De vague à précis : affiner une instruction en trois étapes réfléchies

La plupart des résultats faibles générés par les LLM ne proviennent pas d’un modèle faible, mais plutôt d’une demande qui oblige le modèle à deviner. La façon la plus rapide de le constater est d’ prendre une seule requête et de l’améliorer progressivement, en observant ce que chaque modification élimine du travail de devinette. Ci-dessous, une tâche quotidienne est présentée sous trois versions ; à la fin, vous disposerez d’un modèle reproductible pour transformer vos propres demandes fréquemment utilisées en celles dont les résultats nécessitent peu ou pas de modification.

La tâche à accomplir : rédiger un post sur LinkedIn annonçant une mise à jour de produit.

Étape un : la demande telle que les gens l’écrivent généralement

La première version est celle que presque tout le monde envoie.

Write a LinkedIn post about our new feature launch.

Rien ici n’est incorrect, mais presque rien n’est non plus spécifié. Il n’y a aucun rôle à adopter pour le modèle, aucune description de la fonctionnalité, aucun public cible, aucun ton ni aucun format défini. Les seuls indices sont « publication LinkedIn » et « lancement d’une fonctionnalité », ce qui pousse le modèle à combler chaque lacune avec ses valeurs par défaut les plus sûres et les plus génériques. Le résultat est un texte corporatif soigné qui pourrait annoncer n’importe quel produit.

Deuxième étape : fournir les faits

La deuxième version indique au modèle ce qui s’est réellement passé.

Write a LinkedIn post about our new feature launch. We just added dark mode to our app, and users have been asking for it for months. Keep it casual.

C’est une véritable amélioration. Le modèle connaît désormais le fait que il s’agit du mode sombre, et que les utilisateurs le souhaitent depuis longtemps ; de plus, l’indication « rester informel » éloigne le ton d’un communiqué de presse. Ce qui manque encore, c’est un interlocuteur défini, une limite de format et un objectif clair au-delà de « rédiger un post ». Le modèle doit donc encore décider de la longueur du texte, s’il faut y ajouter un appel à l’action, et dans quel style il doit écrire.

Pour beaucoup de gens, c’est là que l’encadrement des instructions prend fin, et le résultat est généralement utilisable. Cependant, utilisable ne signifie pas optimal.

Troisième étape : ajouter le rôle, l’objectif, le format et les contraintes

La version finale divise la demande en deux parties. D’abord vient le rôle, qui définit le style de rédaction :

Act as a founder writing a personal, low-key LinkedIn update, not a marketing announcement.

Vient ensuite un résumé structuré qui couvre le contexte, l’objectif, le format ainsi que les exclusions explicites. Il est indiqué comme texte brut et non en YAML ; placer chaque étiquette sur sa propre ligne permet de faciliter la lecture des sections.

Context: We just shipped dark mode after users requested it for months. This is a small update, not a major launch, so it shouldn't be hyped up.Objective: Announce the update in a way that feels like a genuine update from a builder, not corporate copy, and invite people to try it and share feedback.Format: Under 100 words. No emojis. End with a direct, casual question rather than a call to action button.Constraints: Do not use the words "excited," "thrilled," or "game-changer." Do not use hashtags.

Le gain n’est pas simplement dû à l’allongement de la demande. Toute ambiguïté restée en suspens lors de la deuxième étape est désormais résolue : le modèle sait qui parle, quel ton éviter, la limite de mots, comment terminer le texte ainsi quels mots et hashtags sont interdits. Lorsqu’il reste peu de choses à deviner, il y a peu de chances d’erreur.

Prêtez une attention particulière aux contraintes négatives. Énumérer les mots interdits tels que « excited » ou « game-changer » est souvent le moyen le plus efficace d’éliminer les clichés qui rendent le texte généré reconnaissable, car cela cible directement les paramètres par défaut du modèle.

Pourquoi le deuxième saut est plus important que le premier

Le passage de la première étape à la deuxième a ajouté du contexte. Le passage de la deuxième à la troisième a apporté une structure : un rôle, un format explicite et des limites concernant ce qu’il faut éviter. La deuxième étape a tendance à avoir un effet plus important que ce à quoi les gens s’attendent, car ces deux éléments remplissent des fonctions différentes. Le contexte indique au modèle ce qui est vrai, tandis que la structure lui montre à quoi ressemble un bon résultat.

Cette différence influence également l’endroit où se concentrent vos efforts. Avec une instruction de deuxième étape, vous corrigez généralement la forme du résultat une fois qu’il est généré : vous ajustez sa longueur, éliminez le langage excessif ou réécrivez la fin. Avec une instruction de troisième étape, vous décrivez d’emblée la forme souhaitée, de sorte que l’édition devient presque inutile. Si vous souhaitez un modèle plus complet pour les systèmes de production, consultez notre cadre en sept couches pour les instructions LLM.

Un point important à garder en tête : toutes les instructions ne méritent pas un traitement complet. Pour une question ponctuelle, une deuxième étape suffit amplement. La version structurée s’avère utile pour les instructions que vous réutilisez, partagez avec une équipe ou dont vous avez besoin pour du texte destiné au public.

Appliquez ce modèle à vos propres instructions

Sélectionnez une instruction que vous envoyez régulièrement, celle que vous pourriez presque taper par cœur, et répétez l’exercice :

• Ajoutez d’abord du contexte : les faits que le modèle ne peut pas connaître par lui-même.
• Ajoutez un rôle qui définit la voix ou le point de vue.
• Ajoutez un format : la longueur, la structure et la manière dont le résultat doit se terminer.
• Ajoutez une ou deux exclusions explicites : mots, styles ou éléments à omettre.

Généralement, les deux premières versions nécessitent encore des modifications, tandis que la troisième est déjà presque terminée.

Points clés

• Une demande succincte oblige le modèle à combler les lacunes avec des valeurs par défaut génériques.
• Le contexte améliore la précision, mais il ne définit pas ce qu’est un travail bien fait.
• Le rôle, l’objectif, le format et les contraintes transforment une demande en spécification.
• Les contraintes négatives sont un moyen économique et efficace d’éliminer les clichés.
• Investissez dans une structure pour les prompts que vous réutilisez ; gardez les questions ponctuelles simples.