Prompt engineering : le guide pratique en français

Le prompt engineering est la compétence la plus sous-estimée de 2026

Le prompt engineering est l’art de formuler des instructions précises pour obtenir d’un LLM le meilleur résultat possible. J’utilise cette discipline au quotidien sur ChatGPT, Claude et Gemini, et la différence entre un prompt moyen et un prompt bien construit est spectaculaire.

Si vos résultats restent décevants, le problème ne vient pas du modèle : il vient de la façon dont vous lui parlez.

Le prompt engineering, ou ingénierie de prompt, est la discipline qui consiste à formuler des instructions optimales pour obtenir d’un LLM exactement ce dont vous avez besoin. Ce n’est pas de la magie. C’est une compétence qui s’apprend, se pratique et s’affine.

Et c’est une compétence qui compte. Selon le whitepaper de Google sur le prompt engineering, la formulation d’un prompt peut faire passer la précision d’un modèle de 17,7 % à 58,1 % sur des tâches de raisonnement mathématique, simplement en ajoutant des étapes de réflexion intermédiaires. Même modèle, même question, résultat radicalement différent.

J’ai compilé dans ce guide tout ce que j’applique au quotidien : les fondamentaux, les techniques avancées, les bonnes pratiques par outil, et les ressources pour aller plus loin. Que vous soyez débutant ou utilisateur quotidien, vous repartirez avec des méthodes concrètes applicables immédiatement.

Les fondamentaux : anatomie d’un bon prompt

Un prompt efficace n’est pas une question jetée au hasard. C’est une instruction structurée qui donne au modèle tout ce dont il a besoin pour répondre correctement. Voici les cinq composantes d’un bon prompt.

1. Le rôle

Dites au modèle qui il est. Cela cadre le ton, le niveau de détail et la perspective de la réponse.

Tu es un expert SEO francophone avec 10 ans d'expérience
en rédaction de contenu B2B.

2. Le contexte

Fournissez les informations de fond nécessaires. Plus le modèle comprend votre situation, plus sa réponse sera pertinente.

Mon site est un blog sur la productivité destiné aux freelances
francophones. J'ai 50 articles publiés et un trafic de 15 000
visiteurs/mois. Je cible la première page Google sur des mots-clés
longue traîne.

3. L’instruction

C’est la tâche concrète que vous demandez. Soyez précis sur ce que vous attendez.

Rédige un plan détaillé pour un article de blog sur la gestion
du temps pour les freelances, avec 5 sections principales
et 2 à 3 sous-sections chacune.

4. Le format de sortie

Décrivez comment vous voulez la réponse. Tableau, liste, JSON, Markdown, longueur : imposez la structure.

Formate ta réponse en Markdown avec des titres H2 et H3.
Chaque section doit contenir un paragraphe d'introduction
de 2 à 3 phrases suivi de bullet points.

5. Les contraintes

Définissez les limites et règles que le modèle doit respecter.

- Maximum 1 500 mots
- Ton professionnel mais accessible, vouvoiement
- Pas de jargon technique sans explication
- Cite au moins 2 sources vérifiables

Exemple complet

Voici un prompt qui combine les cinq composantes :

Tu es un consultant en productivité spécialisé dans les freelances.

Contexte : je suis freelance développeur web depuis 3 ans.
Je gère 4 à 5 clients en parallèle et j'ai du mal à estimer
mes délais de livraison.

Tâche : crée un système d'estimation de délais en 5 étapes,
applicable dès cette semaine, qui prend en compte l'incertitude
et les imprévus.

Format : liste numérotée, chaque étape en 3 à 4 phrases maximum,
avec un exemple concret pour chaque.

Contraintes :
- Pas d'outil payant requis (Notion ou Google Sheets suffisent)
- Adapté à un freelance solo, pas à une équipe
- Langage simple, pas de méthodologie Agile complexe

La différence entre ce prompt et “comment mieux gérer mes délais ?” est la même qu’entre un brief précis et une conversation de couloir. Le modèle n’a pas besoin de deviner : il a tout pour répondre.

Techniques avancées de prompt engineering

Les fondamentaux suffisent pour 80 % des usages. Pour les 20 % restants, ces techniques font la différence.

Zero-shot vs Few-shot

Le zero-shot consiste à donner une instruction sans aucun exemple. Le modèle se débrouille avec ses connaissances.

