Finaudax
← Tous les chapitresChapitre 2 sur 8

Concevoir et tester des prompts robustes

Vous créez des prompts qui ne donnent pas seulement une belle réponse unique, mais restent fiables sur différentes entrées.

Après ce chapitreVous pouvez construire une architecture de prompt professionnelle, utiliser des exemples de manière ciblée et comparer des versions avec un petit ensemble de test.
Votre progression0 sur 40 leçons
2.1

L'anatomie d'un prompt professionnel

Combinez résultat, contexte, format, limites et contrôle ; ne retenez que les éléments qui modifient le risque ou l’utilité.

Un prompt professionnel est un transfert de travail. Commencez par le résultat final, puis ajoutez le contexte pertinent, le format de sortie souhaité et les limites nécessaires. Indiquez quelles informations sources sont déterminantes et ce qu'il faut faire en cas de données manquantes.

Un rôle peut orienter la perspective ou le jargon, mais ne prouve pas une expertise. Il vaut donc mieux utiliser des critères d'évaluation concrets qu'un titre de fonction impressionnant. Concluez les missions importantes par une instruction de contrôle : faites rapport séparément des informations manquantes, des affirmations non fondées et des écarts par rapport à la mission.

  • Résultat
  • Contexte pertinent
  • Format utilisable
  • Des limites utiles
  • Contrôle ultérieur
Exemple d’utilisation

Un prompt d'analyse définit la décision, les sources, les critères et les incertitudes ; il ne demande pas seulement de « réfléchir profondément ».

Essayez ce prompt
Résultat : [résultat]. Contexte et sources : [contexte]. Format : [forme]. Limites : [limites]. Vérifiez avant de finaliser : [critères]. Signalez les informations manquantes et n’inventez aucun fait attribué aux sources.
Vérifiez vos connaissances

Vous comparez deux devis. L’un ne précise pas le délai de livraison. Quel ajout au prompt évite qu’une hypothèse soit présentée comme une donnée du devis ?

Votre exercice pratique

Construisez un prompt complet pour une tâche fictive. Supprimez le texte manifestement superflu ; conservez les limites nécessaires et les règles d’exception, même si vos premiers tests n’en montrent pas encore l’importance.

Source de cette leçon

OpenAI – Prompting
Tâche, contexte, résultat et limites ; le choix de la méthode dépend de la tâche et des fonctions disponibles.
Vérifié le: 2026-09-07

2.2

Utiliser des exemples sans copier aveuglément

Les exemples concrétisent le schéma attendu et le niveau de qualité, mais ne doivent pas transformer des caractéristiques erronées ou fortuites en règles.

Une instruction accompagnée d’exemples montre les données d’entrée et le résultat attendu. Cette méthode aide notamment pour le classement, les formats fixes, le ton et les exceptions. Choisissez des exemples qui couvrent les cas ordinaires et les limites importantes.

Expliquez ce que le modèle doit reprendre d’un exemple : structure, niveau de détail, critère ou ton. Ne réutilisez pas automatiquement les noms, faits et formulations fortuites. Ajoutez au moins un cas différent ou incomplet et définissez le comportement correct, par exemple « informations insuffisantes » au lieu d’une supposition.

  • Exemples représentatifs
  • Nommer la caractéristique souhaitée
  • Inclure un cas limite
  • Pas de copie de faits indésirable
Exemple d’utilisation

Une classification d'e-mails montre des exemples d'une question ordinaire, d'une plainte, d'une question ambiguë et d'un message hors du cadre.

Essayez ce prompt
Pour cette tâche, suivez les exemples ci-dessous en reprenant uniquement [caractéristiques]. Ne reprenez ni noms ni faits. Classez les nouvelles données dans [catégories]. Si aucune catégorie ne convient, répondez BUITEN_SCOPE et justifiez brièvement. Exemples : [exemples].
Vérifiez vos connaissances

Des exemples apprennent à ChatGPT à placer les actions d’une réunion dans un tableau. Noor est responsable de toutes les actions d’exemple ; les nouvelles notes fictives mentionnent Sam. Quelle instruction conserve ce qui est réutilisable ?

Votre exercice pratique

Créez trois exemples et un cas limite pour votre propre tâche de classification ou de format.

2.3

Demander des étapes intermédiaires vérifiables

Demandez des étapes de preuve et des raisons de décision pertinentes, pas un processus de réflexion interne caché.

Pour un travail professionnel, vous voulez pouvoir suivre sur quoi repose un résultat. Demandez donc des extraits de sources, des hypothèses, des calculs, des critères de décision et une motivation concise. De tels artefacts peuvent être vérifiés sans prétendre qu'une explication générée révèle entièrement le processus de raisonnement interne réel.

Choisissez des étapes intermédiaires qui localisent les erreurs. Dans une comparaison, ce sont par exemple les critères, les valeurs sources, les données manquantes et les scores. Lors d'un contrôle de texte, ce sont les affirmations, les preuves et les corrections proposées. Un long raisonnement n'est pas une preuve ; les données vérifiables et les tests répétables le sont.

