Diagnostiquer et corriger les mauvaises invites
Utilisez une liste de vérification systématique pour améliorer les invites peu performantes.
Diagnostiquer et corriger les mauvaises invites est une leçon AI Prompt Engineering gratuite sur CoddyKit. Ceci est la leçon 4 sur 4. Tu peux lire la leçon complète ci-dessous gratuitement — puis la pratiquer en direct dans le navigateur avec un éditeur de code intégré et un tuteur IA 24/7. Elle fait partie du parcours d'apprentissage AI Prompt Engineering, et ta progression se synchronise sur le web et l'application CoddyKit. Le cours AI Prompt Engineering comprend 4 leçons au total.
L’état d’esprit du débogage
Lorsqu’une instruction produit une mauvaise sortie, la plupart des gens ont d’abord le réflexe d’accuser le modèle. Pourtant, dans la plupart des cas, le problème vient de l’instruction : le modèle se comporte exactement comme il le devrait compte tenu des instructions qu’il a reçues.
Considérer les échecs d’instructions comme des problèmes de débogage est plus productif. Tout comme pour le débogage du code, vous identifiez systématiquement la cause fondamentale, émettez une hypothèse de correction, la mettez à l’épreuve et vérifiez le résultat. Cette approche permet de progresser plus rapidement que des tâtonnements frustrants.
La liste de vérification du débogage des instructions
Lorsqu’une instruction échoue, parcourez méthodiquement cette liste de vérification en cinq dimensions :
- Précision — Est-elle trop vague ? La tâche nécessite-t-elle une définition plus précise ?
- Contexte — Manque-t-il des informations générales dont le modèle a besoin ?
- Format — Le format et la longueur de sortie souhaités sont-ils indiqués ?
- Contraintes — Les contraintes sont-elles clairement énoncées ? Certaines sont-elles contradictoires ?
- Exemples — Un exemple de bonne sortie permettrait-il de lever toute ambiguïté ?
Chaque dimension correspond à un type précis de correction. Identifiez la dimension en cause et appliquez la correction correspondante.
Dimension 1 : Vérification de la précision
Les problèmes de précision se traduisent par : un sujet incorrect, un angle incorrect, un niveau de public inadapté ou l’absence d’aspects essentiels de la tâche.
Questions de diagnostic :
- Une personne extérieure intelligente pourrait-elle interpréter cette instruction différemment de ce que j’ai voulu dire ?
- Certains mots vagues (bon, meilleur, approprié, professionnel) doivent-ils être remplacés ?
- Le type de tâche est-il indiqué (article ? courriel ? résumé ? analyse ?) ?
- Le public est-il défini avec suffisamment de précision ?
Correction : Remplacez les mots vagues par des termes précis. Nommez le type de tâche. Précisez les connaissances du public. Ajoutez un exemple en une phrase de la sortie souhaitée.
Dimension 2 : Vérification du contexte
Les problèmes de contexte se traduisent par : des conseils génériques qui ignorent votre situation particulière, des suppositions erronées sur votre environnement technologique, votre entreprise ou votre public, ou des réponses qui fonctionneraient dans un autre contexte, mais pas dans le vôtre.
Questions de diagnostic :
- Que doit savoir le modèle sur ma situation particulière qu’il ne peut pas connaître grâce à son entraînement général ?
- Ai-je fourni le code, le document ou les données pertinents concernés par la tâche ?
- Ai-je décrit les contraintes de mon environnement ?
Correction : Ajoutez une section Contexte avant l’instruction de la tâche. Collez directement dans l’instruction le code ou le contenu pertinent.
Dimension 3 : Vérification du format
Les problèmes de format se traduisent par : un contenu correct, mais une structure incorrecte — du texte suivi alors que vous aviez besoin de puces, une dissertation alors qu’il vous fallait un guide étape par étape, ou l’absence de titres alors qu’une navigation était nécessaire.
Questions de diagnostic :
- Ai-je indiqué le format de sortie (puces, liste numérotée, texte suivi, tableau, bloc de code) ?
- Ai-je indiqué la longueur ?
- Ai-je indiqué les sections ou la structure requises ?