Classe cet email comme "urgent", "action requise" ou "informatif" :

"Bonjour, la deadline du projet Alpina est avancée à vendredi.
Merci de confirmer la livraison."

Le few-shot ajoute quelques exemples pour guider le modèle. C’est particulièrement utile quand le format de sortie ou la logique de classification n’est pas évidente.

Classe chaque email selon ces catégories : "urgent",
"action requise", "informatif".

Exemples :
- "Le serveur est en panne depuis 2h" → urgent
- "Peux-tu relire le document avant jeudi ?" → action requise
- "Le rapport mensuel est disponible sur le drive" → informatif

Email à classer :
"Bonjour, la deadline du projet Alpina est avancée à vendredi.
Merci de confirmer la livraison."

Sur le benchmark GSM8K de Google, le passage du zero-shot au few-shot avec chain-of-thought a multiplié la précision par 3,3 (de 17,7 % à 58,1 %). En pratique, 2 à 5 exemples suffisent pour la plupart des tâches.

Chain-of-thought (CoT)

Le chain-of-thought demande au modèle de raisonner étape par étape avant de donner sa réponse finale. Au lieu de deviner la réponse, il montre son travail.

Un freelance facture 500 € par jour. Il travaille 4 jours
par semaine, 45 semaines par an. Il a 12 000 € de charges
annuelles. Quel est son revenu net annuel ?

Raisonne étape par étape avant de donner le résultat.

Le modèle va alors détailler :

1. Calcul du CA brut : 500 x 4 x 45 = 90 000 €
2. Déduction des charges : 90 000 - 12 000 = 78 000 €
3. Résultat : 78 000 € net annuel

Cette technique est particulièrement efficace pour les problèmes mathématiques, logiques, et toute tâche nécessitant un raisonnement multi-étapes. L’ajout d’une simple phrase (“Raisonne étape par étape”) suffit à améliorer significativement la qualité des réponses.

System prompts

Le system prompt est l’instruction qui cadre le comportement global du modèle avant même que l’utilisateur ne parle. C’est le “contrat” que vous passez avec l’IA.

System prompt :
Tu es un assistant fiscal français spécialisé dans le statut
de micro-entrepreneur. Tu réponds uniquement aux questions
liées à la fiscalité française. Si une question sort de ton
domaine, dis-le clairement au lieu de deviner. Tu utilises
le vouvoiement et cites les articles de loi quand c'est
pertinent. Tes réponses sont structurées avec des titres
et des bullet points.

Un bon system prompt définit quatre choses :

• Le rôle : qui est le modèle
• Le périmètre : ce qu’il couvre et ce qu’il refuse
• Le format : comment il structure ses réponses
• Les garde-fous : ce qu’il fait en cas d’incertitude

Prompt chaining

Le prompt chaining consiste à découper une tâche complexe en étapes successives, où la sortie d’un prompt devient l’entrée du suivant. C’est comme un pipeline : chaque maillon fait un travail précis.

Exemple pour créer un article de blog :

Prompt 1 - Recherche :

Liste les 10 questions les plus fréquentes sur le statut
de micro-entrepreneur en France en 2026.
Pour chaque question, indique la source.

Prompt 2 - Structure (avec la sortie du prompt 1 en contexte) :

À partir de ces 10 questions, crée un plan d'article
optimisé SEO avec des titres H2 et H3.
Regroupe les questions par thème.

Prompt 3 - Rédaction (avec le plan en contexte) :

Rédige la section 1 de ce plan.
Ton professionnel, 300 mots, avec un exemple chiffré.

L’avantage du chaining : chaque étape reste simple, le modèle ne perd pas le fil, et vous pouvez corriger le tir à chaque maillon avant de passer au suivant.

ReAct (Reasoning + Acting)

Le ReAct est une technique avancée qui combine raisonnement et action dans un cycle itératif. Le modèle alterne entre trois phases :

1. Pensée (Thought) : il analyse le problème
2. Action : il exécute une recherche ou une tâche
3. Observation : il interprète le résultat et décide de la suite

Question : quel est le taux de TVA applicable à une prestation
de conseil en marketing digital en France en 2026 ?

Thought : je dois vérifier le taux de TVA standard pour les
prestations de services intellectuels en France.
Action : rechercher "taux TVA prestation de services France 2026"
Observation : le taux normal est de 20 % pour les prestations
de services.
Thought : je dois vérifier s'il existe des exceptions pour
le conseil en marketing digital.
Action : rechercher "exception TVA conseil marketing digital France"
Observation : pas d'exception, le taux de 20 % s'applique.
Réponse finale : le taux de TVA applicable est de 20 %.

