Comprendre les trois techniques de prompt fondamentales
Lorsque vous travaillez avec des modèles linguistiques, la manière dont vous posez une question est aussi importante que la question elle-même. Les trois principales approches de prompt — zero-shot, few-shot et chain-of-thought — représentent différentes façons de guider les modèles d’IA vers de meilleurs résultats. Chacune a des forces spécifiques, et choisir la bonne dépend de la complexité de votre tâche, des exemples disponibles et de la précision souhaitée.
Considérez ces techniques comme différentes stratégies de coaching. Le zero-shot, c’est comme demander à quelqu’un de jouer au tennis sans jamais avoir vu le jeu. Le few-shot, c’est comme lui montrer quelques matchs d’abord. Le chain-of-thought, c’est comme lui demander d’expliquer sa pensée à voix haute pendant qu’il joue. Comprendre quand utiliser chacune d’elles transforme votre prompting d’aléatoire à stratégique et fiable.
Prompting Zero-Shot : Rapide, direct et étonnamment performant
Le prompting zero-shot consiste à demander au modèle d’accomplir une tâche sans aucun exemple. Vous fournissez simplement l’instruction et le laissez faire. C’est le chemin le plus rapide de la question à la réponse.
Quand utiliser le zero-shot :
- Tâches simples et directes (classification, résumé, questions-réponses de base)
- Vous avez besoin de résultats rapides et n’avez pas le temps de préparer des exemples
- La tâche est suffisamment courante pour que le modèle la comprenne probablement à partir des seules données d’entraînement
- Vous voulez tester si une tâche est même réalisable avant d’investir dans des approches plus complexes
Exemple : Classification de contenu
Prompt: Classify the following email as "spam", "promotional", or "legitimate":
"Hi Sarah, Just confirming our 2pm meeting tomorrow about the Q4 budget review. Looking forward to discussing the new projections. -Michael"
Classification:Les modèles linguistiques modernes gèrent cela sans aucun exemple car la classification d’e-mails est courante. Vous obtiendrez une réponse fiable immédiatement.
Cas d’utilisation réel : Une équipe de service client utilise le prompting zero-shot pour acheminer les messages entrants vers le bon département — Support, Facturation ou Commentaires sur le produit. Le modèle comprend ces catégories naturellement sans avoir besoin d’exemples.
Prompting Few-Shot : Ajouter des exemples pour améliorer la cohérence
Le prompting few-shot signifie que vous fournissez quelques exemples concrets avant de poser votre question réelle. Ces exemples montrent au modèle exactement ce que vous voulez : le format, le ton, le schéma de raisonnement et le niveau de détail.
Quand utiliser le few-shot :
- Tâches avec des exigences spécifiques et personnalisées (formats inhabituels, voix de marque, domaines de niche)
- Vous avez besoin d’un style de sortie cohérent pour plusieurs requêtes
- La tâche est quelque peu ambiguë et bénéficie d’une clarification par des exemples
- Les tentatives en zero-shot ont produit des résultats incohérents ou incorrects
- Vous avez 2 à 5 bons exemples facilement disponibles
Exemple : Convertir les retours clients en suggestions d’amélioration
Prompt: Convert customer feedback into actionable product improvement suggestions. Follow this format.
Example 1:
Customer feedback: "The checkout process is confusing. I had to click through 6 pages and still didn't know which payment methods were accepted."
Improvement suggestion: Add a payment methods info box above the payment field and condense the checkout flow to 3 steps maximum.
Example 2:
Customer feedback: "Your app crashes whenever I try to upload a photo from my gallery."
Improvement suggestion: Debug the photo upload module for Android devices and test with various file sizes and formats.
Now convert this feedback:
Customer feedback: "The mobile app is too cluttered. I can't find the order history button."
Improvement suggestion:Sans ces exemples, le modèle pourrait donner des conseils génériques comme « améliorer l’application ». Avec des exemples, il apprend votre format spécifique, le niveau d’actionnabilité et la profondeur technique.
Cas d’utilisation réel : Une entreprise SaaS reçoit des demandes de fonctionnalités sous des dizaines de formats. En utilisant le prompting few-shot avec 3-4 exemples bien structurés, elle standardise toutes les demandes dans un format cohérent pour que son équipe produit puisse les évaluer.
