultat *: le même modèle fournit un contenu plus court, mieux ciblé et sans superflu.
4. Fonctions Markdown avancées pour la conception de prompts — développement pas‑à‑pas
Pour chacune des 5 briques Markdown ci‑dessous, vous trouverez :
- Pourquoi l’utiliser dans un prompt ?
- Analogie pédagogique (image mentale pour vos étudiant·e·s ou collègues).
- Exemple de prompt complet (copiable, prêt à tester).
- Comment le modèle interprète la structure (bonus “vue de l’intérieur”).
4.1. Listes (-, *, +, 1.…)
| Clé | Détails |
|---|---|
| Usage | Décomposer des actions : étapes de procédure, critères d’évaluation, rubriques. |
| Analogie | Recette de cuisine : chaque item = un ingrédient ou une instruction, facile à suivre. |
Exemple de prompt avec listes
# JardinierGPT
## Objectif
Créer un guide d’entretien printanier pour un potager urbain.
### Étapes
1. Inspecter la qualité du sol
2. Semer les variétés suivantes : radis, laitue, basilic
3. Installer un arrosage goutte‑à‑goutte
### Contraintes
- Budget maximal : 50 €
- Matériel existant : bacs surélevés
Interprétation par le modèle
- Titres hiérarchisés.
- Liste ordonnée 👉 indique une séquence logique (ne pas semer avant d’avoir testé le sol).
- Liste non ordonnée 👉 critères indépendants (budget, matériel).
4.2. Blocs de code (```)
| Clé | Détails |
|---|---|
| Usage | Préserver exactement la mise en forme : JSON, CSV, LaTeX, SQL, pseudo‑code, etc. |
| Analogie | Photocopieuse : ce qui est dans la vitre sort à l’identique, sans “correction automatique”. |
Exemple A — imposer un format JSON
# ResumeGPT
## Tâche
Résumer le texte fourni en 3 points clés.
### Format de sortie (JSON impératif)
```json
{
"idee1": "",
"idee2": "",
"idee3": ""
}
#### Exemple B — protéger du SQL à exécuter tel quel
```markdown
# SQLTutor
## Mission
Optimiser la requête suivante :
```sql
SELECT name, SUM(sales)
FROM transactions
GROUP BY name
ORDER BY SUM(sales) DESC;
**Interprétation par le modèle**
Le ``` déclenche un mode “littéral” : la chaîne à l’intérieur ne doit pas être réécrite ni reformattée.
**Piège à éviter** : oublier la balise de fermeture, le modèle “avale” la suite et confond vos instructions avec le code !
---
### 4.3. Tableaux (`|…|`)
| Clé | Détails |
|-----|---------|
| **Usage** | Afficher des paramètres ou comparer plusieurs options de manière compacte. |
| **Analogie** | *Feuille Excel* : ligne = cas d’usage, colonne = attribut. |
#### Exemple de prompt avec tableau de persona
```markdown
# PersonaGPT
## Objectif
Proposer trois angles éditoriaux différents pour un article sur l’énergie solaire.
### Personas cibles
| Persona | Âge | Préoccupation principale | Ton préféré |
|---------|-----|--------------------------|-------------|
| “Eco‑Parent” | 35 | Réduction des factures | Pédagogique |
| “Tech Lover” | 25 | Nouveautés gadgets | Enthousiaste |
| “Investisseur Vert” | 50 | Rentabilité long terme | Factuel |
### Format souhaité
- Un paragraphe de 80 mots par persona
- Appel à l’action en une phrase
Interprétation par le modèle
Le tableau agit comme une structure clé‑valeur visuelle. Le modèle “lit” chaque cellule et sait générer trois sorties distinctes.
4.4. Citations (> et >>>)
| Clé | Détails |
|---|---|
| Usage | Séparer ou signaler une source, un avertissement légal, un extrait à traiter. |
| Analogie | Panneau d’information : texte encadré pour attirer l’œil et ne pas le mélanger au reste. |
Exemple de prompt intégrant une citation
# PolicyCheckGPT
## Tâche
Vérifier la conformité RGPD d’un texte marketing.
> “Nous collectons vos données afin de personnaliser nos offres. Elles peuvent être partagées avec nos partenaires.”
### Questions
1. Quels articles du RGPD sont concernés ?
2. Comment reformuler la phrase pour être conforme ?
Interprétation par le modèle
Tout ce qui suit > est reconnu comme “texte brut à analyser”, tandis que vos questions restent des ordres externes.
