> ## Documentation Index > Fetch the complete documentation index at: https://ia101.nicolassandoz.fr/llms.txt > Use this file to discover all available pages before exploring further. # Prompts itératifs : affiner vos résultats progressivement > Maîtrisez l'art du raffinement conversationnel : clarifier, contraindre et reformuler vos demandes pour obtenir exactement ce que vous visez. 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 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. ```text theme={null} Rédige un email pour informer mon équipe du nouveau processus de validation des congés. ``` Vous obtenez un premier jet. Il sera sans doute trop générique, mais il vous donne une base concrète à travailler. 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. Envoyez vos corrections de manière ciblée. Soyez spécifique sur ce que vous voulez changer. ```text theme={null} Bien. Maintenant adapte-le : - Ton plus décontracté, nous nous tutoyons dans l'équipe - Ajoute que le nouveau processus entre en vigueur le 1er février - Termine par une invitation à poser des questions en réunion jeudi - Raccourcis d'un tiers environ ``` Une fois la structure et le ton satisfaisants, affinez les détails fins : formulations spécifiques, mots à éviter, mise en forme. ```text theme={null} Presque parfait. Remplace "processus de validation" par "procédure de demande" partout, et ajoute un lien fictif vers le formulaire en ligne. ``` Demandez la version finale propre, sans le contexte de la conversation. ```text theme={null} Parfait. Donne-moi la version finale de l'email uniquement, prêt à copier-coller, sans commentaires. ``` ## 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. ```text theme={null} # Premier prompt Explique ce qu'est un transformer en machine learning. # Itération : clarification de l'audience C'est bien, mais explique-le pour quelqu'un qui n'a aucune connaissance en mathématiques ou en code. ``` ### Contraindre Vous imposez des restrictions sur la forme ou le contenu. ```text theme={null} # Itération : contraintes de format Reformule en 5 points maximum, chaque point en une seule phrase. ``` ### Reformuler Vous demandez une approche différente sans changer l'objectif. ```text theme={null} # Itération : reformulation L'analogie avec les réseaux de neurones biologiques est trop abstraite. Essaie plutôt une analogie avec un système de traduction ou de recherche documentaire. ``` ### Explorer des alternatives Vous demandez plusieurs variantes pour choisir la meilleure. ```text theme={null} # Itération : exploration Donne-moi 3 façons différentes d'ouvrir cet email : une formelle, une chaleureuse, une directe. ``` ### 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. ```text theme={null} # Itération : auto-évaluation Relis ta réponse précédente et vérifie-la selon ces critères : - Respecte-t-elle la limite de 200 mots demandée ? - Le ton est-il bien celui d'un collègue, pas d'un communiqué officiel ? - Y a-t-il une affirmation que tu ne peux pas justifier ? Signale chaque écart trouvé, puis propose une version corrigée. ``` Cette technique se combine bien avec les [patterns réutilisables](/prompt-engineering/patterns-reutilisables) : 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. ```text theme={null} Pour toute la suite de notre échange, applique ces règles : - Réponds toujours en français, même si je t'écris en anglais - Structure tes réponses avec des titres H2 en gras - Limite chaque réponse à 200 mots maximum sauf si je demande plus - Utilise toujours le vouvoiement Confirme que tu as bien pris note de ces préférences. ``` 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.