Savoir affiner ou recommencer
Reconnaissez les situations où une conversation est bloquée et où il vaut mieux repartir de zéro.
Savoir affiner ou recommencer 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.
Le piège des coûts irrécupérables dans les conversations
Lorsqu'une conversation ne produit pas de bons résultats, de nombreux utilisateurs continuent d'essayer de la corriger au lieu de recommencer. C'est le piège des coûts irrécupérables — plus vous avez consacré de temps à une conversation, plus il vous semble difficile de l'abandonner.
Pourtant, le chemin le plus rapide vers un bon résultat consiste parfois à fermer la conversation et à rédiger une meilleure instruction initiale. Savoir quand prendre cette décision est une compétence essentielle en conception d'instructions.
Signal 1 : le modèle répète sans cesse la même erreur
Si vous avez corrigé la même erreur deux ou trois fois et que le modèle y revient toujours, c'est un signal fort qu'il faut recommencer.
Exemples courants :
- Vous demandez des puces, il rédige un texte suivi ; vous le corrigez, mais il rédige de nouveau un texte suivi
- Vous précisez que le public est technique, mais il continue à utiliser des explications destinées aux débutants
- Vous indiquez qu'il ne faut aucun avertissement, mais il continue à en ajouter
Ces retours répétés signifient généralement que l'instruction doit figurer dans l'instruction initiale, et non être ajoutée en cours de conversation.
Signal 2 : le modèle a mal compris le cadrage
Il arrive que le modèle exécute correctement la tâche que vous avez décrite, mais que la description de la tâche soit erronée. Vous avez demandé X alors que vous aviez en réalité besoin de Y.
Exemple : vous avez demandé un "résumé des arguments clés", alors que vous aviez en réalité besoin d'une "analyse critique identifiant les faiblesses des arguments". Aucune instruction de suivi ne transformera un bon résumé en analyse critique : le cadrage était erroné dès le départ.
Lorsque le résultat est correctement formulé mais erroné, il faut réécrire l'instruction initiale.
Signal 3 : une prémisse initiale erronée
Si votre première instruction contenait une fausse supposition, une prémisse défaillante ou un contexte incorrect, tout ce qui sera construit sur cette base sera compromis.
Exemples :
- Vous avez décrit le mauvais public et généré cinq tours de contenu pour celui-ci
- Vous avez indiqué une contrainte incorrecte ("en supposant que l'API repose sur REST" alors qu'elle repose sur GraphQL)
- Vous avez fourni des informations générales erronées qui ont influencé le cadrage du modèle
Corriger une prémisse erronée en cours de conversation n'est pas fiable. Recommencez avec la prémisse corrigée dès le début.
Signal 4 : la qualité des réponses diminue
Dans les conversations longues, la qualité des réponses peut parfois se dégrader au fil du temps. Le modèle peut :
- Produire des réponses plus courtes et moins détaillées à mesure que la fenêtre de contexte se remplit
- Commencer à contredire des affirmations précédentes
- Manifester une incohérence ou des répétitions croissantes
Il s'agit d'un problème de fenêtre de contexte, et non d'un problème d'instructions. La bonne solution consiste à commencer une nouvelle conversation et à fournir un résumé condensé de ce qui a été établi jusque-là.
Quand affiner : dans quels cas continuer
Toute réponse imparfaite ne justifie pas de recommencer. Affinez lorsque :
- Le contenu est globalement correct, mais nécessite des changements de mise en forme
- Une section précise doit être améliorée, et non la réponse entière
- Vous souhaitez prolonger ou développer ce qui a déjà été produit
- L'erreur est mineure et une seule instruction de suivi claire permettra de la corriger
La règle générale est la suivante : si le modèle a compris votre objectif et produit un contenu globalement satisfaisant, affinez-le. S'il a mal compris l'objectif lui-même, recommencez.
La question diagnostique
Avant de décider d'affiner ou de recommencer, posez-vous une question diagnostique :
"Le problème vient-il du résultat ou de mon instruction initiale ?"
- Problème lié au résultat → affinez avec une instruction de suivi
- Problème lié à l'instruction initiale → recommencez avec une instruction réécrite
Cette question vous oblige à trouver la cause profonde plutôt qu'à traiter le symptôme. La plupart des situations de coûts irrécupérables surviennent lorsque l'instruction initiale était défaillante, mais que l'utilisateur continue d'essayer de corriger le résultat.
Réécrire l'instruction initiale
Lorsque vous décidez de recommencer, ne vous contentez pas de reformuler — reconcevez l'instruction. Tirez parti de ce que vous avez appris de la conversation qui a échoué :
- Quelle contrainte avez-vous oublié d'inclure ?
