Prompt Engineering : Guide Complet pour Maîtriser l’Art du Prompt 🤖

Techniques, exemples concrets et stratégies avancées pour ChatGPT, Claude et Gemini en 2026

Un bon prompt peut transformer un résultat médiocre en résultat exceptionnel — avec le même modèle IA, au même prix. Le prompt engineering est la discipline qui consiste à formuler des instructions précises pour obtenir exactement ce que vous voulez d’un modèle de langage (LLM). Ce n’est pas de la « magie » — c’est un ensemble de techniques reproductibles qui s’apprennent et se maîtrisent.

En 2026, les modèles sont devenus extrêmement capables (Claude Opus 4.5, GPT-5, Gemini 3 Pro), mais la qualité du prompt reste le facteur déterminant entre un résultat de stagiaire et un résultat d’expert. Ce guide couvre toutes les techniques, du débutant à l’avancé, avec des exemples concrets que vous pouvez copier et adapter immédiatement.

---

Les 5 principes fondamentaux

Avant toute technique avancée, ces principes de base transforment immédiatement la qualité de vos résultats :

Principe	Mauvais prompt	Bon prompt
1. Soyez spécifique	« Écris un email »	« Écris un email de relance à un client B2B qui n’a pas répondu à notre devis depuis 5 jours. Ton professionnel mais pas agressif. 150 mots max. »
2. Définissez le format	« Liste les avantages de Python »	« Liste les 5 principaux avantages de Python pour un développeur débutant, avec un exemple concret pour chacun. Format : tableau avec colonnes Avantage | Exemple. »
3. Donnez le contexte	« Corrige ce code »	« Corrige ce code Python 3.12 qui plante à la ligne 23 avec une TypeError. C’est un script FastAPI qui gère des webhooks Stripe. [code] »
4. Précisez le public	« Explique le machine learning »	« Explique le machine learning à un étudiant en L1 informatique qui connaît Python mais pas les mathématiques avancées. »
5. Donnez des exemples	« Reformule ce texte »	« Reformule ce texte dans le style suivant. Exemple de style voulu : [exemple]. Texte à reformuler : [texte]. »

---

Techniques de prompting : du zero-shot au chain-of-thought

Technique	Principe	Quand l’utiliser
Zero-shot	Donner une instruction directe sans exemple	Tâches simples et non ambiguës : traduction, résumé, classification simple
Few-shot	Fournir 2-5 exemples input/output avant la tâche	Tâches avec un format spécifique, ton particulier, ou classification custom
Chain-of-Thought (CoT)	Demander au modèle de raisonner étape par étape	Raisonnement logique, maths, débogage, analyse complexe
Self-consistency	Générer plusieurs réponses CoT et prendre la majorité	Décisions critiques où la fiabilité prime sur la vitesse
Tree-of-Thought	Explorer plusieurs branches de raisonnement, évaluer, choisir	Problèmes ouverts avec plusieurs solutions possibles (stratégie, créativité)
ReAct (Reason + Act)	Alterner raisonnement et actions (recherche, calcul, code)	Tâches agentiques avec outils (recherche web, exécution de code, APIs)

Few-shot en pratique

Le few-shot est la technique la plus sous-utilisée et la plus puissante pour les tâches répétitives. Au lieu d’expliquer ce que vous voulez avec des mots, montrez-le avec des exemples :

Prompt : « Classifie chaque avis client comme Positif, Négatif, ou Neutre. Exemples : ‘Super produit, livraison rapide !’ → Positif | ‘Bof, rien de spécial’ → Neutre | ‘Cassé à la livraison, service client absent’ → Négatif. Maintenant classifie : ‘Bon rapport qualité/prix mais emballage un peu cheap' »

Le modèle comprend le format, le niveau de granularité attendu, et le style de classification — sans que vous ayez à les décrire verbalement.

Chain-of-Thought en pratique

Ajoutez simplement « Raisonne étape par étape avant de donner ta réponse finale » à la fin de votre prompt. Cela améliore significativement les performances sur les tâches de raisonnement logique, mathématique, et d’analyse.

Sans CoT : « Est-ce que 17 est premier ? » → Le modèle peut répondre correctement ou non.

