Patterns d'ingénierie des prompts

Maîtrisez les techniques avancées d'ingénierie des prompts pour maximiser les performances, la fiabilité et la contrôlabilité des LLM.

Quand utiliser cette compétence

Concevoir des prompts complexes pour des applications LLM en production
Optimiser les performances et la cohérence des prompts
Implémenter des patterns de raisonnement structuré (chain-of-thought, tree-of-thought)
Construire des systèmes d'apprentissage few-shot avec sélection d'exemples dynamique
Créer des templates de prompts réutilisables avec interpolation de variables
Déboguer et affiner des prompts produisant des résultats incohérents
Implémenter des system prompts pour des assistants IA spécialisés
Utiliser des outputs structurés (mode JSON) pour un parsing fiable

Capacités essentielles

1. Few-Shot Learning

Stratégies de sélection d'exemples (similarité sémantique, échantillonnage par diversité)
Équilibre du nombre d'exemples avec les contraintes de context window
Construction de démonstrations efficaces avec paires entrée-sortie
Récupération dynamique d'exemples depuis des bases de connaissances
Gestion des cas limites via sélection stratégique d'exemples

2. Chain-of-Thought Prompting

Élicitation du raisonnement étape par étape
Zero-shot CoT avec « Let's think step by step »
Few-shot CoT avec traces de raisonnement
Techniques d'auto-cohérence (échantillonnage de multiples chemins de raisonnement)
Étapes de vérification et validation

3. Outputs Structurés

Mode JSON pour un parsing fiable
Enforcement de schema Pydantic
Gestion type-safe des réponses
Gestion d'erreurs pour les outputs mal formés

4. Optimisation de prompts

Workflows d'affinage itératif
Tests A/B de variations de prompts
Mesure des métriques de performance des prompts (accuracy, cohérence, latence)
Réduction de l'usage de tokens tout en maintenant la qualité
Gestion des cas limites et modes de défaillance

5. Systèmes de templates

Interpolation de variables et formatage
Sections conditionnelles de prompts
Templates de conversation multi-tours
Composition de prompts basée sur les rôles
Composants modulaires de prompts

6. Conception de system prompts

Définition du comportement et des contraintes du modèle
Définition des formats et structures de sortie
Établissement du rôle et de l'expertise
Directives de sécurité et politiques de contenu
Contexte et informations de base

Démarrage rapide

from langchain_anthropic import ChatAnthropic
from langchain_core.prompts import ChatPromptTemplate
from pydantic import BaseModel, Field

# Define structured output schema
class SQLQuery(BaseModel):
    query: str = Field(description="The SQL query")
    explanation: str = Field(description="Brief explanation of what the query does")
    tables_used: list[str] = Field(description="List of tables referenced")

# Initialize model with structured output
llm = ChatAnthropic(model="claude-sonnet-4-6")
structured_llm = llm.with_structured_output(SQLQuery)

# Create prompt template
prompt = ChatPromptTemplate.from_messages([
    ("system", """You are an expert SQL developer. Generate efficient, secure SQL queries.
    Always use parameterized queries to prevent SQL injection.
    Explain your reasoning briefly."""),
    ("user", "Convert this to SQL: {query}")
])

# Create chain
chain = prompt | structured_llm

# Use
result = await chain.ainvoke({
    "query": "Find all users who registered in the last 30 days"
})
print(result.query)
print(result.explanation)

Patterns clés

Pattern 1 : Outputs structurés avec Pydantic

from anthropic import Anthropic
from pydantic import BaseModel, Field
from typing import Literal
import json

class SentimentAnalysis(BaseModel):
    sentiment: Literal["positive", "negative", "neutral"]
    confidence: float = Field(ge=0, le=1)
    key_phrases: list[str]
    reasoning: str

async def analyze_sentiment(text: str) -> SentimentAnalysis:
    """Analyze sentiment with structured output."""
    client = Anthropic()

    message = client.messages.create(
        model="claude-sonnet-4-6",
        max_tokens=500,
        messages=[{
            "role": "user",
            "content": f"""Analyze the sentiment of this text.

Text: {text}

Respond with JSON matching this schema:
{{
    "sentiment": "positive" | "negative" | "neutral",
    "confidence": 0.0-1.0,
    "key_phrases": ["phrase1", "phrase2"],
    "reasoning": "brief explanation"
}}"""
        }]
    )

    return SentimentAnalysis(**json.loads(message.content[0].text))

Pattern 2 : Chain-of-Thought avec auto-vérification

from langchain_core.prompts import ChatPromptTemplate

cot_prompt = ChatPromptTemplate.from_template("""
Solve this problem step by step.

