Du plus simple au plus avancé avec des exemples
Sommaire
- 0.1 Les prompts sont la façon d’interagir directement avec les grands modèles de langage (LLM), c’est-à-dire avec des outils d’IA comme ChatGPT.
- 0.2 1. Zero-Shot Prompting
- 0.3 2. One-Shot Prompting
- 0.4 3. Few-Shot Prompting:
- 0.5 4. Role Prompting
- 0.6 5. Style Prompting
- 0.7 6. Emotion Prompting
- 0.8 7. Contextual Prompting
- 0.9 8. Rephrase and Respond (RaR)
- 0.10 9. Re-reading (RE2)
- 0.11 10. System Prompting
- 0.12 11. Self-Ask
- 0.13 12. Chain-of-Thought (CoT)
- 0.14 13. Step-back Prompting
- 0.15 14. Self-Consistency
- 0.16 15. Thread-of-Thought (ThoT)
- 0.17 16. Tree-of-Thought (ToT)
- 0.18 17. ReAct (Reason and Act)
- 1 Conclusion
Les prompts sont la façon d’interagir directement avec les grands modèles de langage (LLM), c’est-à-dire avec des outils d’IA comme ChatGPT.
- Par le biais d’outils d’IA tels que ChatGPT.
- Lors de la création d’applications LLM.
Si vous voulez obtenir plus de contrôle sur les résultats des LLM, vous devez maîtriser le prompt engineering qui est l’art de concevoir des promps bien conçus pour atteindre cet objectif.
Avec la bonne technique de prompt engineering, vous pouvez améliorer la précision, la cohérence, la créativité ou la fonctionnalité de ces LLM pour les adapter à vos cas d’utilisation spécifiques.
Dans ce blog, nous allons examiner 17 techniques éprouvées de prompt engineering et apprendre quand les appliquer pour obtenir de meilleures réponses de la part des LLM et créer de meilleures applications LLM.
Consultez Nos Experts au 09 53 32 33 33
ou par Mail>>
1. Zero-Shot Prompting
Comment l’utiliser : donnez des instructions claires sans exemples.
Quand l’utiliser : lorsque la tâche est simple et directe, comme les traductions ou les questions factuelles.
SUGGESTION : Traduisez l'expression anglaise « Flowers on the road » en espagnol.
2. One-Shot Prompting
Mode d’emploi :donnez des instructions claires et ajoutez un seul exemple pour démontrer la tâche/le résultat souhaité.
Quand l’utiliser : lorsqu’un seul exemple est nécessaire (et suffisant) pour clarifier la tâche ou le format de sortie du modèle.
PROMPT : En majuscules, renvoyez la traduction espagnole du mot anglais « basket » uniquement.
EXEMPLE :
Mot anglais (entrée) : Rivière
Traduction espagnole (sortie) : RÍO
3. Few-Shot Prompting:
Comment l’utiliser: Donner des instructions claires avec quelques exemples dans le prompt.
Consultez Nos Experts au 09 53 32 33 33
ou par Mail>>
Quand utiliser: Lorsque vous devez adapter le modèle à une tâche/un domaine spécifique sans le peaufiner et lorsque vous avez besoin de résultats plus cohérents et plus précis.
PROMPT : renvoyez uniquement le sentiment de l'énoncé « Le cours était assez ennuyeux ». Soit positif, soit négatif, soit neutre.
EXEMPLES :
Ce film était génial ! Positif,
'J'ai détesté le service' : Négatif,
Je ne sais pas ce que j'en pense » : Neutre
4. Role Prompting
Comment l’utiliser: Donnez des instructions claires et attribuez un personnage spécifique au modèle.
Quand l’utiliser: Lorsque la tâche est ouverte et que le résultat doit correspondre à une perspective, une personnalité ou un ton particulier.
PROMPT : Rédigez un court blog (500 mots) en 4 points sur les astuces de l'université.
RÔLE : Jouez le rôle d'une gentille étudiante qui utilise beaucoup d'argot de la génération Z.
5. Style Prompting
Comment l’utiliser? Spécifiez le style, le ton ou le genre souhaité dans le prompt.
Quand l’utiliser: Lorsque le résultat doit correspondre à un style ou à un ton particulier.
