Erreurs dues à un contexte manquant

Les modèles d’IA savent énormément de choses grâce à leurs données d’entraînement — mais ils ne savent rien de votre situation particulière, sauf si vous la leur expliquez. Les invites qui supposent que le modèle connaît des informations dont il ne dispose pas produisent des réponses généralement correctes, mais inutiles dans la situation concernée.

« Corrigez le bogue. » — Quel bogue ? Dans quel code ? Que fait-il actuellement ? Que devrait-il faire à la place ?

Le modèle inventera une réponse au lieu de vous dire qu’il ne dispose pas de suffisamment d’informations. Cette réponse inventée est presque toujours éloignée de ce dont vous avez besoin.

À moins que vous ne les fournissiez, le modèle ne connaît pas :

• Votre code, projet ou document particulier
• Votre entreprise, votre produit, votre marque ou vos clients
• La conversation que vous avez eue lors d’une session précédente (chaque conversation recommence à zéro)
• Ce que vous avez essayé auparavant et la raison de son échec
• Vos préférences personnelles, votre style ou vos critères
• Les connaissances préalables de votre public
• Les contraintes de votre environnement (pile technologique, budget, échéance)

Tout ce que le modèle sait de votre tâche doit provenir de la conversation en cours.

« Corrigez le bogue » est une invite classique dépourvue de contexte. Le modèle ne reçoit aucune information sur :

• Le langage ou le cadre logiciel utilisés
• Ce que le code est censé faire
• Ce qu’il fait réellement (le symptôme)
• L’erreur ou le résultat incorrect qui apparaît
• Ce qui a été essayé et n’a pas fonctionné

Une invite complète de correction de bogue fournit ces cinq éléments : « Cette fonction Python est censée renvoyer la somme de tous les nombres pairs d’une liste, mais elle renvoie 0 pour [2,4,6]. Voici le code : [collez le code]. L’erreur est… »

« Continuez là où nous nous sommes arrêtés. » — Une erreur courante qui révèle une incompréhension fondamentale : le modèle n’a pas de mémoire d’une session à l’autre.

Chaque nouvelle conversation recommence entièrement à zéro. Le modèle n’a accès à aucune conversation précédente, même si vous avez utilisé le même compte ou le même outil. Si le contexte d’une session antérieure est nécessaire, vous devez le copier explicitement dans la conversation en cours.

Certains outils, comme Claude Projects ou les systèmes de mémoire personnalisés, fournissent un contexte intersessions, mais il s’agit d’une fonctionnalité de l’outil et non d’une capacité inhérente au modèle.

Une erreur de contexte courante consiste à supposer que le modèle partage vos connaissances implicites :

• « Faites en sorte que cela corresponde à notre marque » (quelle marque ? quelles sont ses directives ?)
• « Écrivez-le comme la dernière fois » (le modèle n’a pas accès à la dernière version)
• « Utilisez le même format que pour les autres rapports » (collez le format ou un exemple de rapport)
• « Restez cohérent avec ce dont nous avons discuté » (s’il s’agit d’une nouvelle conversation, rien n’a été discuté)

La solution est toujours la même : rendez l’implicite explicite. Indiquez ce que vous supposez que le modèle sait.

L’injection de contexte consiste à fournir explicitement les informations générales dont le modèle a besoin pour répondre correctement. Trois méthodes :

Collez le contenu pertinent : incluez directement dans l’invite le code, le document, le courriel ou les données.

Décrivez la situation : résumez le contexte pertinent en 2 à 5 phrases avant l’instruction de la tâche.

Indiquez les contraintes : mentionnez l’environnement, la pile technologique, le public et toute décision antérieure pertinente.

L’injection de contexte transforme les connaissances générales du modèle en réponses adaptées à la situation.

Pour les tâches complexes, structurez le contexte à l’aide de sections intitulées avant l’instruction de la tâche :

Toutes les informations de contexte n’ont pas la même valeur. Un contexte insuffisant produit un résultat générique ; un contexte trop abondant noie les informations pertinentes dans le bruit et peut repousser l’instruction réelle de la tâche trop loin dans l’invite.

Calibrez la profondeur du contexte en vous demandant : de quoi un expert humain réfléchi aurait-il besoin pour bien accomplir cette tâche ?

• Incluez : le public, l’objectif, les contraintes, la terminologie propre au domaine et les décisions antérieures pertinentes
• Excluez : les informations générales que tout le monde connaît déjà, l’historique sans rapport et les détails secondaires

Une règle utile : le contexte doit être suffisamment précis pour qu’un inconnu ne puisse pas l’écrire pour une autre entreprise ou une autre situation.

Comme le modèle n’a pas de mémoire intersessions, la solution consiste à utiliser un contexte de référence réutilisable — un bloc de contexte standard que vous collez au début de chaque session consacrée à un sujet récurrent :

Une erreur connexe liée au contexte manquant est la spécification incomplète : fournir un certain contexte, mais pas suffisamment pour que le modèle puisse gérer les cas limites.

Exemple : « Écrivez une fonction qui filtre les utilisateurs selon leur état d’abonnement. »

Quelle est la structure des données ? Quelles sont les valeurs d’état valides ? Que faut-il faire pour les utilisateurs sans état ? La comparaison doit-elle tenir compte de la casse ? Que doit renvoyer la fonction si la liste est vide ?

Le modèle formulera des hypothèses pour chacune de ces questions. Ces hypothèses peuvent être erronées. Les spécifications complètes anticipent explicitement les cas limites.

Pour les invites liées au code, un ensemble minimal de contexte permet d’obtenir des résultats fiables et utiles :

• Langage et version : Python 3.11, TypeScript 5.0
• Cadre logiciel : FastAPI, Next.js, React Native
• Ce que le code doit faire : entrées et sorties attendues
• Ce qu’il fait actuellement de manière incorrecte : symptôme et message d’erreur
• Ce qui a été essayé : évite de répéter des approches qui ont déjà échoué
• Contraintes : ne doit pas utiliser de dépendances externes, doit s’exécuter en moins de 50 ms

Cet ensemble minimal élimine les causes les plus fréquentes des suggestions de code de l’IA qui sont correctes en général, mais inadaptées à votre contexte précis.

Un développeur envoie cette invite : « Aidez-moi à optimiser ceci. » sans autre information. Quelle est la description la plus exacte de ce qui va se produire ?

Les erreurs liées au contexte manquant se produisent lorsqu’une invite suppose des connaissances dont le modèle ne dispose pas — votre code, votre marque, vos sessions précédentes ou les décisions de votre équipe. Le modèle comble ces lacunes par des hypothèses, ce qui produit un résultat générique ou erroné.

La solution est l’injection de contexte : collez le contenu pertinent, décrivez la situation et indiquez explicitement les contraintes. Pour les tâches récurrentes, un contexte de référence réutilisable résout le problème de la mémoire intersessions. Pour les tâches de programmation, incluez toujours le langage, le cadre logiciel, les entrées et sorties, le comportement actuel et les contraintes.

Dans la dernière leçon de ce cours, vous réunirez tous ces enseignements dans une liste de vérification systématique pour déboguer les invites.