Le ReAct est utilisé nativement par les agents IA dans des outils comme n8n ou Claude Code. Quand un agent a accès à des outils externes (recherche web, base de données, API), il utilise ce cycle pour décider quand et comment les utiliser.

Prompt engineering par outil

Les principes fondamentaux sont universels. Mais chaque modèle a ses particularités. Voici comment adapter votre approche.

ChatGPT / GPT-4

ChatGPT est le LLM le plus utilisé au monde. Avec GPT-4.1 et GPT-5, OpenAI a renforcé la capacité du modèle à suivre des instructions précises et littérales.

Ce qui fonctionne bien avec ChatGPT :

• Instructions directes et explicites. GPT-4.1 est entraîné pour suivre les instructions de façon plus littérale que ses prédécesseurs. Si le comportement diffère de vos attentes, une phrase ferme de clarification suffit généralement.
• Le role-play détaillé. ChatGPT excelle quand vous lui donnez un personnage riche avec un contexte précis.
• La mémoire multi-turn. Depuis 2025, ChatGPT retient le contexte de vos conversations précédentes. Vous pouvez construire des instructions cumulatives au fil des sessions.

Exemple de prompt optimisé pour ChatGPT :

Tu es un copywriter senior spécialisé en SaaS B2B.
Tu connais les frameworks PAS (Problem-Agitate-Solution)
et AIDA.

Écris 3 variantes d'un email de relance pour un prospect
qui a testé notre outil mais n'a pas souscrit après le trial.
Utilise le framework PAS. Chaque variante doit avoir un angle
différent : urgence, preuve sociale, bénéfice concret.

Format : objet de l'email + corps (max 150 mots par variante).

Paramètre clé : la température. Pour des tâches factuelles (résumé, classification), descendez à 0-0.3. Pour de la création (brainstorming, copywriting), montez à 0.7-1.0.

Claude (Anthropic)

Claude se distingue par son approche “contrat” du prompt engineering. Le modèle interprète les instructions comme un cahier des charges, et excelle quand les attentes sont explicitement délimitées.

Ce qui fonctionne bien avec Claude :

• Les balises XML. Claude interprète les balises XML comme des conteneurs sémantiques, pas comme du simple formatage. Cela permet une séparation précise du contexte.
• Les instructions de type contrat. Un system prompt Claude efficace ressemble à un mini-contrat : rôle, objectif, contraintes, format de sortie.
• Le temps de réflexion explicite. Demander à Claude de réfléchir avant de répondre améliore la qualité sur les tâches complexes.

Exemple de prompt optimisé pour Claude :

<role>Tu es un analyste financier spécialisé en micro-entreprise
française.</role>

<context>
Un freelance développeur web en micro-BNC veut savoir s'il doit
passer en EURL. Son CA 2025 est de 68 000 €. Il prévoit 85 000 €
en 2026. Il n'a pas de charges déductibles significatives.
</context>

<task>Compare les deux statuts sur 3 critères : charge fiscale
totale, protection sociale, et complexité administrative.
Conclus par une recommandation argumentée.</task>

<format>Tableau comparatif en Markdown, suivi d'un paragraphe
de recommandation de 4 à 5 phrases.</format>

<constraints>
- Calculs basés sur les taux 2026
- Si un chiffre est incertain, indique-le explicitement
- Pas de conseil juridique, uniquement des éléments de comparaison
</constraints>

Avec sa fenêtre de contexte de 1 million de tokens, Claude peut analyser des documents entiers avant de répondre, un avantage décisif pour les tâches d’analyse et de synthèse.

Google Gemini

Gemini est le modèle de Google, documenté en profondeur dans leur whitepaper de 68 pages. Voici ce qui le distingue.

Ce qui fonctionne bien avec Gemini :

• Les few-shot exemples avec format cohérent. Google insiste dans sa documentation : la cohérence du format entre les exemples est critique. Attention aux espaces, sauts de ligne et séparateurs.
• Les délimiteurs structurels. Utilisez ## entre les composantes de votre prompt pour aider le modèle à bien distinguer chaque section.
• La température par défaut à 1.0. Contrairement aux autres modèles, Google recommande de ne pas baisser la température sous 1.0 pour les modèles Gemini 3, sous peine de dégradation des performances sur les tâches de raisonnement.

