Les cinq composants d'un prompt

Le modèle ne lit pas dans vos pensées

Un LLM ne connaît ni votre entreprise, ni votre client, ni ce que vous entendez par « court ». Tout ce qui n'est pas écrit dans le prompt est deviné, et deviner, c'est varier d'un appel à l'autre. Le test le plus simple : un collègue brillant, qui arrive aujourd'hui, comprendrait-il la demande sans vous poser de question ?

flowchart TD
  R["Rôle : qui parle ?"] --> P["Prompt complet"]
  C["Contexte : quelle situation ?"] --> P
  T["Tâche : que faire exactement ?"] --> P
  F["Format : quelle forme de sortie ?"] --> P
  E["Exemples : à quoi ressemble le bon résultat ?"] --> P
  P --> S["Sortie prévisible"]

Avant / après

Instructions claires : être précis sans être bavard

Trois règles couvrent l'essentiel :

1. Dire le pourquoi. « Réponds sans jargon, car le lecteur est un particulier » aide le modèle à généraliser à des cas que vous n'avez pas prévus.
2. Numéroter les étapes quand l'ordre compte.
3. Définir les mots flous : « court » = 3 phrases ; « urgent » = livraison prévue dans moins de 24 h.

Appeler un modèle depuis Python (sans clé en dur)

Le même prompt peut être envoyé à Claude ou à Gemini. La clé d'API vient toujours d'une variable d'environnement, et le nom du modèle aussi : vous changez de modèle sans toucher au code.

import os

def appeler(system: str, user: str, max_tokens: int = 800) -> str:
    """Appel générique : LLM_PROVIDER=claude ou gemini, LLM_MODEL=<nom du modèle>."""
    provider = os.environ.get("LLM_PROVIDER", "claude")
    model = os.environ["LLM_MODEL"]
    if provider == "claude":
        import anthropic  # lit ANTHROPIC_API_KEY dans l'environnement
        r = anthropic.Anthropic().messages.create(
            model=model, max_tokens=max_tokens, system=system,
            messages=[{"role": "user", "content": user}],
        )
        return r.content[0].text
    from google import genai  # lit GEMINI_API_KEY (ou GOOGLE_API_KEY)
    from google.genai import types
    r = genai.Client().models.generate_content(
        model=model, contents=user,
        config=types.GenerateContentConfig(system_instruction=system, max_output_tokens=max_tokens),
    )
    return r.text

export LLM_PROVIDER=claude
export LLM_MODEL="<nom du modèle, voir la documentation du fournisseur>"
export ANTHROPIC_API_KEY="..."   # à mettre dans un .env ignoré par git, jamais dans le code

Exercice

Réécrivez ce prompt en faisant apparaître les cinq composants :

« Réponds à ce client qui demande où est sa commande. »

Informations disponibles : boutique de cosmétiques en ligne, commande n° 4512 expédiée hier, livraison en 48 à 72 h, lien de suivi fourni par le transporteur.

[Rôle] Tu es conseillère du service client d'une boutique en ligne de cosmétiques. Ton ton est chaleureux et professionnel.

[Contexte] La commande n° 4512 du client a été expédiée hier. Le délai de livraison habituel est de 48 à 72 h. Lien de suivi : {lien_suivi}.

[Tâche] Réponds au message du client : rassure-le, donne la date de livraison estimée et le lien de suivi. Ne promets pas de date précise : le délai dépend du transporteur.

[Format] 3 phrases maximum, vouvoiement, en français, signature « L'équipe Service client ».

[Exemple de ton] « Bonne nouvelle : votre commande est en route ! »

Je sais faire

• Citer les cinq composants d'un prompt et le rôle de chacun.
• Repérer le composant manquant dans un prompt vague.
• Remplacer un mot flou par une contrainte vérifiable.
• Appeler Claude ou Gemini depuis Python avec la clé en variable d'environnement.