Au-delà des prompts de base
Si vous maîtrisez déjà les cinq composants fondamentaux d'un prompt (rôle, contexte, objectif, contraintes, format), vous avez déjà un avantage sur 80% des utilisateurs. Les techniques avancées s'adressent aux 20% restants — ceux qui veulent extraire le maximum des LLMs sur des tâches complexes, analytiques ou créatives.
Ces techniques sont issues de la recherche en NLP, mais leur application pratique est accessible à tout professionnel. Pas de code requis.
1. Chain-of-Thought (CoT) : forcer le raisonnement explicite
Le problème
Sur des problèmes complexes (calcul, logique, analyse multi-étapes), un LLM qui répond directement saute des étapes de raisonnement et produit des erreurs. Il "devine" la réponse plutôt que de la calculer.
La technique
Demandez au modèle de montrer son raisonnement étape par étape avant de conclure. La formule magique : "Réfléchis étape par étape." ou "Montre ton raisonnement avant de conclure."
Exemple sans CoT
Prompt : "Notre taux de churn est de 5%/mois. Combien de clients perdons-nous sur un an si on commence avec 1000 ?"
Réponse typique : "60 clients" (faux — ignore la perte composée)Exemple avec CoT
Prompt : "Notre taux de churn est de 5%/mois. Combien de clients perdons-nous sur un an si on commence avec 1000 ? Réfléchis étape par étape avant de répondre."
Réponse : Mois 1 : 1000 × 0.95 = 950. Mois 2 : 950 × 0.95 = 902.5... [raisonnement complet] → Résultat : ~540 clients après 12 mois (perte de 46%).Le CoT est particulièrement efficace sur : calculs financiers, raisonnement logique, analyse de situations complexes, débogage de code.
2. Few-Shot Learning : montrer des exemples
Le problème
Quand vous voulez un format très précis ou un style particulier, les instructions seules ne suffisent pas. Un exemple vaut mille mots — littéralement, pour un LLM.
La technique
Fournissez 2 à 3 exemples d'inputs/outputs avant votre vraie demande. Le modèle infère le pattern et l'applique.
Exemple
Voici comment je veux que tu transformes des titres d'articles en titres SEO :
Original : "Comment faire du café"
SEO : "Comment faire un café parfait à la maison (Guide étape par étape 2025)"
Original : "Conseils pour dormir"
SEO : "7 conseils scientifiques pour mieux dormir dès ce soir"
Maintenant transforme ces titres :
- "Utiliser Excel pour les finances"
- "Apprendre Python rapidement"
- "Gérer son temps de travail"Le few-shot est idéal pour : formater des données, transformer du texte, classifier, générer dans un style spécifique (ton de marque, format éditorial).
3. Self-Consistency : demander plusieurs réponses indépendantes
Le problème
Un LLM peut se tromper avec confiance. Pour les décisions importantes, une seule réponse n'est pas suffisamment fiable.
La technique
Demandez plusieurs approches indépendantes du même problème, puis synthétisez la convergence.
Analyse ce business plan [plan]. Génère 3 évaluations indépendantes, comme si 3 investisseurs différents (un optimiste, un pessimiste, un neutre) le lisaient. Pour chaque évaluateur : forces identifiées, risques majeurs, verdict d'investissement. Ensuite, synthétise les points sur lesquels les 3 convergent — ce sont les insights les plus fiables.La convergence entre perspectives indépendantes est un signal fort de fiabilité.
4. Décomposition de tâches (Task Decomposition)
Le problème
Les LLMs dégradent en qualité sur les tâches très complexes traitées d'un bloc. Le contexte s'allonge, la cohérence diminue.
La technique
Découpez en sous-tâches séquentielles. Utilisez le résultat d'une étape comme input de la suivante.
Étape 1 : "Analyse ce marché [données]. Identifie les 3 segments les plus attractifs. Sois concis."
→ [résultat étape 1]
Étape 2 : "En te basant sur cette analyse [résultat étape 1], propose une stratégie d'entrée sur le segment le plus attractif. Focus sur les 90 premiers jours."
→ [résultat étape 2]
Étape 3 : "Transforme cette stratégie [résultat étape 2] en plan d'action avec KPIs et jalons mensuels."Chaque étape est plus focalisée, donc plus précise. Le résultat final est meilleur qu'un prompt unique qui demande tout.
5. Role-Playing Adversarial : challenger ses propres idées
La technique
Demandez au modèle de jouer un rôle qui s'oppose à votre position. Utile pour identifier les angles morts avant une présentation, une négociation, ou une décision stratégique.
Je vais te présenter ma stratégie de lancement produit : [stratégie]. Tu joues le rôle d'un concurrent qui a accès à cette stratégie et veut la contrer. Identifie les faiblesses exploitables, les hypothèses fragiles, et ce que tu ferais pour me prendre des parts de marché dans les 6 premiers mois. Sois agressif et factuel.Combiner les techniques
Ces techniques ne s'excluent pas. Un prompt avancé peut combiner few-shot (exemples), CoT (raisonnement explicite) et décomposition :
Tu es un analyste financier senior. [few-shot : 2 exemples d'analyses similaires]. Analyse ce P&L [données]. Raisonne étape par étape : d'abord les revenus, ensuite les coûts, ensuite les marges, ensuite les tendances. [CoT] Conclus par 3 recommandations actionnables classées par priorité. [format]Par où commencer
Commencez par le chain-of-thought sur vos tâches analytiques — c'est la technique avec le meilleur ratio effort/gain. Ajoutez le few-shot dès que vous voulez reproduire un format ou un style précis.
Testez vos prompts avancés avec le Prompt Scorer pour vérifier que les composants de base sont présents avant d'ajouter ces couches. Un prompt avancé sur une base faible reste un prompt faible.