Consultez Nos Experts au 09 53 32 33 33
ou par Mail>>
SUGGESTION : Rédigez un bref courriel formel pour demander une augmentation.
6. Emotion Prompting
Comment l’utiliser? Ajoutez une phrase ou une expression chargée d’émotion à l’incitation.
Quand l’utiliser: Lorsque la tâche implique la production d’un texte créatif, tel qu’un conte ou une poésie.
INVITATION : Écrivez un poème sur mon ami imaginaire perdu qui n'a jamais abandonné. Mon ami me manque encore.
7. Contextual Prompting
Mode d’emploi : fournir des informations contextuelles ou personnalisées avant de donner des instructions claires dans le prompt.
Quand l’utiliser ? Lorsque des informations contextuelles ou spécifiques à un domaine sont nécessaires pour rendre la réponse plus précise ou pertinente, par exemple dans les chatbots RAG.
CONTEXTE : Je m'appelle Jennifer Luke et je suis responsable marketing dans l'entreprise JL.
PROMPT : Écrivez un e-mail à l'équipe au sujet de la campagne à venir.
8. Rephrase and Respond (RaR)
Comment l’utiliser ? Demandez au LLM de reformuler la question en un meilleur prompt avant de générer la réponse finale.
Consultez Nos Experts au 09 53 32 33 33
ou par Mail>>
Quand l’utiliser ? Pour une plus grande précision dans les tâches complexes ou lorsque vous devez évaluer la compréhension d’une tâche par le LLM.
SUGGESTION : Reformulez et développez la question suivante, puis répondez-y : Quelle est la différence entre corrélation et causalité ?
9. Re-reading (RE2)
Mode d’emploi : Commencez par une instruction ou une question, ajoutez la phrase : « Relisez cela : » immédiatement après, puis répétez l’instruction/la question initiale.
Quand l’utiliser ? Pour les tâches complexes qui impliquent un raisonnement.
SUGGESTION :
Un agriculteur possède un champ rectangulaire trois fois plus long que large. Le périmètre du champ est de 400 mètres. Quelles sont les dimensions du champ ?
Relisez la question : "Un agriculteur possède un champ rectangulaire trois fois plus long que large. Le périmètre du champ est de 400 mètres. Quelles sont les dimensions du champ ?"
10. System Prompting
Comment l’utiliser ? Donnez au LLM des instructions de haut niveau ou un contexte qui sera pris en compte tout au long de l’interaction avec le LLM.
Dans ChatGPT, vous pouvez le faire en utilisant la fonction « personnaliser GPT ».
Consultez Nos Experts au 09 53 32 33 33
ou par Mail>>
Lorsque vous créez des applications LLM, vous pouvez le faire en fournissant le contexte/les instructions en tant qu’« system prompt ».
Quand l’utiliser ? Lorsque vous devez définir le comportement général et le ton du LLM dans le cadre d’une conversation.
INVITATION DU SYSTÈME : Vous êtes un assistant utile qui fournira des réponses factuelles sur un ton concis
11. Self-Ask
Comment l’utiliser ? Posez une question au LLM et demandez-lui de la diviser en sous-questions plus petites auxquelles il répondra pour arriver à la réponse finale.
Quand l’utiliser ? Lorsque la tâche est complexe, qu’elle nécessite un raisonnement ou qu’elle comporte plusieurs étapes.
PROMPT :
Devrais-je poursuivre un master en science des données ?
Décomposez cette question en sous-questions plus petites, répondez-y et donnez une recommandation finale basée sur votre raisonnement.
12. Chain-of-Thought (CoT)
Comment l’utiliser ? Posez une question au modèle et ajoutez la phrase « Réfléchissons étape par étape ».
Quand l’utiliser ? Pour les tâches qui requièrent un raisonnement, comme les problèmes de mathématiques ou de logique.
SUGGESTION : Quel est le coût total d'un repas avec une réduction de 10 % et une taxe de 7 % ?
Réfléchissons étape par étape.
13. Step-back Prompting
Comment l’utiliser ? Posez une question générale, puis invitez le modèle à répondre à une question spécifique en fonction de sa réponse à la question générale.
Quand l’utiliser ? Lorsque la tâche implique une analyse ou une prise de décision basée sur de multiples facteurs (généraux/fondamentaux).