Avec CoT : « Est-ce que 17 est premier ? Raisonne étape par étape. » → Le modèle vérifie la divisibilité par 2, 3, 5, 7… et conclut correctement.

---

Structurer un prompt complexe

Pour les tâches complexes (rédaction longue, analyse multi-critères, code avec contraintes), structurez votre prompt en sections distinctes. L’ordre optimal :

1. Contexte / Rôle — Qui est le modèle, dans quelle situation ?
2. Tâche — Que doit-il faire exactement ?
3. Contraintes — Limites, format, longueur, ton, interdictions
4. Exemples — Input/output attendus (few-shot)
5. Input — Les données à traiter

Exemple structuré :

« Tu es un rédacteur SEO expert en français. Ta tâche : rédiger une meta description pour la page suivante. Contraintes : 155 caractères max, inclure le mot-clé principal, donner envie de cliquer, ne pas commencer par ‘Découvrez’. Exemple : pour une page sur le théorème de Pythagore, une bonne meta description serait ‘Théorème de Pythagore : formule, démonstration et exercices corrigés. Cours complet pour le brevet avec exemples concrets.’ Page à traiter : [titre et résumé de la page]. »

---

System prompts et attribution de rôles

Le system prompt (message système) définit le comportement global du modèle avant toute interaction utilisateur. C’est le « briefing » que vous donnez à l’IA avant qu’elle commence à travailler. Tous les modèles majeurs (Claude, GPT, Gemini) supportent les system prompts via leur API.

Pourquoi c’est puissant : le system prompt a plus de « poids » qu’une instruction dans le message utilisateur. Le modèle le considère comme une directive permanente plutôt qu’une requête ponctuelle.

Exemples de system prompts efficaces :

• Assistant code : « Tu es un développeur senior Python/TypeScript. Tu écris du code propre, typé, avec des docstrings. Tu expliques tes choix architecturaux. Tu utilises les best practices 2026 (Pydantic v2, FastAPI, async/await). Quand tu détectes une erreur, corrige-la ET explique pourquoi c’était une erreur. »
• Rédacteur SEO : « Tu es un expert SEO français. Tu rédiges du contenu optimisé pour le référencement naturel : H1/H2/H3 sémantiques, mot-clé dans le premier paragraphe, phrases courtes, maillage interne. Ton style est direct, informatif, pas commercial. »
• Tuteur pédagogique : « Tu es un professeur patient qui enseigne à un élève de 3e. Tu utilises des analogies simples, des exemples du quotidien, et tu vérifies la compréhension avant de passer au concept suivant. Tu ne donnes jamais la réponse directement — tu guides l’élève vers la solution. »

---

XML tags et formatage avancé

Les modèles modernes, en particulier Claude, sont excellents pour comprendre la structure via des balises XML. Les XML tags permettent de séparer clairement les différentes parties de votre prompt — surtout quand il contient des données brutes (texte à analyser, code, données CSV) qui pourraient être confondues avec des instructions.

Exemple avec XML tags :

« Analyse le document suivant et produis un résumé exécutif de 3 paragraphes.

<document>[contenu du document ici]</document>

<instructions>Le résumé doit couvrir : 1) le problème identifié, 2) la solution proposée, 3) les chiffres clés. Ton : professionnel, factuel.</instructions>

<format>3 paragraphes, 200 mots max au total</format> »

Les balises courantes : <context>, <instructions>, <examples>, <input>, <output_format>, <constraints>. Le nom exact importe peu — c’est la séparation structurelle qui aide le modèle à comprendre quelle partie est quoi.

