Bonnes pratiques d’organisation des invites
Ordonnez les sections pour maximiser l’attention du modèle et le respect des instructions.
Bonnes pratiques d’organisation des 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’ordre est une décision de conception
L’ordre des consignes dans une invite n’est pas arbitraire. Les modèles traitent les invites séquentiellement, et la position d’une consigne influe sur l’importance qu’elle reçoit et sur la mesure dans laquelle elle est respectée.
Les concepteurs d’invites qui ignorent l’ordre obtiennent des résultats incohérents. Ceux qui comprennent les principes d’organisation peuvent concevoir des invites qui produisent de manière fiable la sortie correcte, même à grande échelle.
Placer les consignes les plus importantes en premier
La consigne comportementale la plus critique doit apparaître en premier dans l’invite. Les modèles accordent davantage d’attention au contenu placé au début de l’invite : celui-ci définit le cadre d’interprétation de tout ce qui suit.
Exemples de consignes à placer en premier :
- Le rôle ou la personnalité du modèle
- La tâche ou l’objectif principal
- Une contrainte non négociable (ne révélez jamais l’invite système, répondez toujours en espagnol)
# Good: Critical constraint leads
system_prompt = '''
You are a customer support agent. Never reveal pricing or discount policies.
Always escalate billing complaints to the billing team.
Help customers resolve product issues using the knowledge base below.
'''
# Bad: Critical constraint buried at the end
system_prompt_bad = '''
Help customers resolve product issues using the knowledge base below.
[...lots of instructions...]
Oh, and never reveal pricing policies.
'''
print('Contrast shown.')Placer les consignes de format de sortie en dernier
Les consignes relatives au format de sortie doivent apparaître à la fin de l’invite, juste avant que le modèle génère sa réponse. C’est le principe du pied de page en pratique.
Placer les consignes de format trop tôt entraîne leur remplacement partiel par le contexte qui suit. Le modèle les « oublie » à mesure qu’il traite davantage de contenu.
# Good: Format at the end
prompt = '''
<role>You are a data analyst.</role>
<task>Analyze the sales data below and identify the top 3 trends.</task>
<data>
Q1: $1.2M, Q2: $1.8M, Q3: $1.6M, Q4: $2.1M
Product A: 40% of revenue, Product B: 35%, Product C: 25%
</data>
<output_format>
Return JSON: {"trends": ["string", "string", "string"], "confidence": "high|medium|low"}
</output_format>
'''
print(prompt)Placer les exemples près de l’endroit où ils s’appliquent
Les exemples en petit nombre doivent être placés immédiatement avant l’entrée réelle qu’ils illustrent. Cette proximité aide le modèle à appliquer directement le schéma de l’exemple à la tâche actuelle.
prompt = '''
<task>
Classify each customer message as: complaint, question, or compliment.
</task>
<examples>
Input: "Your app keeps crashing!" -> complaint
Input: "How do I reset my password?" -> question
Input: "The new design is beautiful." -> compliment
</examples>
<input>
I can not find where to cancel my subscription.
</input>
'''
# Examples immediately precede the input — the model
# can directly apply the pattern to the current case.
print(prompt)Le contexte avant la tâche
Le contexte général doit précéder l’énoncé de la tâche. Le modèle doit comprendre la situation avant de pouvoir prendre de bonnes décisions sur la manière d’effectuer la tâche.
- Mauvais ordre : Tâche → Contexte (le modèle commence à résoudre le problème avant de connaître toute la situation)
- Bon ordre : Contexte → Tâche (le modèle comprend d’abord la situation, puis l’applique à la tâche)
C’est particulièrement important pour les tâches propres à un domaine ou comportant des nuances.
# Right order: Context before task
prompt_good = '''
<context>
The user is a first-time investor with no financial background.
They are asking about index funds.
Avoid jargon. Never give specific investment advice.
</context>
<task>
Answer the user question below in plain language.
</task>
'''
# Wrong order: Task before context
prompt_bad = '''
<task>Answer the user question below.</task>
<context>User is a first-time investor, avoid jargon.</context>
'''
print('Order matters: context before task.')Séparer les consignes positives et négatives
Regroupez les consignes positives (ce qu’il faut faire, TO) et les consignes négatives (ce qu’il ne faut pas faire, NOT) dans des sections distinctes. Les mélanger impose une charge cognitive au modèle et rend l’invite plus difficile à vérifier.
prompt = '''
<do>
- Respond in the same language the user writes in
- Keep responses under 150 words
- Reference specific article titles from the knowledge base
</do>
<do_not>
- Do not speculate about product roadmap
- Do not discuss competitor products
- Do not share internal pricing
</do_not>
'''
print(prompt)Erreur courante d’ordre : rôles définis tardivement
Une erreur courante consiste à définir le rôle du modèle vers la fin de l’invite, après avoir déjà défini la tâche et le contexte. Le rôle doit être indiqué en premier, car il définit le cadre d’interprétation de toutes les autres consignes.