Correction : Ajoutez des instructions de mise en forme explicites. Utilisez le modèle : "Format : [structure]. Longueur : [objectif]. Sections : [liste]." Pour les formats complexes, fournissez un modèle contenant du texte de remplacement que le modèle devra compléter.
Dimension 4 : Vérification des contraintes
Les problèmes de contraintes se traduisent par : un contenu qui inclut ce que vous vouliez exclure, ou des sorties qui semblent robotiques parce que les contraintes sont contradictoires.
Questions de diagnostic :
- Mes contraintes sont-elles clairement énoncées ou seulement implicites ?
- Certaines contraintes sont-elles contradictoires entre elles ?
- Mes contraintes sont-elles compatibles avec la portée ou la longueur du contenu ?
- Une instruction indique-t-elle la priorité à appliquer en cas de contraintes presque contradictoires ?
Correction : Rendez explicites les contraintes implicites. Ajoutez une instruction de priorisation. Résolvez les conflits en déterminant quelle contrainte doit l’emporter. Vérifiez que la portée et la longueur sont compatibles.
Dimension 5 : Vérification des exemples
Lorsque les quatre premières dimensions semblent correctes, mais que la sortie reste inadéquate, les exemples sont souvent l’élément manquant. Ils transmettent ce que les mots ne peuvent pas exprimer.
Questions de diagnostic :
- Un exemple de bonne sortie permettrait-il de clarifier le style, le ton ou le format attendus ?
- Un exemple négatif (ce qu’il ne faut pas produire, NOT) serait-il utile ?
- Existe-t-il déjà des sorties de ce type de tâche que vous pourriez utiliser comme référence ?
Correction : Ajoutez à l’instruction un ou deux exemples de sortie idéale. Utilisez le modèle : "Voici un exemple de ce que je recherche : [exemple]. Faites maintenant la même chose pour [votre tâche réelle]."
Un processus de débogage des instructions
Voici un processus complet de diagnostic que vous pouvez appliquer à toute instruction qui échoue :
def diagnose_prompt(original_prompt, failed_output, problem_description):
'''
Use a second LLM call to diagnose why a prompt produced a bad output.
Returns a diagnosis and an improved prompt.
'''
import openai
client = openai.OpenAI(api_key='sk-...')
diagnosis_prompt = f'''You are a prompt engineering expert.
A user ran this prompt:
---PROMPT---
{original_prompt}
---END PROMPT---
It produced this output (which was unsatisfactory):
---OUTPUT---
{failed_output[:500]}...
---END OUTPUT---
The problem the user identified: {problem_description}
Diagnose the prompt failure using this framework:
1. Specificity: Is anything too vague?
2. Context: What background information is missing?
3. Format: Is the desired format/length unclear?
4. Constraints: Are there missing or conflicting constraints?
5. Examples: Would an example help?
Then write an improved version of the prompt that addresses the root cause.
Format: Diagnosis: [analysis] || Improved prompt: [new prompt]'''
response = client.chat.completions.create(
model='gpt-4o-mini',
messages=[{'role': 'user', 'content': diagnosis_prompt}]
)
return response.choices[0].message.contentCause fondamentale et symptôme
Une erreur courante de débogage consiste à traiter le symptôme plutôt que la cause fondamentale.
Symptôme : La sortie est trop générique.
Correction du symptôme : Ajouter "soyez plus précis" à l’instruction.
Cause fondamentale : Le public n’était pas défini, le modèle a donc adopté par défaut un public générique.
Correction de la cause fondamentale : Ajouter une définition précise du public.
Traiter les symptômes ne produit qu’une amélioration marginale. Traiter les causes fondamentales produit une amélioration fiable. Demandez-vous "pourquoi ce symptôme se manifeste-t-il ?" et approfondissez l’analyse d’un niveau avant de rédiger la correction.
Tenir un journal des échecs d’instructions
Pour les types de tâches récurrents, tenir un journal des échecs d’instructions accélère les progrès au fil du temps. Chaque entrée consigne :
- L’instruction originale
- La mauvaise sortie (ou la description de ce qui n’allait pas)
- La cause fondamentale diagnostiquée (précision / contexte / format / contraintes / exemples)
- La correction appliquée
- Le résultat
Après 10 à 20 entrées, des tendances apparaissent. Vous découvrirez peut-être que la même cause fondamentale (p. ex. l’absence de contexte sur le public) explique 60 % des échecs d’une catégorie. Corrigez-la dans le modèle et cette tendance disparaîtra.