Prompting Chain-of-Thought : Faire expliquer son raisonnement au modèle
Le prompting Chain-of-Thought (CoT) demande au modèle de montrer son travail — d’expliquer chaque étape de raisonnement avant d’arriver à une conclusion. Cette technique améliore considérablement la précision sur des tâches complexes comme les mathématiques, la logique et l’analyse multi-étapes.
Quand utiliser le chain-of-thought :
- Tâches de raisonnement complexes (mathématiques, puzzles logiques, analyse avec plusieurs facteurs)
- Vous devez vérifier la pensée du modèle, pas seulement la réponse
- La précision est plus importante que la vitesse
- La tâche nécessite de prendre en compte plusieurs considérations ou étapes
- Combiné avec le few-shot : montrer des exemples de raisonnement étape par étape
Exemple : Sans chain-of-thought
Prompt: A restaurant has 240 customers this week. 30% ordered salads, 50% ordered mains, and 20% ordered desserts. How many customers ordered each item?
Answer: [Model may give incorrect totals that exceed 240 or fail to recognize the overlap problem]Exemple : Avec chain-of-thought
Prompt: A restaurant has 240 customers this week. 30% ordered salads, 50% ordered mains, and 20% ordered desserts. How many customers ordered each item? Think through this step-by-step.
Let's work through this:
1. First, I need to calculate each percentage of 240 customers
2. 30% ordered salads: 0.30 × 240 =
3. 50% ordered mains: 0.50 × 240 =
4. 20% ordered desserts: 0.20 × 240 =
5. Let me verify: these percentages add to 100%, so each customer ordered exactly one item
Answer:En demandant explicitement un raisonnement étape par étape, vous avez beaucoup plus de chances d’obtenir des calculs mathématiques et des décompositions logiques corrects.
Cas d’utilisation réel : Un responsable de la conformité utilise le prompting chain-of-thought pour analyser si les contrats clients répondent aux exigences réglementaires. Le modèle doit montrer quelles clauses il a examinées et pourquoi il a classé chaque exigence comme respectée ou non respectée — cette transparence est juridiquement importante.
Combiner les techniques : Few-Shot + Chain-of-Thought
L’approche la plus puissante pour les tâches exigeantes combine le few-shot et le chain-of-thought. Montrez au modèle des exemples de raisonnement étape par étape dans le format souhaité, puis demandez-lui d’appliquer ce même raisonnement à votre question réelle.
Exemple : Analyser le risque financier
Prompt: Analyze the financial risk of this business decision. Show your reasoning step-by-step.
Example:
Decision: A startup spends 60% of monthly revenue on a single marketing campaign.
Analysis:
Step 1: Identify the risk factors (cash runway, operational costs, revenue variability)
Step 2: Assess current financial position (60% spent means 40% remaining for operations)
Step 3: Evaluate downside scenario (if campaign fails, can they survive 3 months?)
Step 4: Consider alternatives (smaller campaigns, diversified channels)
Conclusion: HIGH RISK. Limited runway and revenue dependency on single campaign outcome.
Now analyze this:
Decision: A profitable SaaS company allocates 20% of quarterly revenue to expand into a new market.
Analysis:Cette combinaison fonctionne car les exemples enseignent le format tandis que la demande de chain-of-thought assure un raisonnement logique.
Cadre de décision : Référence rapide
Voici comment décider rapidement quelle technique utiliser :
- Tâche simple, connaissances communes : Zero-shot. Commencez toujours par là.
- Résultats incohérents ou incorrects avec le zero-shot : Passez au few-shot avec 2-3 exemples.
- Tâche multi-étapes ou analytique : Chain-of-thought, avec ou sans exemples.
- Tâche complexe avec des exigences spécifiques : Few-shot + chain-of-thought combinés.
- Critique en temps : Zero-shot. Acceptez une perfection moindre pour la vitesse.
Erreurs courantes à éviter
Ne fournissez pas trop d’exemples (plus de 5 donne des rendements décroissants). N’utilisez pas d’exemples de mauvaise qualité qui contredisent vos attentes. N’utilisez pas le chain-of-thought pour des questions simples oui/non — cela ajoute de la latence sans avantage. Et ne supposez pas qu’une technique fonctionnera universellement pour tous vos cas d’utilisation ; testez chaque approche avec des données réelles avant de la mettre en production.
