Ce qu'est le framework APE
Le framework APE est un modèle de prompt qui oblige les grands modèles de langage à séparer leur réflexion en analyse, planification et exécution. Au lieu d'une réponse indifférenciée, vous voyez comment le modèle a compris le problème, comment il compte le résoudre, puis le résultat final. Cette structure améliore la fiabilité, car chaque étape est inspectable.
APE est particulièrement utile sur des tâches complexes ou à fort enjeu. En demandant au modèle d'exposer explicitement son cheminement, vous réduisez le risque que des hypothèses cachées ou des raccourcis passent inaperçus. Le même schéma en trois parties fonctionne sur tous les modèles — API cloud comme modèles locaux via Ollama ou LM Studio — ce qui maintient la cohérence des résultats.
Les trois étapes : Analyser, Planifier, Exécuter
Le cœur du framework APE est que chaque prompt demande au modèle d'analyser d'abord le problème, de planifier ensuite la solution, et seulement après d'exécuter la réponse finale. Ces trois étapes reproduisent la façon dont les humains raisonnent et vous offrent des points de contrôle clairs.
Une décomposition typique ressemble à ceci :
- Analyser : reformuler la tâche avec ses propres mots, identifier les contraintes clés et signaler les informations manquantes.
- Planifier : proposer une approche courte, étape par étape, qui sera suivie pour résoudre la tâche.
- Exécuter : produire la réponse finale en suivant le plan, avec la structure et la mise en forme demandées.
Quand utiliser le framework APE
Utilisez le framework APE lorsque votre tâche est suffisamment complexe pour que le raisonnement du modèle vous importe autant que son résultat final. Cela inclut l'analyse technique, la recherche en plusieurs étapes, la rédaction stratégique et toute situation où les erreurs coûtent cher.
Cas d'usage typiques :
- Décomposer une exigence produit en user stories et critères d'acceptation.
- Concevoir une stratégie de contenu à partir de notes brutes et d'informations marché.
- Relire et refactoriser du code en expliquant les arbitrages et les risques.
- Planifier et rédiger des rapports longs où la structure compte autant que la formulation.
⚠️ Attention
APE consomme des tokens supplémentaires : les étapes Analyser et Planifier produisent des tokens de sortie avant l'exécution finale. Pour des tâches de production à fort volume où seul le résultat final vous intéresse et où vous n'inspectez pas le raisonnement, préférez un prompt simple en une étape afin de réduire coût et latence.
Comment rédiger un prompt APE
Un prompt APE efficace nomme explicitement les trois étapes et précise ce que vous attendez de chacune : notes d'analyse, plan étape par étape et résultat final. Vous pouvez le formuler de façon compacte, si bien que cela reste un prompt unique.
Le schéma générique est le suivant :
« Vous êtes rôle. Analysez d'abord la tâche en listant les objectifs clés, les contraintes et les informations manquantes. Planifiez ensuite votre approche en 3 à 5 puces. Exécutez enfin en produisant format de sortie souhaité, en suivant strictement votre plan. »
Vous pouvez ensuite enrichir ce schéma de base avec des détails métier : audience, ton, structure de fichiers ou exigences de citation. Une fois défini, le même prompt APE se réutilise sur de nombreuses tâches — seuls l'objectif et le contexte changent.
🔍 Astuce
Lisez l'analyse et le plan AVANT de regarder le résultat de l'exécution. Si l'analyse a manqué une contrainte ou si le plan contient une étape erronée, demandez au modèle de corriger : c'est plus rapide et moins coûteux que de régénérer la réponse entière.
Exemple : mauvais prompt vs bon prompt APE
La différence entre un prompt non structuré et un prompt APE saute aux yeux lorsqu'on les compare sur la même tâche. Voici un exemple simple pour un e-mail de lancement produit.
Mauvais prompt
« Rédigez un e-mail annonçant notre nouveau tableau de bord analytique. »
Bon prompt
« Vous êtes responsable marketing produit SaaS. Objectif : créer un e-mail d'annonce pour notre nouveau tableau de bord analytique, destiné aux clients existants. Structure APE : 1) Analyser : listez brièvement l'audience cible, ses principaux points de friction et les bénéfices clés qu'apporte ce tableau de bord. 2) Planifier : décrivez la structure de l'e-mail en 3 à 5 puces (accroche, bénéfices clés, appel à l'action, etc.). 3) Exécuter : rédigez l'e-mail final (220 mots maximum) sur un ton clair et professionnel. Incluez un objet, un texte de prévisualisation et un corps de message. »
Avec le framework APE, le modèle expose sa compréhension du problème et son plan avant de rédiger l'e-mail, ce qui permet de repérer tôt tout écart avec votre intention.