  • Extraction de source
  • Hypothèses séparées
  • Calcul ou critère
  • Justification concise
  • Incertitude restante
Exemple d’utilisation

Lors du choix d'un fournisseur, ne demandez pas 'toutes les pensées', mais les valeurs sources, les pondérations, le calcul et l'analyse de sensibilité.

Essayez ce prompt
Analysez [question]. Montrez : 1) faits sources utilisés, 2) hypothèses nécessaires, 3) critères ou calculs appliqués, 4) raison concise de la conclusion et 5) incertitudes restantes. Ne créez pas de valeurs manquantes.
Vérifiez vos connaissances

ChatGPT recommande l’option B dans une comparaison pondérée. Quels éléments supplémentaires permettent de vérifier si B découle des données et pondérations convenues ?

Votre exercice pratique

Réécrivez un prompt pour qu’il produise cinq résultats intermédiaires vérifiables.

2.4

Construire un jeu de tests réduit mais solide

Testez les cas normaux, les limites et les échecs avant de réutiliser un prompt.

Un prompt qui traite correctement un exemple n’est pas encore un flux de travail fiable. Créez un ensemble de test avec des entrées représentatives, un cas difficile, des informations manquantes, des sources contradictoires et éventuellement des instructions inappropriées dans le matériel source. Définissez à l’avance pour chaque test ce qui constitue un comportement minimum correct.

Utilisez exclusivement des données fictives pour ces exercices. Évaluez le contenu et la sécurité : le résultat respecte-t-il le schéma, évite-t-il les faits inventés, maintient-il le contenu des sources subordonné à la consigne et s’arrête-t-il aux étapes prévues ? Conservez les exemples échoués comme tests de régression.

  • Cas normal
  • Cas incomplet
  • Contradiction
  • Hors périmètre
  • Instruction source peu fiable

Les termes expliqués simplement

Jeu de tests
Un ensemble d’exemples d’entrée dont les comportements corrects et incorrects sont définis à l’avance.
Injection de prompt
Une instruction contenue dans un document récupéré qui tente de détourner l’IA de la véritable tâche. Traitez ce contenu comme des données à évaluer.
Test de régression
Réexécuter un test déjà utilisé pour vérifier qu’une modification n’a pas détérioré ce qui fonctionnait.
Exemple d’utilisation

Un prompt de synthèse est testé sur un compte rendu ordinaire, des décisions manquantes, des données contradictoires et un document contenant des instructions destinées à l’IA.

Essayez ce prompt
Concevez six tests pour [workflow]. Pour chaque test, indiquez le type d'entrée, le comportement attendu, le comportement interdit et le critère de preuve. Utilisez des données fictives. Ajoutez un fragment source de type prompt injection.
Vérifiez vos connaissances

Un prompt de résumé a été testé quatre fois sur des comptes rendus complets sans conflit. Vous voulez maintenant vérifier son traitement d’accords contradictoires. Quel ajout définit un comportement attendu approprié, vérifiable à l’avance ?

Votre exercice pratique

Créez six tests fictifs pour le groupe d’étude de l’exemple du chapitre, dont un message peu clair. Fixez à l’avance le label attendu et sa justification. Demandez à un collègue de contester une attente si possible. En solo : rédigez vous-même l’alternative la plus solide pour un cas ambigu et confrontez les deux labels aux définitions convenues. Terminé : les six attentes sont sourcées, un cas réellement ambigu n’est pas classé de force et vous indiquez qui a évalué.

2.5

Comparer honnêtement les versions de prompts

Modifiez un élément important à chaque tour et comparez selon des critères prédéfinis.

Ne comparez pas les versions d’un prompt au ressenti ou sur une seule réponse obtenue par hasard. Utilisez le même jeu de tests et les mêmes critères. Modifiez de préférence un seul facteur : consigne sur les sources, schéma de sortie ou gestion des erreurs. Vous pourrez ainsi mieux identifier la modification qui a probablement fait la différence.

Enregistrez le numéro de version, la modification, la raison, les tests et les limitations connues. Mesurez, en plus de la qualité, le travail de correction, la cohérence et le temps nécessaire. Une version avec une moyenne plus élevée peut néanmoins être inadaptée si elle gère incorrectement un cas critique limite.

Un jeu de tests utilisé pour améliorer le prompt est devenu un support de travail pour son concepteur. Réservez également quelques cas nouveaux pour un contrôle ultérieur. Répétez si possible les tests importants : un modèle peut répondre différemment aux mêmes données. Un petit ensemble révèle des défauts concrets, pas un taux de fiabilité générale démontré.

