Ce glossaire couvre plus de 100 des termes les plus importants en ingénierie de prompt, depuis les concepts fondamentaux jusqu'aux patterns multi-agents 2026. Chaque entrée propose une définition pratique rigoureuse et des références primaires pour approfondir.
Les termes sont organisés en six catégories : Concepts fondamentaux, Agents & Orchestration, Sécurité & Alignement, Évaluation & Testing, Techniques avancées et Métriques & Production. Utilisez les tables comme référence rapide ou explorez les articles dédiés du PromptQuorum Hub pour les implémentations en production.
Avantages clés
- Pour les entreprises françaises : explications adaptées aux contextes réglementaires français (conformité DSGVO, cadre IA EU), avec des cas d'usage pour Capgemini, Thales, LVMH, Orange et collectivités
- Pour les équipes Canada/Belgique : définitions et notes contextualisées pour organisations francophones nord-américaines et européennes
- Pour la recherche académique : couvre les fondamentaux (Chain-of-Thought, RAG) et les avancées 2026 (multi-agent, GraphRAG, orchestration distribuée)
Concepts fondamentaux de Prompting
Agents & Orchestration
Sécurité & Alignement
Évaluation & Testing
Techniques avancées
Métriques & Production
Questions fréquemment posées
Qu'est-ce que l'ingénierie de prompt en termes simples?
L'ingénierie de prompt est la discipline consistant à concevoir et itérer les prompts pour que les modèles de langage produisent des résultats utiles, prévisibles et sûrs. Elle implique de structurer les instructions, d'ajouter du contexte et de choisir des techniques comme Few-Shot ou Chain-of-Thought pour améliorer la fiabilité et la qualité.
Quelle est la différence entre prompting Zero-Shot et Few-Shot?
Le prompting Zero-Shot invoque le modèle à accomplir une tâche uniquement avec des instructions, sans exemples — mieux pour les tâches générales où l'entraînement antérieur du modèle couvre déjà le motif. Le prompting Few-Shot inclut un petit nombre d'exemples d'entrée/sortie dans le prompt pour que le modèle puisse déduire le motif, le format ou le style souhaité avant de traiter la requête réelle. Few-Shot produit généralement une qualité plus élevée pour les tâches complexes ou inhabituelles.
Que signifie RAG en IA?
RAG signifie Retrieval-Augmented Generation. C'est une architecture dans laquelle les documents pertinents sont récupérés d'une base de connaissances et injectés dans le prompt pour que le modèle réponde en fonction de données actuelles et fondées plutôt que de s'appuyer uniquement sur les données d'entraînement. Cela réduit les hallucinations et garantit que les réponses sont basées sur des informations réelles et actuelles.
Quelle est la différence entre l'ingénierie de prompt et le fine-tuning?
L'ingénierie de prompt est la discipline consistant à concevoir et itérer les prompts pour diriger les résultats du modèle sans modifier le modèle lui-même. Le fine-tuning, en revanche, modifie les poids du modèle en entraînant sur des données spécifiques à la tâche. L'ingénierie de prompt est plus rapide, moins chère et plus facile à itérer, tandis que le fine-tuning peut obtenir de meilleurs résultats sur des tâches spécialisées mais nécessite plus de données et de ressources de calcul.
Qu'est-ce qu'une fenêtre de contexte en IA?
Une fenêtre de contexte est le nombre maximum de tokens que le modèle peut considérer simultanément, y compris le prompt système, l'historique de conversation et les documents récupérés. Lorsque les limites de contexte sont dépassées, les parties antérieures ou intermédiaires du contexte sont tronquées ou ignorées. Comprendre la taille de la fenêtre de contexte est crucial pour gérer les coûts et latences, car les contextes plus longs sont plus chers et plus lents à traiter.
Comment l'ingénierie de prompt s'applique-t-elle aux contextes réglementaires français (DSGVO, AI Act)?
En France et Europe, l'ingénierie de prompt doit respecter la DSGVO pour la gestion des données personnelles et le cadre AI Act pour les systèmes à risque. Cela signifie : éviter d'injecter données sensibles sans consentement (RAG sécurisé), documenter les prompts système pour auditabilité, tester les biais (un défi particulier pour les modèles multilingues), et maintenir des logs détaillés des décisions assistées par IA. Les organisations françaises comme Orange, Capgemini et Thales structurent leurs prompts pour assurer traçabilité et conformité.
Quels modèles souverains ou alternatifs fonctionnent bien avec l'ingénierie de prompt en français?
Plusieurs alternatives aux modèles américains offrent une meilleure conformité et souveraineté : Mistral Small/Medium (France, optimisé pour français), Llama 4 Scout via Ollama (auto-hébergement), et Claude via API (Anthropic respecte DSGVO). Pour les organisations privilégiant la souveraineté, des modèles quantifiés (4-bit QLoRA) permettent auto-hébergement sur GPU standard. L'ingénierie de prompt reste identique : structure, contexte, examples — seul change le modèle cible.
Comment former une équipe française à l'ingénierie de prompt efficacement?
L'ingénierie de prompt se maîtrise par la pratique itérative, pas par théorie seule. Commencez par : (1) conceptualisez (rôle, tâche, format), (2) écrivez un prompt initial, (3) testez sur plusieurs modèles (GPT-5.6, Claude, Mistral), (4) analysez les erreurs, (5) raffiniz par Few-Shot ou Chain-of-Thought. Les équipes françaises bénéficient d'une formation axée sur des cas d'usage réels (génération juridique, support client multilingue, analyse de données publiques) plutôt que de tutoriels abstraits.