Comment PromptQuorum implémente le framework APE
PromptQuorum est un outil de dispatch IA multi-modèles qui intègre le framework APE parmi ses structures de prompt natives : vous appliquez Analyser–Planifier–Exécuter en un clic. Lorsque vous choisissez l'option APE, l'application enveloppe automatiquement votre objectif et votre contexte dans la structure en trois étapes.
Au sein de PromptQuorum, le framework APE :
- Fournit des sections nommées pour les attentes d'analyse, de planification et d'exécution, pour ne pas avoir à mémoriser le schéma à chaque fois.
- Envoie le même prompt structuré en APE à plusieurs modèles en parallèle, ce qui permet de comparer facilement leurs réponses à chaque étape.
- Peut être enregistré comme modèle pour des flux récurrents : revues de code, notes stratégiques ou briefs de recherche.
APE ou un autre framework ?
Choisissez le framework APE plutôt qu'un autre lorsque vous voulez des étapes de raisonnement explicites sans multiplier les paramètres ni les sections. APE est volontairement compact : trois étapes suffisent souvent à gagner en clarté sans submerger l'utilisateur.
En pratique :
- Choisissez APE pour des tâches complexes mais autonomes, où le raisonnement compte.
- Choisissez un framework de type une étape quand vous connaissez déjà le format de sortie exact et n'avez besoin que d'une instruction bien spécifiée.
- Choisissez des frameworks plus détaillés (nombreuses sections et paramètres) uniquement si des standards internes stricts doivent être encodés dans le prompt.
Framework | Étapes/Sections | Idéal pour | Raisonnement visible ? |
|---|---|---|---|
| APE | 3 (Analyser, Planifier, Exécuter) | Tâches complexes au raisonnement inspectable | Oui — étapes explicites |
| Une étape | 1 (une instruction) | Tâches simples et bien définies | Non |
| CRAFT | 5 (Context, Role, Action, Format, Target) | Définition de contexte exhaustive | Optionnel |
| CO-STAR | 6 (Context, Objective, Style, Tone, Audience, Response) | Marketing et communication | Non |
| SPECS | 5 (Situation, Problem, Examples, Constraints, Style) | Résolution de problèmes avec exemples | Optionnel |
| Chain-of-Thought | 1 (avec « réfléchis étape par étape ») | Mathématiques, logique, raisonnement en une passe | Oui — mais non structuré |
🔍 Le saviez-vous ?
La structure en trois étapes d'APE reproduit la façon dont les experts humains abordent un problème complexe : comprendre le problème (Analyser), concevoir l'approche (Planifier), puis produire le livrable (Exécuter). Les recherches en sciences cognitives montrent que cette séparation réduit les erreurs, chez l'humain comme dans le raisonnement des IA.
APE désigne aussi : Automatic Prompt Engineering (concept différent)
À noter : « APE » désigne également l'Automatic Prompt Engineering — une technique distincte du framework Analyser-Planifier-Exécuter décrit ci-dessus. L'Automatic Prompt Engineering (Zhou et al., 2022) utilise l'IA pour générer et noter automatiquement des variantes de prompt, afin de trouver les meilleures formulations sans essais manuels. Voici comment cela fonctionne :
- 1Définissez votre tâche, votre métrique de succès et quelques exemples de départ. Exemple : tâche = « classifier le sentiment des retours clients ». Métrique = « exactitude sur 20 exemples annotés ». Exemples de départ = 3 messages clients variés avec le bon label de sentiment.
- 2Générez automatiquement des variantes de prompt avec un outil APE ou ChatGPT. Fournissez votre tâche et vos exemples, puis demandez : « Génère 5 variantes de prompt susceptibles de résoudre cette tâche. Fais varier le style d'instruction, les exemples et les contraintes. » Évaluez chaque variante sur votre jeu de test.
- 3Notez chaque variante selon votre métrique de succès. Exécutez toutes les variantes sur vos exemples réservés. Relevez exactitude, vitesse et coût. L'objectif d'APE est de trouver le meilleur prompt sans essais manuels.
- 4Itérez : retenez les 2 meilleures variantes et demandez à l'optimiseur d'en générer des mutations. Si la variante 3 atteint 85 % d'exactitude et la variante 5, 82 %, demandez « génère des variantes proches de la variante 3 mais avec ajustement précis ». Affinez par itérations.
- 5Une fois un prompt solide obtenu, testez-le sur des données fraîches pour confirmer sa généralisation. Votre prompt optimisé a bien performé sur le jeu de test : vérifiez maintenant qu'il fonctionne sur des exemples nouveaux et inédits. Si les performances chutent, vous avez peut-être surajusté au jeu de test.
