While these tips apply broadly to all Claude models, you can find prompting tips specific to extended thinking models here.

​
Avant l’ingénierie de prompts

Ce guide suppose que vous avez :
  1. Une définition claire des critères de succès pour votre cas d’usage
  2. Quelques moyens de tester empiriquement ces critères
  3. Un premier brouillon de prompt que vous souhaitez améliorer
Si ce n’est pas le cas, nous vous suggérons fortement de passer du temps à établir cela d’abord. Consultez Définir vos critères de succès et Créer des évaluations empiriques solides pour des conseils et des orientations.

Générateur de prompts

Vous n’avez pas de premier brouillon de prompt ? Essayez le générateur de prompts dans la Console Claude !

​
Quand faire de l’ingénierie de prompts

Ce guide se concentre sur les critères de succès qui sont contrôlables par l’ingénierie de prompts. Tous les critères de succès ou évaluations défaillantes ne sont pas mieux résolus par l’ingénierie de prompts. Par exemple, la latence et le coût peuvent parfois être plus facilement améliorés en sélectionnant un modèle différent.
L’ingénierie de prompts est bien plus rapide que d’autres méthodes de contrôle du comportement des modèles, comme le fine-tuning, et peut souvent produire des bonds de performance en beaucoup moins de temps. Voici quelques raisons de considérer l’ingénierie de prompts plutôt que le fine-tuning :
  • Efficacité des ressources : Le fine-tuning nécessite des GPU haut de gamme et une grande mémoire, tandis que l’ingénierie de prompts n’a besoin que d’entrée textuelle, ce qui la rend beaucoup plus économe en ressources.
  • Rentabilité : Pour les services d’IA basés sur le cloud, le fine-tuning entraîne des coûts significatifs. L’ingénierie de prompts utilise le modèle de base, qui est généralement moins cher.
  • Maintien des mises à jour du modèle : Quand les fournisseurs mettent à jour les modèles, les versions fine-tunées peuvent nécessiter un réentraînement. Les prompts fonctionnent généralement à travers les versions sans changements.
  • Gain de temps : Le fine-tuning peut prendre des heures voire des jours. En revanche, l’ingénierie de prompts fournit des résultats presque instantanés, permettant une résolution rapide des problèmes.
  • Besoins minimaux en données : Le fine-tuning nécessite des données étiquetées substantielles et spécifiques à la tâche, qui peuvent être rares ou coûteuses. L’ingénierie de prompts fonctionne avec l’apprentissage few-shot ou même zero-shot.
  • Flexibilité et itération rapide : Essayez rapidement diverses approches, ajustez les prompts et voyez des résultats immédiats. Cette expérimentation rapide est difficile avec le fine-tuning.
  • Adaptation de domaine : Adaptez facilement les modèles à de nouveaux domaines en fournissant un contexte spécifique au domaine dans les prompts, sans réentraînement.
  • Améliorations de la compréhension : L’ingénierie de prompts est bien plus efficace que le fine-tuning pour aider les modèles à mieux comprendre et utiliser le contenu externe comme les documents récupérés
  • Préserve les connaissances générales : Le fine-tuning risque l’oubli catastrophique, où le modèle perd ses connaissances générales. L’ingénierie de prompts maintient les capacités larges du modèle.
  • Transparence : Les prompts sont lisibles par l’humain, montrant exactement quelles informations le modèle reçoit. Cette transparence aide à la compréhension et au débogage.

​
Comment faire de l’ingénierie de prompts

Les pages d’ingénierie de prompts de cette section ont été organisées des techniques les plus largement efficaces aux techniques plus spécialisées. Lors du dépannage des performances, nous suggérons d’essayer ces techniques dans l’ordre, bien que l’impact réel de chaque technique dépendra de votre cas d’usage.
  1. Générateur de prompts
  2. Être clair et direct
  3. Utiliser des exemples (multishot)
  4. Laisser Claude réfléchir (chaîne de pensée)
  5. Utiliser des balises XML
  6. Donner un rôle à Claude (prompts système)
  7. Pré-remplir la réponse de Claude
  8. Enchaîner des prompts complexes
  9. Conseils pour les contextes longs

​
Tutoriel d’ingénierie de prompts

Si vous êtes un apprenant interactif, vous pouvez plonger dans nos tutoriels interactifs à la place !

Tutoriel de prompting GitHub

Un tutoriel rempli d’exemples qui couvre les concepts d’ingénierie de prompts trouvés dans notre documentation.

Tutoriel de prompting Google Sheets

Une version plus légère de notre tutoriel d’ingénierie de prompts via une feuille de calcul interactive.