4.5. Front‑matter YAML (--- … ---)
| Clé | Détails |
|---|---|
| Usage | Stocker des méta‑données (langue, température, longueur max, rôle cible) en en‑tête. |
| Analogie | Étiquette de bagage : infos rapides pour le handler, avant même d’ouvrir la valise. |
Exemple de prompt avec YAML
---
model: gpt‑4o
temperature: 0.3
max_tokens: 400
lang: fr
role: "assistant juridique"
---
# LawyerGPT
## Objectif
Élaborer un contrat de prestation de service simplifié (2 pages max).
### Détails fournis par le client
- Parties : Alice (prestataire), BobCorp (client)
- Durée : 6 mois
- Rémunération : 20 000 € versés mensuellement
Interprétation par le modèle
Certaines plateformes lisent explicitement ce bloc YAML pour régler les paramètres d’inférence ; d’autres l’ignorent mais conservent vos instructions textuelles (elles ne polluent pas la réponse).
Récap visuel rapide
| Fonction | Quand l’ajouter ? | Exemple flash |
|---|---|---|
| Liste ordonnée | Ordre chronologique ou recette | 1. Préparer -> 2. Cuire -> 3. Servir |
| Bloc de code | Format figé (JSON, SQL, LaTeX) | json … |
| Tableau | Matrice d’options ou mapping | Voir PersonaGPT ci‑dessus |
| Citation | Texte‑source ou alerte | > Ceci est un disclaimer |
| YAML | Paramètres initiaux de la requête | ---\ntemperature:0.7\n--- |
Conseil pratique : testez un même prompt sans puis avec chaque fonction ; notez la variation de précision et de structure dans la réponse. C’est l’expérimentation scientifique appliquée au prompt engineering !
5. Étude de cas détaillée — Assistant pédagogique « EduDesignGPT »
5.1. Contexte
Une professeure de sciences de 4ᵉ souhaite :
- Objectif général : planifier une séance de 55 minutes sur le cycle de l’eau.
- Contraintes :
- Classe hétérogène (niveaux de compréhension variés).
- Nécessité d’intégrer une activité pratique et une évaluation formative rapide.
- Ressources matérielles limitées (projecteur + feuilles A4).
Le but est de montrer comment la structuration Markdown améliore la clarté du prompt et la qualité de la réponse de l’assistant IA.
5.2. Version sans structuration
Prompt brut envoyé à l’assistant :
« Prépare une leçon de 55 minutes sur le cycle de l’eau pour des élèves de 4ᵉ ; il faut que ce soit interactif, différencié, avec une expérience pratique et une évaluation formative rapide, pas trop de matériel à part un projecteur et des feuilles. »
Résultat typique
- Plan vague : ordre des activités flou.
- Manque de différenciation claire.
- Évaluation formative absente ou trop longue.
- Propositions nécessitant parfois du matériel non disponible (maquette 3D, tablettes).
5.3. Version structurée complète
# EduDesignGPT – Assistant pédagogique
## Objectif de la séance
Concevoir une leçon de 55 min sur le cycle de l’eau pour des élèves de 4ᵉ.
### Contraintes de contexte
- Hétérogénéité des niveaux (groupe classe de 28 élèves)
- Ressources disponibles : projecteur + feuilles A4 uniquement
### Étapes pédagogiques souhaitées
1. Accroche (5 min) – vidéo courte sans son, questionnement oral
2. Construction du schéma du cycle de l’eau (activité collaborative, 15 min)
3. Mini‑expérience : condensation sur gobelet en plastique (10 min)
4. Structuration des connaissances (10 min) – prise de notes guidée
5. Quiz formatif flash (Mentimeter ou papier, 5 min)
6. Conclusion et devoir maison (10 min)
### Différenciation attendue
- Fiches “coup de pouce” pour les élèves en difficulté
- Questions bonus pour approfondir l’effet de serre
### Critères de réussite
- 80 % des élèves identifient correctement les trois changements d’état clés
- Participation active observée chez au moins 24 élèves
### Format de sortie (JSON)
```json
{
"accroche": "",
"activite_principale": "",
"experience": "",
"structuration": "",
"quiz_formatif": "",
"conclusion_dm": ""
}
**Améliorations observées**
- **Clarté** : chaque bloc est assigné à un temps précis, évitant les chevauchements.
- **Pertinence** : aucune ressource hors‑contrainte n’est proposée.
- **Différenciation** : le modèle génère automatiquement deux niveaux de support pédagogique (basic / avancé).
- **Évaluation** : le quiz flash est fourni clé en main avec cinq questions à choix multiples.
---