Skip to main content
Obtenir le résultat parfait dès le premier prompt est rare, et ce n’est pas grave. Les LLM modernes sont conçus pour la conversation multi-tours, et cette capacité est une fonctionnalité puissante, pas un palliatif. Traiter l’échange avec un modèle comme un dialogue collaboratif plutôt que comme une requête unique transforme radicalement la qualité des résultats que vous pouvez atteindre. Cette approche s’appelle le prompting itératif.

​
La conversation comme outil d’affinage

Chaque message dans une conversation avec un LLM enrichit son contexte. Le modèle « se souvient » (dans la limite de sa fenêtre de contexte) de tout ce qui a été échangé et peut affiner ses réponses en tenant compte de vos corrections et précisions successives. Cette dynamique vous permet de :
  • Commencer vague et préciser progressivement plutôt que de passer du temps à formuler une instruction parfaite.
  • Corriger en langage naturel (“c’est trop formel”, “développe le deuxième point”) sans réécrire tout votre prompt.
  • Explorer des directions en demandant des alternatives avant de choisir.
  • Construire des livrables complexes étape par étape plutôt que tout d’un coup.

​
Le processus de raffinement progressif

1

Formuler une demande initiale large

Commencez par une demande générale qui capture l’essentiel de votre besoin. Inutile d’être exhaustif : le but est d’obtenir une première réponse à réagir.
Vous obtenez un premier jet. Il sera sans doute trop générique, mais il vous donne une base concrète à travailler.
2

Identifier ce qui ne correspond pas

Analysez la réponse en vous posant trois questions :
  • Quoi : le contenu est-il juste ? Manque-t-il des informations ?
  • Comment : le ton et le format sont-ils adaptés ?
  • Pour qui : le niveau de langage correspond-il à votre audience ?
Dans notre exemple : l’email est trop formel, ne mentionne pas la date d’entrée en vigueur et manque d’un appel à l’action.
3

Affiner avec des contraintes précises

Envoyez vos corrections de manière ciblée. Soyez spécifique sur ce que vous voulez changer.
4

Itérer sur les détails restants

Une fois la structure et le ton satisfaisants, affinez les détails fins : formulations spécifiques, mots à éviter, mise en forme.
5

Valider et extraire le livrable final

Demandez la version finale propre, sans le contexte de la conversation.

​
Techniques d’itération

Il existe plusieurs modes d’affinage selon ce qui doit être amélioré dans la réponse précédente.

​
Clarifier

Vous précisez des éléments que votre prompt initial n’avait pas spécifiés.

​
Contraindre

Vous imposez des restrictions sur la forme ou le contenu.

​
Reformuler

Vous demandez une approche différente sans changer l’objectif.

​
Explorer des alternatives

Vous demandez plusieurs variantes pour choisir la meilleure.

​
Auto-évaluer

Vous demandez au modèle de relire sa propre réponse et de la critiquer selon des critères précis, avant de vous la soumettre à nouveau. Cette technique est particulièrement utile quand vous n’êtes pas certain vous-même de ce qui cloche dans le résultat obtenu.
Cette technique se combine bien avec les patterns réutilisables : le pattern “Générer puis auto-évaluer” applique la même logique en un seul prompt, sans dépendre d’un second tour de conversation.

​
Exemple de dialogue multi-tours

Voici une conversation réelle illustrant le raffinement progressif en action.
Tour 1 : demande initiale
Vous : Écris un titre accrocheur pour un article sur la productivité.
Modèle : “10 astuces pour être plus productif au quotidien”
Tour 2 : premier affinage
Vous : Trop générique. L’article cible spécifiquement les développeurs qui travaillent en remote. Et évite les listes “X astuces”.
Modèle : “Remote et concentré : comment les développeurs reprennent le contrôle de leur temps”
Tour 3 : affinage du ton
Vous : Mieux ! Mais on vise un ton plus percutant, moins magazine. Quelque chose de plus direct, presque provoquant.
Modèle : “Vous ne manquez pas de temps. Vous manquez de structure.”
Tour 4 : validation et variantes
Vous : Excellent. Donne-moi 2 variantes dans ce registre.
Modèle :
  1. “Le remote ne détruit pas votre productivité. Votre organisation, si.”
  2. “Arrêtez d’optimiser vos outils. Optimisez vos décisions.”
En quatre tours, vous êtes passé d’un titre générique à trois options solides et différenciées, un résultat difficile à obtenir en un seul prompt.

​
Mémoriser les préférences dans la conversation

Dans une session multi-tours, vous pouvez « enseigner » vos préférences au modèle pour qu’il les applique systématiquement dans la suite de la conversation.
Cette technique est particulièrement utile pour les sessions de travail longues sur un document ou un projet.
Quand vous trouvez une formulation ou une séquence de prompts qui fonctionne très bien, sauvegardez-la immédiatement dans un fichier texte ou un outil de gestion de prompts. Les bonnes séquences d’itération sont réutilisables : elles constituent votre bibliothèque personnelle de prompts et vous font gagner un temps considérable sur des tâches similaires futures.

​
Savoir quand recommencer vs continuer

Continuer d’itérer n’est pas toujours la meilleure stratégie. Voici comment décider. Continuez la conversation si :
  • La réponse initiale était bonne dans l’ensemble, avec des ajustements mineurs à faire.
  • Vous avez établi des préférences et un contexte utiles dans la session.
  • Vous travaillez sur un document long avec des modifications ponctuelles.
Recommencez une nouvelle conversation si :
  • Les premières réponses étaient fondamentalement hors sujet.
  • La conversation a dérivé et le contexte accumulé nuit à la cohérence.
  • Vous souhaitez tester une approche radicalement différente sans biais.
  • La fenêtre de contexte est proche de sa limite (les modèles “oublient” les débuts).
Le modèle se souvient-il de tout ce que j’ai dit ?Dans une même conversation, oui, jusqu’à la limite de sa fenêtre de contexte (quelques dizaines de milliers à plusieurs centaines de milliers de tokens selon le modèle). Au-delà, les messages les plus anciens sont tronqués ou résumés automatiquement.Le modèle retient-il mes préférences entre deux sessions ?Par défaut, non. Chaque nouvelle conversation repart de zéro. Certains outils (ChatGPT avec mémoire activée, des systèmes RAG personnalisés) permettent de persister des informations entre sessions, mais ce n’est pas le comportement standard.Comment maintenir la cohérence sur une très longue conversation ?Deux techniques : (1) résumez périodiquement le contexte important (“pour rappel, nous travaillons sur X, avec les contraintes Y et Z”) et (2) réaffirmez les préférences essentielles quand la conversation change de phase.Est-ce que les itérations “polluent” le contexte ?Les allers-retours très nombreux peuvent parfois diluer les instructions initiales. Si vous constatez une dérive, un rappel explicite (“reviens aux contraintes initiales : [liste]”) remet le modèle sur la bonne trajectoire.

​
Intégrer le prompting itératif dans votre workflow

Le prompting itératif n’est pas une technique isolée, c’est une posture de travail à adopter face aux LLM. Combiné avec le few-shot learning pour guider le format dès le départ, ou avec le Chain-of-Thought pour affiner un raisonnement complexe, il constitue le socle d’une utilisation experte des modèles de langage au quotidien. Dans le prochain chapitre, vous allez transformer vos meilleures séquences d’itération en patterns réutilisables : des templates prêts à copier-coller pour ne plus jamais repartir de zéro.