Qu'est-ce que le prompt engineering ? Une introduction par les premiers principes

VVous demandez à un modèle de langage de résumer un contrat. La sortie fait trois paragraphes — verbeux, prudents, passant à côté des clauses essentielles. Vous réessayez avec d'autres mots. Mieux, mais toujours pas ce qu'il vous fallait. Au cinquième essai, quelque chose se met en place. Cet écart — entre « poser une question à une IA » et « obtenir de façon fiable la sortie dont vous avez besoin » — c'est là que vit le prompt engineering.

Cette première leçon définit la discipline depuis ses fondations : ce qu'est réellement un prompt au niveau du modèle, ce que signifie l'ingénierer, et où en est le domaine en 2026. Sautez-la, et chaque technique apprise ensuite ressemblera à une astuce plutôt qu'à un principe.

01 1. Qu'est-ce qu'un prompt, au juste ?

Un prompt est toute entrée présentée à un modèle d'IA générative pour en obtenir une sortie. Dans les modèles textuels, cette entrée est une séquence de tokens — des unités sous-lexicales que le modèle a appris à associer à des représentations internes. Le travail du modèle est de prédire la continuation la plus probable de cette séquence, à la lumière de tout ce qu'il a appris pendant son entraînement.

C'est le point le plus important à saisir : un modèle de langage n'est ni un moteur de recherche, ni une base de données, ni un système de raisonnement au sens humain. C'est, fondamentalement, une distribution de probabilité conditionnelle. À partir des tokens que vous fournissez, il estime la probabilité de chaque token suivant possible, échantillonne dans cette distribution selon un paramètre de température, et recommence jusqu'à ce qu'une condition d'arrêt soit remplie.

Schulhoff et al. (2024) définissent un prompt comme « n'importe quel type d'entrée adressée à un modèle d'IA générative » et recensent les composants récurrents qu'il peut contenir : une directive, des exemples, des instructions de format de sortie, des instructions de style, un rôle ou une persona, et des informations contextuelles supplémentaires. Leur revue — la synthèse systématique la plus complète jamais publiée sur les techniques de prompting, couvrant 1 565 articles et recensant 58 techniques distinctes — fournit la taxonomie la plus rigoureuse disponible.

Le prompt engineering est donc le processus itératif de conception, d'affinage et d'évaluation des prompts, afin de produire de façon constante des sorties qui atteignent un niveau de qualité défini. Le mot « ingénierie » est délibéré : il suppose de la mesure, de l'itération et l'application de méthodes raisonnées — pas des conjectures ni une formulation heureuse.

02 2. Pourquoi le prompt engineering compte

L'argument pratique est simple. Un même modèle — poids identiques, API identique — peut produire des sorties allant de l'inutile à l'extraordinaire selon la façon dont on le sollicite. Brown et al. (2020), en présentant GPT-3 et la notion d'apprentissage en contexte, ont montré qu'un modèle aux poids figés pouvait égaler — et, sur certains bancs d'essai, dépasser — des systèmes affinés pour une tâche précise, uniquement par ce qui était placé dans son prompt. Ce résultat a été reproduit et étendu dans des centaines d'études ultérieures.

L'argument économique est tout aussi net. Affiner un modèle de pointe — ajuster ses poids sur des données propres à une tâche — coûte cher, prend du temps et risque l'« oubli catastrophique » — une perte de performance sur les tâches générales — en particulier lors d'un affinage complet sur de petits jeux de données. Le prompt engineering obtient des gains comparables sur la plupart des tâches en heures plutôt qu'en semaines, pour un coût marginal quasi nul par itération. La documentation d'Anthropic note elle-même que bien des équipes se tournent vers l'affinage avant d'avoir exploré à fond ce que le prompt engineering peut accomplir — une erreur d'ordonnancement qui coûte du temps et de l'argent.

Le prompt engineering est aussi devenu une discipline d'ingénierie de production. Fonctionnalités d'IA en temps réel, agents face aux clients, pipelines de classification automatisés — tous dépendent de prompts au comportement prévisible sur toute une distribution d'entrées, et pas seulement sur un exemple trié sur le volet. Sur le marché du travail, il apparaît désormais moins comme un intitulé de poste autonome que comme une exigence centrale des rôles d'ingénierie IA, de data science et de produit.

03 3. L'anatomie d'un prompt

La plupart des prompts qui sous-performent ne sont pas faux — ils sont incomplets. Six composants, chacun avec une fonction distincte ; tous ne sont pas nécessaires dans chaque prompt.

Le tableau ci-dessus condense la taxonomie de Schulhoff et al. pour un usage de production — les instructions de style sont absorbées dans le format de sortie — et promeut les contraintes au rang de composant explicite, une exigence que les taxonomies académiques érigent rarement en élément de premier plan.