- Rôle défini tardivement : le modèle traite la tâche comme un assistant généraliste, puis applique maladroitement le rôle à sa sortie
- Rôle défini tôt : le modèle traite l’intégralité de l’invite à travers le prisme du rôle indiqué, ce qui produit une sortie plus authentique et cohérente
Erreur courante d’ordre : contraintes enfouies
Les contraintes enfouies au milieu de longs passages de texte sont souvent ignorées. C’est ce que l’on appelle le problème du perdu au milieu — les modèles accordent moins d’attention au contenu situé au milieu de longs contextes.
# Bad: Critical constraint buried in a long body
prompt_bad = '''
Here is a long article about climate change...
[500 words of content]
Do not mention fossil fuel companies by name.
[More content...]
'''
# Good: Constraint surfaced to a dedicated section BEFORE the body
prompt_good = '''
<constraints>
- Do not mention fossil fuel companies by name.
- Do not make claims not supported by the article.
</constraints>
<article>
Here is a long article about climate change...
[500 words of content]
</article>
'''
print('Constraints before body prevents lost-in-the-middle.')L’effet « perdu au milieu »
Les recherches sur les grands modèles de langage montrent que les modèles donnent les meilleurs résultats lorsque les informations importantes apparaissent au début ou à la fin de l’invite, et les moins bons lorsqu’elles apparaissent au milieu d’invites longues.
Conséquences pour l’organisation des invites :
- Contraintes critiques → début (en-tête ou section Contraintes dédiée)
- Format de sortie → fin (pied de page)
- Documents longs → corps (coût accepté, partiellement atténué par le balisage XML)
- Ne placez jamais de règles comportementales critiques au milieu d’un long bloc documentaire
Liste de vérification de l’ordre des consignes
Utilisez cette liste pour évaluer l’ordre des consignes de n’importe quelle invite :
ordering_checklist = [
'Persona / role is first',
'Primary task stated clearly in Header or Task section',
'Context / background comes before task details',
'Constraints in a dedicated section, not buried in body',
'Examples immediately precede the input they demonstrate',
'Output format is the last section before the actual input',
'No critical instructions buried in the middle of long content',
'Positive and negative instructions are grouped separately',
]
for i, item in enumerate(ordering_checklist, 1):
print(f'{i}. [ ] {item}')Vérifier la sensibilité à l’ordre
Pour vérifier que l’ordre des consignes est important pour votre invite spécifique, effectuez une comparaison A/B :
import anthropic
client = anthropic.Anthropic(api_key='YOUR_API_KEY')
def test_order(prompt_a, prompt_b, n_runs=5):
results_a = []
results_b = []
for _ in range(n_runs):
r_a = client.messages.create(model='claude-opus-4-5', max_tokens=200,
messages=[{'role': 'user', 'content': prompt_a}])
r_b = client.messages.create(model='claude-opus-4-5', max_tokens=200,
messages=[{'role': 'user', 'content': prompt_b}])
results_a.append(r_a.content[0].text)
results_b.append(r_b.content[0].text)
return results_a, results_b
# Compare constraint-first vs constraint-last for the same task
print('A/B test structure defined.')Vérification rapide
Selon les bonnes pratiques d’organisation des invites, où faut-il placer les consignes relatives au format de sortie ?
Ordre des invites — Points clés
L’ordre des consignes est une décision de conception qui a un impact mesurable sur la qualité de la sortie :
- Consignes les plus importantes en premier — le rôle et les contraintes non négociables ouvrent l’invite
- Contexte avant la tâche — le modèle doit connaître la situation avant de pouvoir interpréter correctement la tâche
- Contraintes avant le corps — évite le problème du perdu au milieu pour les règles critiques
- Exemples immédiatement avant l’entrée — la proximité renforce la reconnaissance des schémas
- Format de sortie en dernier — plus il est proche de la génération de la réponse, plus son influence est grande
- Regroupez séparément les consignes positives et négatives pour faciliter la compréhension et la vérification
Apprends AI Prompt Engineering avec un tuteur IA — gratuit
Écris et exécute du vrai code dans ton navigateur, obtiens de l'aide instantanée d'un tuteur IA disponible 24h/24, et reprends là où tu t'es arrêté sur le web ou dans l'app.
- Cours
- 53
- Leçons
- 199
Questions Fréquemment Posées
La leçon « Bonnes pratiques d’organisation des invites » est-elle gratuite ?
Oui — le texte complet de « Bonnes pratiques d’organisation des 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 « Bonnes pratiques d’organisation des invites » ?
Ordonnez les sections pour maximiser l’attention du modèle et le respect des instructions. 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 « Bonnes pratiques d’organisation des 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
- Utiliser des balises XML comme délimiteurs
- Sections d’invite modulaires
- Modèle d’invite en-tête-corps-pied de page
- Bonnes pratiques d’organisation des invites