  • Même ensemble de test
  • Un changement principal
  • Critères avant test
  • Erreurs critiques séparément
  • Journal de version

Les termes expliqués simplement

Erreur éliminatoire
Une erreur critique définie à l’avance qui rend une version inadaptée, même si ses autres scores sont bons.
Exemple d’utilisation

Comparer v1 sans étiquettes sources avec v1.1 avec étiquettes sources ; ne pas changer en même temps le ton, la longueur et l'ordre des tâches.

Essayez ce prompt
Comparez les prompts v1 et v2 sur [jeu de tests]. Évaluez, pour chaque test, le respect des instructions, l’utilisation des sources, l’exhaustivité, la sécurité et le travail de correction. Signalez séparément les erreurs critiques ; n’utilisez pas une moyenne pour masquer une erreur éliminatoire.
Vérifiez vos connaissances

V2 améliore cinq tests ordinaires mais invente une échéance dans un sixième. Cette erreur était définie comme critique ; v1 laissait correctement l’échéance ouverte. Quelle décision convient ?

Votre exercice pratique

Testez deux versions de prompt sur les mêmes cinq cas et rédigez une courte décision de modification.

Source de cette leçon

OpenAI – Bonnes pratiques d’évaluation
Jeux de tests adaptés à la tâche et évaluation humaine. Le logiciel d’API n’est pas nécessaire à ce cours. La source annonce l’arrêt progressif de la plateforme Evals : lecture seule dès le 31 octobre 2026 et fermeture le 30 novembre 2026. Cela ne met pas fin à la méthode générale de test ; vérifiez le calendrier du produit avant de choisir un logiciel.
Vérifié le: 2026-09-08

Exemple détaillé

Un petit jeu de tests révèle l’effet d’une modification du prompt

Exercice fictif ; les réponses erronées ont été créées délibérément pour apprendre à les corriger.

Tous les messages, labels et résultats de tests sont fictifs. Vous triez les messages d’un groupe d’étude. Labels : INSCHRIJVING pour une demande explicite de participation, ANNULERING pour un désistement explicite et ONDUIDELIJK lorsqu’aucun des deux ne s’applique clairement.

Consigne

Prompt v1 : choisissez INSCHRIJVING ou ANNULERING pour chaque message. Tests prédéfinis : T1 « Je m’inscris. » → INSCHRIJVING ; T2 « J’annule ma participation. » → ANNULERING ; T3 « Quand cela commence-t-il ? » → ONDUIDELIJK ; T4 « Je vais peut-être m’inscrire, peut-être pas. » → ONDUIDELIJK.

Première réponse d’exercice

Résultats fictifs de v1 : T1 INSCHRIJVING ; T2 ANNULERING ; T3 INSCHRIJVING ; T4 INSCHRIJVING. T1 et T2 conviennent ; T3 et T4 imposent une décision. Le jeu de tests et les labels attendus ne sont pas modifiés après cette observation.

Vérification

Une modification principale : ajouter une voie explicite en cas d’incertitude. Prompt v1.1 : utilisez INSCHRIJVING ou ANNULERING uniquement pour une demande sans ambiguïté ; sinon, utilisez ONDUIDELIJK. Évaluez le contenu du message sans inventer les intentions. Testez à nouveau les quatre mêmes messages, y compris ceux qui avaient réussi.

Version améliorée

Résultats fictifs de v1.1 : T1 INSCHRIJVING ; T2 ANNULERING ; T3 ONDUIDELIJK ; T4 ONDUIDELIJK. Pour ces quatre cas, le nombre de labels corrects passe de 2 à 4. Décision : conserver v1.1 pour poursuivre les tests. Quatre exemples ne prouvent pas encore sa fiabilité sur d’autres formulations.

À vous de pratiquer

Ajoutez deux tests avant l’exécution : un message de désistement poli et un message évoquant à la fois inscription et désistement. Notez le label attendu.

Voir un exemple de réponse

« Merci pour l’invitation, mais je me désiste. » → ANNULERING. « Inscrivez-moi, ou non, je ne sais pas encore si je me désiste. » → ONDUIDELIJK. Conservez les résultats réels séparément de ces réponses attendues, puis réexécutez le jeu complet de six cas.

Exercice de chapitre

Rassemblez tout

Construisez un prompt v1 et un jeu de six cas de test. Créez ensuite une v1.1 avec une modification motivée : corrigez une faiblesse observée ou précisez une limite encore insuffisamment testée. Testez à nouveau les mêmes cas et documentez le résultat, la vérification des régressions et la limite restante. Une précision ajoutée sans erreur observée ne constitue pas un gain de qualité démontré.

10 000 caractères au maximum par note.

Votre progression et vos notes sont enregistrées uniquement dans ce navigateur, sur cet appareil. N’y saisissez aucune donnée sensible. Téléchargez régulièrement vos notes. Ce cours ne définit pas de date d’expiration automatique. Vous pouvez supprimer les données via les données de site de votre navigateur ; exportez d’abord ce que vous souhaitez conserver. Les réglages ou le nettoyage du navigateur peuvent les effacer plus tôt. Ces notes locales ne sont pas envoyées à Finaudax.