Pour une tâche simple et ponctuelle, directive + contexte peuvent suffire. Pour un pipeline de production où la sortie est analysée par un autre système, les six composants sont généralement nécessaires. Le mode de défaillance le plus courant des prompts de production est l'omission du format de sortie — on laisse alors le modèle choisir une structure, ce qu'il fera différemment à chaque exécution.

04 4. Les six techniques clés

Cinquante-huit techniques apparaissent dans la littérature ; six couvrent la majorité des cas d'usage en production. Apprenez celles-là d'abord — considérez tout le reste comme une extension.

Classify the sentiment of the following customer review
as Positive, Neutral, or Negative. Reply with only the label.

Review: "The delivery was three days late and the packaging
was damaged, but the product itself works exactly as described."

Classify the sentiment. Reply with only the label.

Review: "Arrived early, works perfectly." -> Positive
Review: "It works, but the manual is useless." -> Neutral

Review: "The delivery was three days late."

Classify the sentiment of the review.

Think step by step: list what the reviewer praises, list what
they criticise, weigh the two, then give the label on its own
final line prefixed with "Label:".

You are a customer experience analyst for a logistics company.
You care about separating delivery issues from product issues.

Classify the sentiment of the review below, and say which of
the two categories drove your answer.

Classify the sentiment of the review.

Reply with JSON only, no prose:
{"label": "Positive|Neutral|Negative", "confidence": 0.0-1.0,
 "drivers": ["..."]}

Step 1 — Extract every distinct claim in the review.
Step 2 — For each claim, label it delivery, packaging or product.
Step 3 — Given the labelled claims, return one overall sentiment.

Each step is a separate call. The output of one is the input
of the next.

Le chaînage est aussi le socle des architectures d'agents modernes. Ce que LangChain, CrewAI et les frameworks similaires mettent en œuvre à grande échelle, c'est du chaînage de prompts assorti d'un accès aux outils et de branchements conditionnels. Comprendre le chaînage comme motif de conception — avant de se tourner vers un framework — est indispensable pour construire des agents que l'on peut déboguer quand ils échouent.

05 5. L'évolution de 2025 : le context engineering

En septembre 2025, Anthropic a publié un article technique soutenant que le domaine entrait dans une nouvelle phase : le context engineering. La distinction est importante et mérite d'être comprise avec précision.

Anthropic définit le context engineering comme « l'ensemble des stratégies permettant d'organiser et de maintenir le jeu optimal de tokens (d'informations) pendant l'inférence d'un LLM, y compris toutes les autres informations qui peuvent y atterrir en dehors des prompts ». La motivation est mesurable : le rapport technique de Chroma sur le phénomène montre les performances des LLM se dégrader — et devenir moins régulières — à mesure que la longueur de l'entrée augmente, même lorsque la tâche reste identique. Le terme consacré pour cette dégradation est context rot, la pourriture de contexte.

Ce qu'il faut en retenir en pratique en 2026 : le prompt engineering est le socle. Le context engineering est la couche suivante, pertinente dès que vous construisez des agents ou des systèmes multi-tours. On ne peut pas faire de context engineering sans d'abord savoir faire du prompt engineering. Cette série suit cet ordre — les fondamentaux ici, puis les system prompts, les techniques de raisonnement, le chaînage de prompts et la génération augmentée par récupération (RAG), où le context engineering devient le travail quotidien.

06 6. Le bon état d'esprit

L'erreur la plus répandue en prompt engineering est de le traiter comme un exercice créatif — ciseler la phrase parfaite à l'intuition et au panache. Les praticiens qui produisent des prompts fiables de façon constante le traitent comme un processus scientifique : hypothèse, mesure, itération.

Trois habitudes séparent les praticiens méthodiques de ceux qui s'en remettent à la chance :

Cette approche est partiellement automatisable. Zhou et al. (2022) ont montré qu'un modèle de langage peut servir à générer et à évaluer des prompts candidats, en retenant ceux qui maximisent la performance sur un jeu réservé — leur système Automatic Prompt Engineer (APE) a dépassé des prompts écrits par des humains sur plusieurs bancs d'essai. L'approche automatisée confirme le même principe : l'évaluation sur un ensemble, et non sur un exemple isolé, est le seul signal qui compte.

Une dernière observation : le paysage du prompting bouge à chaque génération de modèles. Une technique qui améliore nettement la sortie d'un modèle peut être redondante ou contre-productive sur le suivant. Les modèles de raisonnement traitent la logique pas à pas en interne ; les fenêtres de contexte plus longues déplacent le goulot de la compression vers la gestion de l'attention ; les API d'usage d'outils changent la façon dont les spécifications de format se traduisent en sorties structurées. Ce qui reste stable, c'est le modèle mental — comprendre que vous façonnez une distribution de probabilité, et non que vous adressez des commandes à une base de données.