Fondamentaux

Erreurs courantes d’ingénierie de prompts et comment les corriger

Douze erreurs courantes d’ingénierie de prompts qui donnent des sorties d’IA vagues, incohérentes ou risquées, avec la correction de chacune et une règle vérifiable automatiquement.

Traduit de l’original anglais. Le code, les prompts et les sorties de modèle restent en anglais.

La plupart des échecs de prompts viennent d’un petit nombre d’erreurs qui se répètent. Chacune ci-dessous a un symptôme que vous reconnaîtrez, une correction et un lien vers la règle de PromptFlowEngine qui la détecte, avec un exemple déclencheur et un prompt corrigé.

Erreurs de clarté

1. Aucun objectif énoncé

Le prompt décrit de la matière sans jamais dire quoi en faire. Le modèle hésite entre résumer, analyser et réécrire.

Correction : commencez par un verbe à l’impératif qui nomme le résultat. Référence : objectif manquant.

2. Langage vague

Des mots comme « quelque chose », « des trucs » et « etc. » demandent au modèle d’inventer les détails.

Correction : listez les éléments réels. Si la liste est ouverte, bornez-la : « jusqu’à 3 d’entre eux ». Référence : langage vague.

3. Instructions atténuées

« Essaie de », « si possible » et « peut-être » transforment une exigence en suggestion, et le modèle la traite comme facultative.

Correction : énoncez-la comme une exigence, ou dites exactement quand elle s’applique. Référence : instructions atténuées.

4. Uniquement des contraintes négatives

Un prompt composé d’énoncés « ne fais pas » dit au modèle ce qu’il faut éviter, et rien sur ce qu’il faut produire.

Correction : associez chaque interdiction au comportement voulu. Référence : contraintes uniquement négatives.

Erreurs de précision

5. Des tailles sans chiffres

« Court », « quelques » et « détaillé » varient d’une exécution à l’autre, ce qui casse les mises en page et les analyseurs.

Correction : utilisez un nombre et une unité, par exemple « moins de 150 mots ». Référence : taille non quantifiée.

6. Pas de format de sortie

Sans format, le modèle choisit entre prose, puces et tableau, et choisit différemment à chaque fois.

Correction : précisez la structure, et le schéma si du code lit le résultat. Références : format de sortie manquant et indication de longueur manquante.

7. Des références à des choses absentes

« Corrige le bug ci-dessus » ou « utilise le fichier joint » dans un prompt qui ne contient ni l’un ni l’autre.

Correction : incluez la matière, ou indiquez où elle sera insérée. Référence : référence peu claire.

Erreurs de cohérence

8. Instructions contradictoires

« Sois bref mais détaillé. » Les longs prompts modifiés par plusieurs personnes en accumulent. Le modèle résout le conflit seul, de façon imprévisible.

Correction : décidez de la priorité et dites-la : « Sois concis. Quand brièveté et exactitude s’opposent, choisis l’exactitude. » Référence : instructions contradictoires.

9. Répétition

Dire une chose deux fois pour insister coûte des tokens. La dire deux fois avec une formulation légèrement différente crée une ambiguïté sur la version qui compte.

Correction : énoncez chaque instruction une seule fois, dans la section qui lui correspond. Références : instructions dupliquées et instructions quasi dupliquées.

Erreurs de structure

10. Un mur de texte

Un long paragraphe qui mêle tâche, contexte, règles et entrée. Les instructions enfouies au milieu pèsent moins, et la personne qui reprendra le texte ne retrouve rien.

Correction : découpez en Tâche, Contexte, Exigences, Format de sortie et Entrée. Référence : mur de texte.

Erreurs de sécurité

11. Entrée utilisateur non délimitée

Une variable de modèle placée directement dans les instructions fait que tout ce que l’utilisateur tape se lit comme en faisant partie.

Translate this to French: {{user_text}}

Correction : enveloppez la variable dans des balises et dites au modèle que les balises contiennent des données. Référence : variable non délimitée. Contexte : injection de prompt.

12. Secrets et données personnelles dans le prompt

Une clé d’API dans une configuration collée, un mot de passe dans un journal, l’e-mail d’un client dans un ticket. Une fois envoyé, il se trouve dans les systèmes d’un tiers.

Correction : masquez avant d’envoyer et gardez les identifiants hors des fichiers de prompts. Référence : données sensibles. Contexte : détection des données personnelles et des secrets dans les prompts.

Erreurs de processus que les règles ne détectent pas

  • Tester sur une seule entrée. Un prompt qui fonctionne sur votre exemple peut échouer en conditions réelles. Constituez un petit jeu de tests. Voir l’évaluation de prompts.
  • Changer plusieurs choses à la fois. Quand le résultat change, vous ne saurez pas pourquoi. Changez une chose par itération.
  • Ne pas versionner les prompts. Si un prompt ne vit que dans une fenêtre de chat, vous ne pouvez pas revenir en arrière. Voir la gestion des prompts.
  • Bourrer la fenêtre de contexte. Plus de contexte n’est pas toujours mieux. Voir l’optimisation des tokens.

Repérez-les dans vos propres prompts

Collez un prompt dans l’analyseur de prompts PromptFlowEngine. Il exécute toutes les règles ci-dessus, cite le texte qui a déclenché chaque constat et propose une correction. Le catalogue complet des règles les répertorie toutes.

Passer à la pratique

Essayez avec l’outil « Analyseur de prompts »

Repérez ambiguïtés, contexte manquant, conflits et tokens gaspillés dans n’importe quel prompt. C’est gratuit, déterministe et sans compte.

Outils PromptFlowEngine associés

Autres guides : Fondamentaux

Parcourir tous les guides d’ingénierie de prompts