Questions fréquentes
Que signifie APE ?
APE signifie Analyser, Planifier, Exécuter. C'est un framework de prompt en trois étapes qui divise le raisonnement complexe en trois phases explicites : la compréhension du problème, la planification d'une approche et l'exécution de la solution.
En quoi APE diffère-t-il du fait de simplement demander une réponse à un modèle ?
Avec APE, vous avez une visibilité sur le processus de réflexion du modèle. Au lieu d'une seule réponse, vous voyez comment le modèle a compris votre tâche, quel plan il a choisi et quel est le résultat final. Les erreurs sont ainsi plus faciles à repérer et les résultats plus fiables.
Quand devrais-je utiliser APE plutôt que la méthode du prompt en une étape ?
Utilisez APE quand le raisonnement est critique pour votre tâche : analyse technique, revues de code, développement de stratégie, ou situations où les erreurs coûtent cher. Utilisez le prompt en une étape quand votre objectif est clair dès le départ et que vous cherchez surtout de la rapidité d'exécution.
Puis-je utiliser APE avec des modèles locaux comme Ollama ou LM Studio ?
Oui. APE fonctionne avec n'importe quel modèle — modèles de pointe d'OpenAI, Anthropic et Google, ou modèles locaux via Ollama et LM Studio. La même structure en trois étapes s'applique sur toutes les plateformes.
Quelle longueur doit avoir un prompt APE ?
Les prompts APE peuvent être compacts. Un seul paragraphe qui mentionne Analyser, Planifier et Exécuter et précise ce que vous attendez à chaque étape suffit. Le framework porte sur la structure, pas sur la longueur.
Puis-je enregistrer les prompts APE comme modèles dans PromptQuorum ?
Oui. Une fois que vous avez créé un prompt structuré en APE qui fonctionne bien pour un flux de travail donné (revues de code, résumés clients, etc.), vous pouvez l'enregistrer comme modèle dans PromptQuorum et le partager avec votre équipe.
Et si ma tâche est trop simple pour APE ?
Si votre tâche est directe et ne nécessite pas de raisonnement visible, la méthode du prompt en une étape suffit probablement. APE ajoute de la lourdeur — sa valeur vient de la possibilité d'inspecter et d'affiner le raisonnement du modèle.
Comment savoir si un prompt APE fonctionne bien ?
Exécutez votre prompt APE sur 3 à 5 exemples représentatifs et vérifiez : (1) L'analyse capture-t-elle l'enjeu principal ? (2) Le plan est-il raisonnable et réalisable ? (3) L'exécution suit-elle le plan ? Si une étape est faible, affinez le prompt et testez à nouveau.
Quelle est la différence entre APE (Analyser-Planifier-Exécuter) et APE (Automatic Prompt Engineering) ?
Ils partagent un acronyme mais ce sont des techniques complètement différentes. APE (Analyser-Planifier-Exécuter) est une structure de prompt manuelle que vous rédigez vous-même. APE (Automatic Prompt Engineering, Zhou et al. 2022) est une technique où l'IA génère et note automatiquement des variantes de prompt pour trouver la formulation optimale. Cet article couvre les deux — le framework principal est Analyser-Planifier-Exécuter ; l'optimisation automatique est traitée dans la dernière section.
À lire aussi
- Chain-of-Thought Prompting — la technique de raisonnement qu'APE formalise en trois étapes
- Quel framework de prompt utiliser ? — APE face à CRAFT, CO-STAR et SPECS
- La méthode du prompt en une étape — quand vous n'avez PAS besoin des trois étapes d'APE
- 5 briques indispensables à tout prompt — les briques universelles qu'APE organise en étapes
- Persona Prompting — à combiner avec la définition de rôle d'APE pour des analyses métier
- Chaînage de prompts — pour les tâches trop complexes pour un seul prompt APE, enchaînez plusieurs étapes APE
Sources
- White et al. (2023). « A Prompt Pattern Catalog to Enhance Prompt Engineering with ChatGPT. » arXiv:2302.11382 — taxonomie des patrons de prompt, dont les patrons de raisonnement structuré
- Zhou et al. (2022). « Large Language Models Are Human-Level Prompt Engineers. » arXiv:2211.01910 — l'article fondateur sur l'Automatic Prompt Engineering (APE)
- Anthropic. « Prompt Engineering Guide. » docs.anthropic.com — bonnes pratiques de prompting structuré
- OpenAI. « Prompt Engineering Guide. » platform.openai.com — raisonnement étape par étape et sortie structurée