🏗️Exemple concret
Extraction d'informations ESG dans des rapports : sans technique → précision 65%. Avec chain-of-thought ('d'abord identifie si le passage parle d'environnement, puis extrait les chiffres, puis valide la pertinence') → précision 89%. Avec few-shot (3 exemples annotés dans le prompt) → précision 93%.
∑ Concept clé
Techniques clés : Zero-shot (direct), Few-shot (exemples), Chain-of-Thought (raisonnement étape par étape), Role prompting (persona), Output format (JSON, markdown), System prompt (contexte global)
🎯Quand l'utiliser ?
✓Extraction d'information structurée depuis du texte libre
✓Classification de documents sans fine-tuning
✓Génération de contenu contrôlée et répétable
✅ Avantages
+Améliore significativement les performances sans entraînement
+Itérations rapides (pas de GPU requis)
+Applicable à tout LLM accessible via API
⚠️ Limites
−Fragile : un changement de modèle peut casser les prompts
−Longueur limitée par la fenêtre de contexte
−Difficile à tester et versionner systématiquement
🛠️ Outils principaux
OpenAI Playground
Anthropic Console
LangChain (prompt templates)
PromptLayer (suivi des prompts)
LangSmith
LLMIA GénérativeGPTNLPOptimisation