Problem: {problem}

Instructions:
1. Break down the problem into clear steps
2. Work through each step showing your reasoning
3. State your final answer
4. Verify your answer by checking it against the original problem

Format your response as:
## Steps
[Your step-by-step reasoning]

## Answer
[Your final answer]

## Verification
[Check that your answer is correct]
""")

Pattern 3 : Few-Shot avec sélection dynamique d'exemples

from langchain_voyageai import VoyageAIEmbeddings
from langchain_core.example_selectors import SemanticSimilarityExampleSelector
from langchain_chroma import Chroma

# Create example selector with semantic similarity
example_selector = SemanticSimilarityExampleSelector.from_examples(
    examples=[
        {"input": "How do I reset my password?", "output": "Go to Settings > Security > Reset Password"},
        {"input": "Where can I see my order history?", "output": "Navigate to Account > Orders"},
        {"input": "How do I contact support?", "output": "Click Help > Contact Us or email support@example.com"},
    ],
    embeddings=VoyageAIEmbeddings(model="voyage-3-large"),
    vectorstore_cls=Chroma,
    k=2  # Select 2 most similar examples
)

async def get_few_shot_prompt(query: str) -> str:
    """Build prompt with dynamically selected examples."""
    examples = await example_selector.aselect_examples({"input": query})

    examples_text = "\n".join(
        f"User: {ex['input']}\nAssistant: {ex['output']}"
        for ex in examples
    )

    return f"""You are a helpful customer support assistant.

Here are some example interactions:
{examples_text}

Now respond to this query:
User: {query}
Assistant:"""

Pattern 4 : Progressive Disclosure

Commencez par des prompts simples, ajoutez de la complexité seulement si nécessaire :

PROMPT_LEVELS = {
    # Level 1: Direct instruction
    "simple": "Summarize this article: {text}",

    # Level 2: Add constraints
    "constrained": """Summarize this article in 3 bullet points, focusing on:
- Key findings
- Main conclusions
- Practical implications

Article: {text}""",

    # Level 3: Add reasoning
    "reasoning": """Read this article carefully.
1. First, identify the main topic and thesis
2. Then, extract the key supporting points
3. Finally, summarize in 3 bullet points

Article: {text}

Summary:""",

    # Level 4: Add examples
    "few_shot": """Read articles and provide concise summaries.

Example:
Article: "New research shows that regular exercise can reduce anxiety by up to 40%..."
Summary:
• Regular exercise reduces anxiety by up to 40%
• 30 minutes of moderate activity 3x/week is sufficient
• Benefits appear within 2 weeks of starting

Now summarize this article:
Article: {text}

Summary:"""
}

Pattern 5 : Récupération d'erreurs et fallback

from pydantic import BaseModel, ValidationError
import json

class ResponseWithConfidence(BaseModel):
    answer: str
    confidence: float
    sources: list[str]
    alternative_interpretations: list[str] = []

ERROR_RECOVERY_PROMPT = """
Answer the question based on the context provided.

Context: {context}
Question: {question}

Instructions:
1. If you can answer confidently (>0.8), provide a direct answer
2. If you're somewhat confident (0.5-0.8), provide your best answer with caveats
3. If you're uncertain (<0.5), explain what information is missing
4. Always provide alternative interpretations if the question is ambiguous

Respond in JSON:
{{
    "answer": "your answer or 'I cannot determine this from the context'",
    "confidence": 0.0-1.0,
    "sources": ["relevant context excerpts"],
    "alternative_interpretations": ["if question is ambiguous"]
}}
"""

async def answer_with_fallback(
    context: str,
    question: str,
    llm
) -> ResponseWithConfidence:
    """Answer with error recovery and fallback."""
    prompt = ERROR_RECOVERY_PROMPT.format(context=context, question=question)

    try:
        response = await llm.ainvoke(prompt)
        return ResponseWithConfidence(**json.loads(response.content))
    except (json.JSONDecodeError, ValidationError) as e:
        # Fallback: try to extract answer without structure
        simple_prompt = f"Based on: {context}\n\nAnswer: {question}"
        simple_response = await llm.ainvoke(simple_prompt)
        return ResponseWithConfidence(
            answer=simple_response.content,
            confidence=0.5,
            sources=["fallback extraction"],
            alternative_interpretations=[]
        )

Pattern 6 : System prompts basés sur les rôles

SYSTEM_PROMPTS = {
    "analyst": """You are a senior data analyst with expertise in SQL, Python, and business intelligence.

