Les 5 éléments fondamentaux de tout prompt

Les 5 éléments fondamentaux de tout prompt sont : Rôle & Contexte, Tâche / Instruction, Entrée & Exemples, Contraintes et Format de sortie. Ces cinq composants constituent la structure minimale qui distingue un prompt fiable et reproductible d'une question vague produisant des résultats incohérents.

Chaque bloc résout un mode d'échec différent. Rôle & Contexte indique au modèle qui il est et dans quelle situation il se trouve. Tâche / Instruction lui dit exactement quoi faire. Entrée & Exemples lui fournissent la matière première et le signal d'apprentissage. Les Contraintes fixent les règles. Le Format de sortie spécifie la forme de la réponse. Ensemble, ils ne laissent au modèle rien à deviner.

Le modèle en cinq blocs reflète le consensus convergent des guides de prompt engineering d'OpenAI, Google, Anthropic et des praticiens indépendants. Rôle, instructions, exemples, contraintes et format de sortie apparaissent — sous différents noms — dans chaque framework majeur publié depuis 2023. Ce n'est pas une coïncidence : c'est l'information minimale dont un modèle probabiliste a besoin pour produire un résultat utile et cohérent.

L'argument économique est simple. L'absence de rôle et de contexte produit des réponses génériques qui nécessitent une réécriture. L'absence de contraintes augmente le risque d'hallucination et les sorties hors de la ligne directrice. L'absence de format de sortie signifie des résultats qui ne peuvent pas être analysés ni copiés-collés directement. Le modèle en 5 blocs traite ces trois modes d'échec à la fois, et s'applique également aux modèles de la classe GPT-4, Claude, Gemini et aux LLM exécutés localement.

Le Rôle indique au modèle quelle persona ou expertise adopter. Le Contexte lui indique la situation, le domaine et le public dans lequel il opère. Ils sont regroupés ensemble parce qu'ils fonctionnent en binôme — le rôle est ce qu'est le modèle, et le contexte est l'environnement qui façonne ce que « bon » signifie pour cette tâche.

Lorsque vous omettez le rôle et le contexte, le modèle répond d'un point de vue générique — utile pour personne en particulier. Avec eux, le même modèle devient un conseiller fiscal senior répondant à une question sur les déclarations de TVA, un rédacteur junior écrivant pour un public de 19 ans, ou un analyste de données résumant un rapport trimestriel. La sortie se calibre sur votre situation réelle.

Pour comprendre comment le role prompting a évolué à mesure que les modèles sont devenus plus capables de suivre des instructions, voir From GPT-2 to Today: How Prompt Engineering Evolved.

Le bloc Tâche / Instruction est l'énoncé explicite de ce que vous voulez que le modèle fasse. C'est le bloc le plus important — tous les autres blocs le soutiennent. Une instruction claire, spécifique et vérifiable réduit l'ambiguïté à presque zéro. Une instruction vague est la principale cause de mauvaises sorties IA sur tous les modèles et cas d'usage.

Les meilleures pratiques actuelles insistent sur le fait de rendre la tâche actionnable et observable : utilisez un verbe, énoncez le livrable, et si possible décrivez un critère de succès. « Écrire un résumé » est une tâche. « Résumer l'article suivant en 3 points, chacun en moins de 20 mots » est une tâche avec une sortie vérifiable. La différence de qualité de sortie est significative.

Les instructions interagissent directement avec le fait de fournir ou non des exemples — voir Zero-Shot vs. Few-Shot: Which Approach Gets Better Results? pour savoir quand chaque approche fonctionne le mieux.

L'Entrée est la donnée réelle, le texte ou le matériel sur lequel le modèle doit travailler. Les Exemples sont des paires entrée/sortie qui illustrent à quoi ressemble une réponse correcte. Ce sont des préoccupations distinctes : l'entrée est la matière première pour la tâche en cours, les exemples sont le signal d'apprentissage qui façonne la façon dont le modèle l'exécute.