Exemple de prompt optimisé pour Gemini :

## RÔLE
Tu es un rédacteur technique qui écrit de la documentation
produit en français.

## EXEMPLES
Input : "La fonctionnalité permet d'exporter en CSV"
Output : "**Export CSV** - Exportez vos données au format CSV
en un clic depuis le tableau de bord. Compatible avec Excel,
Google Sheets et tout tableur standard."

Input : "On peut filtrer par date"
Output : "**Filtres par date** - Affinez vos résultats par
période : jour, semaine, mois ou plage personnalisée.
Les filtres se combinent avec les autres critères de recherche."

## TÂCHE
Réécris ces 3 fonctionnalités brutes en documentation produit
professionnelle, en suivant exactement le format des exemples :
1. "L'utilisateur peut inviter des membres"
2. "Il y a un mode sombre"
3. "On peut ajouter des tags aux projets"

Prompt engineering pour le code

Le prompt engineering pour le code a ses propres règles. Que vous utilisiez Claude Code dans le terminal ou un éditeur IA comme Cursor, la qualité de vos instructions détermine la qualité du code produit.

Les principes du prompt pour le code

Soyez précis sur la stack technique :

Crée un composant React en TypeScript qui affiche une liste
paginée de produits. Utilise Tailwind CSS pour le style,
React Query pour le fetching, et zod pour la validation
des données API.

Fournissez le contexte du projet existant :

Le projet utilise Next.js 15 avec App Router, Prisma comme ORM
et une base PostgreSQL. La convention de nommage est camelCase
pour les variables et PascalCase pour les composants.
Les tests utilisent Vitest.

Décrivez le comportement attendu, pas l’implémentation :

Quand l'utilisateur clique sur "Ajouter au panier", le produit
est ajouté au state local, un toast de confirmation apparaît
pendant 3 secondes, et le compteur du panier dans le header
se met à jour. Si le produit est déjà dans le panier,
la quantité s'incrémente.

Claude Code : le prompt dans le terminal

Claude Code est un agent qui agit directement sur vos fichiers. Son prompt engineering repose sur deux piliers :

1. Le fichier CLAUDE.md à la racine du projet. C’est le system prompt permanent de Claude Code. Mettez-y les conventions de votre projet, la stack technique, les patterns à respecter et les erreurs à éviter.

2. Les instructions conversationnelles pendant la session. Claude Code a accès à l’ensemble de votre codebase et peut lire, écrire, exécuter des commandes et tester.

Exemple d’instruction efficace pour Claude Code :

Refactore le fichier src/utils/api.ts pour remplacer tous
les try/catch par un wrapper handleAsync qui retourne
un tuple [data, error]. Applique le même pattern aux 3 fichiers
qui importent ces fonctions. Lance les tests après chaque
modification pour vérifier qu'il n'y a pas de régression.

Cursor : le prompt dans l’éditeur

Cursor est un fork de VS Code avec l’IA intégrée. Son point fort : il voit le fichier ouvert et peut modifier le code in-place. Pour en tirer le meilleur :

• Sélectionnez le code concerné avant de prompter (Cursor utilise la sélection comme contexte)
• Utilisez des instructions de modification précises (“remplace”, “ajoute après”, “supprime”) plutôt que des instructions vagues (“améliore ce code”)
• Référencez les fichiers liés avec @fichier.ts pour donner du contexte

L’approche la plus efficace en 2026 combine les deux : Cursor pour l’édition quotidienne fichier par fichier, Claude Code pour les refactorings multi-fichiers et les tâches autonomes. Si vous débutez avec Claude Code, consultez le tutoriel complet pour débutant.

Prompt engineering pour l’automatisation

Quand vous construisez des workflows avec Make ou n8n, le prompt engineering prend une dimension supplémentaire : vos prompts tournent en automatique, sans supervision humaine. Chaque erreur se multiplie par le nombre d’exécutions.

Les règles du prompt pour l’automatisation

1. Le prompt doit être déterministe. Évitez les formulations ambiguës. Préférez des instructions binaires et des catégories fermées.

❌ "Résume cet email de façon utile"

✅ "Classe cet email dans exactement UNE de ces catégories :
- URGENT : nécessite une action dans les 24h
- ACTION : nécessite une action cette semaine
- INFO : aucune action requise
- SPAM : contenu commercial non sollicité

Retourne UNIQUEMENT le nom de la catégorie, sans explication."