Le modèle d’instruction amélioré
La plupart des instructions bien structurées suivent un modèle cohérent qui prend en compte les cinq dimensions du débogage de manière préventive :
ROBUST_PROMPT_TEMPLATE = '''
## Role
[Who the model should act as — establishes expertise level and perspective]
## Context
[Background the model needs: company, audience, product, prior decisions, constraints]
## Task
[Specific, precise description of what to produce]
## Format
[Output structure: bullet points / prose / numbered list / table]
[Length: word count or sentence count]
[Required sections: list them if the output needs specific sections]
## Constraints
[What to include: required elements]
[What to exclude: off-limits content or approaches]
[Priority: if constraints conflict, X takes priority over Y]
## Example
[One example of good output for this task type — optional but powerful]
'''
print(ROBUST_PROMPT_TEMPLATE)Vérification des connaissances : débogage des instructions
Une instruction produit une sortie bien rédigée, mais centrée sur les bonnes pratiques générales du sujet plutôt que sur la situation particulière décrite dans la tâche. Le format et la longueur sont corrects. Les contraintes sont respectées. Quelle dimension de débogage constitue la cause fondamentale ?
Récapitulatif : diagnostiquer et corriger les mauvaises instructions
Le débogage des instructions est un processus systématique, et non une suite de tâtonnements. La liste de vérification en cinq dimensions — Précision, Contexte, Format, Contraintes, Exemples — associe chaque type d’échec courant à une correction précise.
Le modèle d’instruction robuste prend en compte les cinq dimensions de manière préventive et évite ainsi la plupart des échecs avant qu’ils ne surviennent. Le processus de débogage (identifier le symptôme → trouver la cause fondamentale → appliquer la correction → vérifier) produit une amélioration fiable. Un journal des échecs d’instructions accélère l’apprentissage d’une session à l’autre.
Grâce à ces outils, vous pouvez diagnostiquer et corriger méthodiquement et systématiquement tout échec d’instruction.
Questions Fréquemment Posées
La leçon « Diagnostiquer et corriger les mauvaises invites » est-elle gratuite ?
Oui — le texte complet de « Diagnostiquer et corriger les mauvaises invites » est gratuit à lire ici sur le web. Pour la pratiquer de manière interactive (un éditeur de code intégré et un tuteur IA 24/7) et déverrouiller le reste du cours AI Prompt Engineering, passe à CoddyKit PRO. Le cours AI Prompt Engineering comprend 4 leçons au total.
Qu'est-ce que j'apprendrai dans « Diagnostiquer et corriger les mauvaises invites » ?
Utilisez une liste de vérification systématique pour améliorer les invites peu performantes. Tu pratiques AI Prompt Engineering avec du code pratique que tu exécutes directement dans le navigateur, et un tuteur IA 24/7 répond à tes questions au fur et à mesure que tu avances dans la leçon.
Dois-je avoir de l'expérience pour commencer AI Prompt Engineering ?
Aucune expérience préalable n'est requise. AI Prompt Engineering sur CoddyKit est structuré pour les débutants jusqu'aux apprenants avancés, donc tu peux commencer ici ou depuis le début et avancer à ton rythme. Ceci est la leçon 4 sur 4.
Combien de temps prend la leçon « Diagnostiquer et corriger les mauvaises invites » ?
La plupart des leçons CoddyKit prennent environ 5–10 minutes. Chacune est courte et interactive, tu progresses régulièrement et tu repiques exactement où tu t'es arrêté sur le web et l'app.
Peux-tu écrire et exécuter du code dans cette leçon AI Prompt Engineering ?
Oui. Chaque leçon AI Prompt Engineering inclut un éditeur de code intégré, tu écris et exécutes du vrai code directement dans ton navigateur et tu reçois des retours IA instantanés — aucune configuration locale requise.
Toutes les leçons de ce cours
- Instructions trop vagues
- Exigences contradictoires
- Erreurs dues à un contexte manquant
- Diagnostiquer et corriger les mauvaises invites