Inclure 1 à 3 exemples (few-shot prompting) est la technique la plus fiable pour fixer le format et le ton de la sortie. Quand vous montrez au modèle à quoi ressemble une bonne réponse, il correspond au schéma plutôt que de le déduire de la seule description de la tâche. C'est le plus important pour les formats spécialisés, le ton cohérent et les sorties structurées où la précision est requise.

Pour une analyse complète de quand utiliser des exemples et quand les omettre, voir Zero-Shot vs. Few-Shot: Which Approach Gets Better Results?.

Les Contraintes sont les règles que le modèle doit suivre : ce qu'il doit faire et ce qu'il ne doit pas faire. Elles incluent les limites de longueur, les sujets ou phrases interdits, les sources requises, les règles de voix de marque, les limites de sécurité et les restrictions de format. Les contraintes sont le bloc le plus souvent omis — et leur absence est la principale cause de faits hallucinés, de langage hors de la ligne directrice et de sorties dans le mauvais format.

Ajouter une contrainte bien ciblée est souvent le changement à plus fort levier que vous pouvez apporter à un prompt existant. « Ne pas inventer de statistiques » réduit fortement le risque d'hallucination. « Ne jamais dépasser 100 mots » force la concision. « Utiliser uniquement les informations du texte fourni » ancre la sortie dans le matériel source et élimine entièrement la fabrication pour cette tâche.

Pour la technique d'utilisation des exclusions pour façonner la sortie, voir Negative Prompting: Tell the AI What NOT to Do. Pour comprendre pourquoi les prompts sans contraintes hallucinent davantage, voir AI Hallucinations: Why AI Makes Things Up — and How to Stop Them.

Le Format de sortie spécifie la forme exacte de la réponse que le modèle doit produire. C'est le bloc qui détermine si la sortie est directement utilisable ou nécessite un reformatage avant d'être utile. Pour les pipelines automatisés, un format de sortie non spécifié signifie une analyse fragile et incohérente. Pour le GEO, une sortie structurée est plus susceptible d'être citée textuellement par les moteurs de recherche IA, car les réponses structurées sont plus faciles à extraire par programme.

Le bloc de format de sortie peut spécifier le format de fichier (JSON, Markdown, CSV), la structure (tableau, liste à puces, étapes numérotées), la longueur et l'étiquetage des sections. Plus vous le spécifiez avec précision, moins la sortie nécessite de modifications.

Pour un guide complet du mode JSON et des sorties structurées sur différents modèles, voir Structured Output & JSON Mode: Get AI to Return Usable Data.

Le modèle ci-dessous montre les 5 blocs assemblés dans l'ordre pour une tâche unique neutre par domaine. Chaque partie est étiquetée pour que vous puissiez voir exactement où commence et se termine chaque bloc. Remplacez le contenu de chaque section pour l'adapter à n'importe quel domaine.

Ce modèle fonctionne sur GPT-4o, Claude, Gemini et les LLM locaux via Ollama ou LM Studio. L'ordre des blocs est une recommandation, pas une règle rigide — mais placer Rôle & Contexte en premier et Format de sortie en dernier est l'arrangement le plus courant et le plus fiable sur tous les grands modèles.

Les frameworks de prompt engineering populaires sont des façons d'arranger ces mêmes cinq blocs sous des noms différents et dans des ordres différents. CRAFT, CO-STAR et SPECS correspondent tous directement à ce modèle en cinq blocs. Comprendre les blocs en premier signifie que vous pouvez appliquer n'importe quel framework sans mémoriser sa terminologie spécifique de zéro.

Le tableau ci-dessous montre comment chaque bloc fondamental correspond au champ correspondant dans trois frameworks largement utilisés :

PromptQuorum inclut 9 frameworks intégrés qui pré-remplissent ces blocs dans différentes configurations selon le type de tâche. Pour des guides spécifiques aux frameworks, voir Which Prompt Framework Should You Use?, CRAFT Framework et CO-STAR Framework.