Your responsibilities:
- Write efficient, well-documented queries
- Explain your analysis methodology
- Highlight key insights and recommendations
- Flag any data quality concerns

Communication style:
- Be precise and technical when discussing methodology
- Translate technical findings into business impact
- Use clear visualizations when helpful""",

    "assistant": """You are a helpful AI assistant focused on accuracy and clarity.

Core principles:
- Always cite sources when making factual claims
- Acknowledge uncertainty rather than guessing
- Ask clarifying questions when the request is ambiguous
- Provide step-by-step explanations for complex topics

Constraints:
- Do not provide medical, legal, or financial advice
- Redirect harmful requests appropriately
- Protect user privacy""",

    "code_reviewer": """You are a senior software engineer conducting code reviews.

Review criteria:
- Correctness: Does the code work as intended?
- Security: Are there any vulnerabilities?
- Performance: Are there efficiency concerns?
- Maintainability: Is the code readable and well-structured?
- Best practices: Does it follow language idioms?

Output format:
1. Summary assessment (approve/request changes)
2. Critical issues (must fix)
3. Suggestions (nice to have)
4. Positive feedback (what's done well)"""
}

Patterns d'intégration

Avec les systèmes RAG

RAG_PROMPT = """You are a knowledgeable assistant that answers questions based on provided context.

Context (retrieved from knowledge base):
{context}

Instructions:
1. Answer ONLY based on the provided context
2. If the context doesn't contain the answer, say "I don't have information about that in my knowledge base"
3. Cite specific passages using [1], [2] notation
4. If the question is ambiguous, ask for clarification

Question: {question}

Answer:"""

Avec validation et vérification

VALIDATED_PROMPT = """Complete the following task:

Task: {task}

After generating your response, verify it meets ALL these criteria:
✓ Directly addresses the original request
✓ Contains no factual errors
✓ Is appropriately detailed (not too brief, not too verbose)
✓ Uses proper formatting
✓ Is safe and appropriate

If verification fails on any criterion, revise before responding.

Response:"""

Optimisation des performances

Efficacité des tokens

# Before: Verbose prompt (150+ tokens)
verbose_prompt = """
I would like you to please take the following text and provide me with a comprehensive
summary of the main points. The summary should capture the key ideas and important details
while being concise and easy to understand.
"""

# After: Concise prompt (30 tokens)
concise_prompt = """Summarize the key points concisely:

{text}

Summary:"""

Caching des préfixes courants

from anthropic import Anthropic

client = Anthropic()

# Use prompt caching for repeated system prompts
response = client.messages.create(
    model="claude-sonnet-4-6",
    max_tokens=1000,
    system=[
        {
            "type": "text",
            "text": LONG_SYSTEM_PROMPT,
            "cache_control": {"type": "ephemeral"}
        }
    ],
    messages=[{"role": "user", "content": user_query}]
)

Bonnes pratiques

Soyez spécifique : Les prompts vagues produisent des résultats incohérents
Montrez, ne dites pas : Les exemples sont plus efficaces que les descriptions
Utilisez les outputs structurés : Enforcer les schemas avec Pydantic pour la fiabilité
Testez extensivement : Évaluez sur des inputs divers et représentatifs
Itérez rapidement : Les petits changements peuvent avoir de gros impacts
Surveillez les performances : Tracez les métriques en production
Contrôle de version : Traitez les prompts comme du code avec versioning approprié
Documentez l'intention : Expliquez pourquoi les prompts sont structurés ainsi

Pièges courants

Sur-ingénierie : Commencer par des prompts complexes avant d'essayer les simples
Pollution d'exemples : Utiliser des exemples qui ne correspondent pas à la tâche cible
Débordement de contexte : Dépasser les limites de tokens avec trop d'exemples
Instructions ambiguës : Laisser place à de multiples interprétations
Ignorer les cas limites : Ne pas tester sur des inputs inhabituels ou aux frontières
Pas de gestion d'erreurs : Supposer que les outputs seront toujours bien formés
Valeurs codées en dur : Ne pas paramétriser les prompts pour la réutilisation

Métriques de succès

Tracez ces KPIs pour vos prompts :

Accuracy : Correction des outputs
Consistency : Reproductibilité sur des inputs similaires
Latency : Temps de réponse (P50, P95, P99)
Token Usage : Tokens moyens par requête
Success Rate : Pourcentage d'outputs valides et parsables
User Satisfaction : Ratings et feedback

prompt-engineering-patterns