2. Imposez un format de sortie strict. Dans une automatisation, le module suivant attend un format précis. Si le LLM ajoute une phrase de politesse, votre workflow casse.

Retourne ta réponse en JSON strict, sans texte avant ni après :
{
  "categorie": "URGENT|ACTION|INFO|SPAM",
  "resume": "résumé en 1 phrase",
  "action_suggeree": "description de l'action à faire"
}

3. Testez avec des cas limites. Un email vide, un email en anglais, un email avec des pièces jointes : votre prompt doit gérer tous les cas.

System prompts dans n8n

Dans n8n, le noeud AI Agent accepte un system prompt qui ne peut pas être écrasé par l’input utilisateur. C’est votre garde-fou principal.

Tu es un agent de tri d'emails pour une agence web.

OUTILS DISPONIBLES :
- gmail_create_draft : créer un brouillon de réponse
- gmail_add_label : ajouter un label à l'email
- notion_create_page : créer une tâche dans Notion

RÈGLES :
1. Classe chaque email dans une catégorie
2. Pour les emails URGENT, crée un brouillon ET une tâche Notion
3. Pour les emails ACTION, crée uniquement une tâche Notion
4. Pour les emails INFO, ajoute le label "Traité"
5. Pour les emails SPAM, ajoute le label "Spam"

Tu ne réponds JAMAIS directement au client. Tu crées des brouillons
que l'humain validera avant envoi.

Quand vous attachez des outils à un agent n8n, mentionnez-les explicitement dans le system prompt. L’agent performe mieux quand il sait exactement quels outils sont à sa disposition.

Pour une mise en pratique complète, consultez le guide sur comment construire son premier agent IA avec n8n ou le tutoriel sur l’automatisation d’emails avec ChatGPT et Make.

Ressources et formation prompt engineering

Ressources gratuites

• Whitepaper Google - Prompt Engineering : 68 pages couvrant toutes les techniques (zero-shot, few-shot, CoT, ReAct, self-consistency, tree-of-thoughts). La référence, maintenue à jour par Lee Boonstra chez Google.
• Prompt Engineering Guide : guide open-source couvrant les techniques, les modèles et les applications. Traduit en plusieurs langues.
• Learn Prompting : cours interactif avec exercices pratiques. Le module de base est gratuit.
• Tutoriel interactif Anthropic : notebooks Jupyter pour apprendre le prompt engineering spécifique à Claude, par Anthropic eux-mêmes.
• Documentation officielle Claude : les bonnes pratiques de prompt engineering directement par Anthropic.
• Documentation officielle OpenAI : le guide de prompt engineering par OpenAI pour GPT-4 et GPT-5.
• Fun-MOOC - Débuter en ingénierie de prompts : formation gratuite de 7 heures en français, avec tuteurs et classe virtuelle.

Formations certifiantes

• FindSkill.ai : cours gratuit de 8 leçons avec certificat vérifiable.
• Jedha : formation de 42 heures sur l’IA générative et le prompt engineering.
• Coursera : plusieurs cours de prompt engineering par des universités et Google, certains gratuits en audit.

Livres et guides de référence

• Guide Gemini - Google Cloud : documentation complète sur le prompt engineering appliqué à Gemini et Vertex AI.
• GPT-4.1 Prompting Guide - OpenAI : guide spécifique aux derniers modèles OpenAI.

Ce qu’il faut retenir

Le prompt engineering n’est pas une science obscure réservée aux ingénieurs. Mon expérience le confirme : c’est une compétence pratique qui repose sur cinq principes simples, à savoir donner un rôle, fournir du contexte, écrire une instruction claire, imposer un format, et poser des contraintes.

Les techniques avancées, few-shot, chain-of-thought, ReAct, prompt chaining, ne sont que des extensions de ces principes. Elles deviennent utiles quand la tâche est complexe ou quand le résultat doit être fiable à grande échelle (automatisation, agents IA).

Le plus important reste l’itération. Un prompt n’est jamais parfait du premier coup. Testez, ajustez, retestez. Comme l’écrit Google dans son whitepaper : “Le prompt engineering est un processus itératif et piloté par les tests.”

Si vous voulez passer de la théorie à la pratique, commencez par le tutoriel Claude Code pour le code, ou par la construction de votre premier agent IA pour l’automatisation.