---

Exemples concrets par cas d’usage

Code : débogage

« Ce code Python plante avec l’erreur suivante : [erreur]. Voici le code : [code]. 1) Explique pourquoi cette erreur se produit. 2) Propose une correction. 3) Indique si d’autres bugs potentiels existent dans ce code. »

Rédaction : article de blog

« Rédige un article de 800 mots sur [sujet]. Public : [profil]. Structure : intro accrocheuse (pas de question rhétorique), 3-4 sections avec H2, conclusion actionnable. Ton : informatif mais accessible. Inclure des données chiffrées quand possible. »

Analyse : données CSV

« Voici un CSV de ventes mensuelles : [données]. Identifie : 1) les 3 mois les plus performants, 2) la tendance générale (croissance, décroissance, stagnation), 3) les anomalies éventuelles. Présente tes résultats dans un tableau récapitulatif. »

Traduction : nuancée

« Traduis ce texte de l’anglais vers le français. Le contexte est un document juridique — utilise le vocabulaire juridique français approprié. Quand un terme a plusieurs traductions possibles, choisis la plus formelle et indique les alternatives entre parenthèses. »

Creative : brainstorming

« Génère 10 noms de produit pour une app de méditation destinée aux 25-35 ans urbains. Critères : court (2-3 syllabes max), prononçable en français et en anglais, pas de nom déjà pris par une app existante. Pour chaque nom, explique en une phrase le feeling qu’il évoque. »

---

Les 7 erreurs les plus fréquentes

1. Prompt trop vague. « Écris quelque chose sur le marketing » → le modèle ne sait pas quoi écrire, pour qui, dans quel format, quelle longueur. Résultat générique garanti. Spécifiez tout ce qui vous importe
2. Instructions contradictoires. « Sois concis mais détaillé » ou « Ton formel mais décontracté » — le modèle ne peut pas satisfaire deux directives opposées. Choisissez une direction claire
3. Contexte manquant. Demander de corriger du code sans donner le message d’erreur, le langage, ou le framework. Plus le modèle a de contexte, meilleure est la réponse
4. Pas d’exemples. Expliquer le format voulu en mots au lieu de le montrer avec un few-shot. Un exemple vaut mieux que 5 phrases d’explication
5. Confondre longueur et qualité. Un prompt de 3 000 mots n’est pas forcément meilleur qu’un prompt de 200 mots bien structuré. La clarté prime sur la quantité
6. Ne pas itérer. Envoyer un prompt, obtenir un résultat moyen, et abandonner. Le prompt engineering est itératif — ajustez, affinez, précisez après chaque réponse
7. Ignorer le temperature. Pour du code ou du factuel, une temperature basse (0-0.3) donne des résultats plus fiables. Pour du créatif, une temperature plus haute (0.7-1.0) produit plus de variété. Via l’API, ce paramètre change fondamentalement le comportement du modèle

---

Différences entre modèles : adapter ses prompts

Modèle	Force principale	Tips de prompting
Claude (Anthropic)	Suivi d’instructions, XML tags, documents longs, code	Utiliser des XML tags pour structurer. Claude excelle quand le prompt est bien organisé. Contexte window très large (200K tokens)
GPT-5 (OpenAI)	Raisonnement, génération créative, outils/plugins	Fonctionne bien avec des instructions en langage naturel. System prompts très efficaces. Bon avec le JSON structuré
Gemini 3 Pro (Google)	Contexte massif (1M tokens), multimodal, grounding web	Idéal pour l’analyse de documents très longs. Peut chercher sur le web. La fenêtre de contexte massive permet d’inclure des codebases entières

---

Outils et ressources pour progresser

Playgrounds pour expérimenter : le playground Claude (console.anthropic.com), le playground OpenAI, et Google AI Studio permettent de tester des prompts avec différents paramètres (température, max tokens, system prompt) sans coder.

Prompt libraries : des collections de prompts testés et optimisés existent pour chaque cas d’usage. La documentation officielle d’Anthropic (docs.anthropic.com) contient un guide de prompt engineering excellent et mis à jour régulièrement.

Outils d’évaluation : pour les usages en production, des frameworks comme PromptFoo, LangSmith, et Braintrust permettent de tester systématiquement des variations de prompts sur des jeux de données et de mesurer la qualité des réponses de manière reproductible.

Combinaison avec des agents IA : en 2026, le prompt engineering ne se limite plus aux chats — les agents comme Claude Code, Cursor, et les workflows n8n utilisent des prompts en coulisses. Comprendre le prompt engineering vous rend plus efficace avec tous ces outils.

---

Questions fréquentes

---

♟️ Voir aussi : Guide Claude Code | Cursor IDE | GitHub Copilot | Cours API REST | Cours Python

↩️ Revenir à toutes nos fiches programmation