SUGGESTION : Expliquez les facteurs clés qui influencent la décision d'une entreprise de se développer sur un nouveau marché.
Sur la base de ces facteurs, une entreprise du secteur technologique devrait-elle s'implanter en Europe ?
14. Self-Consistency
Comment l’utiliser ? Posez une question ou donnez une instruction, puis demandez au LLM de générer plusieurs sorties et de ne renvoyer que la réponse la plus fréquente.
Quand l’utiliser ? Lorsque la tâche comporte de nombreuses réponses possibles et que la cohérence et la précision sont requises.
PROMPT : Quel est le langage de programmation le plus populaire pour l'apprentissage automatique ?
Générer 5 réponses possibles et ne renvoyer que celle qui apparaît le plus souvent.
15. Thread-of-Thought (ThoT)
Comment l’utiliser ? Comme le CoT, mais au lieu d’ajouter « réfléchissons étape par étape », vous direz « aidez-moi à résoudre ce problème étape par étape, en parties gérables ».
Quand l’utiliser ? Lorsque la tâche implique des réponses à des questions et des contextes complexes, comme dans les systèmes RAG.
CONTEXTE : J'ai un problème concernant un groupe de personnes assistant à une fête. Il y a 10 invités : Alice, Bob, Carol, Dave, Eve, Frank, Grace, Henry, Irene et Jack. Chaque personne a une préférence pour le type de musique qu'elle veut écouter, et il y a 3 types de musique : Jazz, Rock et Classique. Chaque personne n'assistera à l'événement que si elle peut entendre le type de musique qu'elle préfère. Toutefois, en raison du nombre limité de haut-parleurs, seuls trois genres musicaux peuvent être diffusés, et un seul à la fois.
PROMPTE : Expliquez-moi, étape par étape, le nombre maximum d'invités qui peuvent assister à la fête (le nombre maximum de personnes qui peuvent être satisfaites de leur préférence musicale).
16. Tree-of-Thought (ToT)
Comment l’utiliser ? Demandez au modèle de décomposer un problème complexe en étapes plus petites. À chaque étape, le modèle doit générer plusieurs solutions possibles, évaluer leur qualité et poursuivre avec la meilleure option jusqu’à ce qu’il parvienne à une solution finale.
Quand l’utiliser ? Lorsque la tâche nécessite un raisonnement approfondi, une planification en plusieurs étapes et une grande précision.
PROMPT : Je suis en train de concevoir un nouveau type de tasse à café qui garde les boissons chaudes plus longtemps.
Décomposez ce problème en plusieurs étapes. À chaque étape, générez plusieurs solutions possibles, évaluez leur qualité (en tenant compte de facteurs tels que la faisabilité, la rentabilité et l'impact potentiel) et continuez avec la meilleure option jusqu'à ce que vous parveniez à une solution finale.
Commencez par un brainstorming sur les concepts initiaux.
17. ReAct (Reason and Act)
Comment l’utiliser ? Demander au LLM de générer une pensée, d’agir sur la base de cette pensée, d’observer le résultat de l’action, puis d’utiliser l’observation pour affiner les pensées et les actions suivantes.
Quand l’utiliser ? Lorsque la tâche nécessite une prise de décision itérative et une interaction avec des systèmes ou des données externes.
PROMPT : Je dois trouver les dernières tendances du marché des véhicules électriques.
Commencez par réfléchir aux mots-clés les plus pertinents à rechercher.
Ensuite, effectuez une recherche à l'aide de ces mots clés en appelant l'API de recherche.
Observez les résultats de la recherche, affinez les mots-clés en fonction des données obtenues et effectuez une nouvelle recherche si nécessaire.
Répétez ce processus, en ajustant votre stratégie en fonction des dernières découvertes, jusqu'à ce que vous trouviez les données les plus pertinentes et les plus récentes sur les tendances du marché.
Conclusion
Il n’existe pas de formule magique ou de solution universelle en matière d’ingénierie d’incitation.
Chaque modèle est différent et la meilleure façon d’obtenir les résultats souhaités est d’expérimenter.
Il se peut que vous deviez modifier vos instructions, ajouter du contexte ou même combiner plusieurs techniques, comme le montrent les exemples ci-dessus.