- Quelle supposition était erronée ?
- Qu'est-ce qui était ambigu et a égaré le modèle ?
- Quel exemple ou quelle spécification de format aurait empêché le malentendu ?
Une conversation qui échoue constitue un retour précieux sur ce qui manquait à votre instruction initiale. La nouvelle instruction doit répondre directement à ces lacunes.
Préserver le travail utile avant de repartir de zéro
Avant de fermer une conversation, extrayez les éléments qui vous ont réellement été utiles :
- Copiez les sections, formulations ou idées que vous souhaitez conserver
- Notez les contraintes ou instructions qui ont produit de bons résultats
- Enregistrez les exemples ou analogies générés par le modèle qui vous ont semblé pertinents
Recommencer ne signifie pas tout abandonner. Vous pouvez coller les éléments utiles dans votre nouvelle instruction comme éléments de référence ou comme exemples du style souhaité.
Journaliser les résultats de la conversation dans le code
Dans une application Python, vous pouvez suivre les indicateurs de qualité de la conversation afin de décider quand effectuer un reset automatiquement :
import openai
client = openai.OpenAI(api_key='sk-...')
class ConversationManager:
def __init__(self, max_turns=10):
self.history = []
self.turn_count = 0
self.max_turns = max_turns
def chat(self, user_message):
self.turn_count += 1
if self.turn_count > self.max_turns:
print('Warning: conversation is long. Consider starting fresh.')
self.history.append({'role': 'user', 'content': user_message})
response = client.chat.completions.create(
model='gpt-4o-mini',
messages=self.history
)
reply = response.choices[0].message.content
self.history.append({'role': 'assistant', 'content': reply})
return reply
def reset(self, summary=None):
'''Start fresh, optionally seeding with a summary of prior context.'''
self.history = []
self.turn_count = 0
if summary:
self.history.append({'role': 'user', 'content': f'Context from prior session: {summary}'})
self.history.append({'role': 'assistant', 'content': 'Understood. Ready to continue.'})Arbre de décision : affiner ou repartir de zéro
Utilisez cet arbre de décision mental :
- Le modèle répète-t-il la même erreur après plus de deux corrections ? → Recommencez
- Le cadrage ou la prémisse initiale était-il erroné ? → Recommencez
- La fenêtre de contexte entraîne-t-elle une dégradation de la qualité ? → Recommencez avec un résumé
- Le contenu est-il globalement correct, mais nécessite-t-il une mise en forme ou un léger développement ? → Affinez
- Une section est-elle faible dans une réponse par ailleurs réussie ? → Affinez cette section
Le seuil de bascule se situe généralement autour de trois tentatives de correction. Si trois instructions de suivi précises n'ont pas résolu le problème, celui-ci se trouve dans l'instruction initiale.
Vérification des connaissances : affiner ou repartir de zéro ?
Vous avez demandé au modèle de rédiger un article de blog technique destiné à des ingénieurs logiciels expérimentés sur l'indexation des bases de données. Le modèle a produit un article destiné aux débutants, expliquant depuis zéro ce que sont les bases de données. Vous l'avez corrigé deux fois en précisant à chaque fois que le public était technique. Les deux corrections ont produit un contenu légèrement moins élémentaire, mais toujours dépourvu de la profondeur attendue pour des ingénieurs expérimentés.
Quelle est la meilleure démarche ?
Récapitulatif : quand affiner et quand repartir de zéro
La règle fondamentale est la suivante : si le problème se trouve dans la sortie, affinez-la. Si le problème se trouve dans l’invite initiale, repartez de zéro.
Les trois signaux les plus révélateurs indiquant qu’il faut repartir de zéro sont les suivants : la répétition de la même erreur après plusieurs corrections, un cadrage initial inadéquat et une mauvaise prémisse de départ. Une baisse de qualité au cours d’une conversation longue indique généralement un problème de fenêtre de contexte, qui nécessite également de repartir de zéro avec un résumé.
Une conversation qui échoue n’est jamais inutile : utilisez-la comme retour d’expérience pour rédiger une meilleure invite initiale.
Questions Fréquemment Posées
La leçon « Savoir affiner ou recommencer » est-elle gratuite ?
Oui — le texte complet de « Savoir affiner ou recommencer » 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 « Savoir affiner ou recommencer » ?
Reconnaissez les situations où une conversation est bloquée et où il vaut mieux repartir de zéro. 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 « Savoir affiner ou recommencer » ?
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
- Lire et évaluer les résultats de l’IA
- Rédiger des invites de suivi efficaces
- S’appuyer sur les réponses précédentes
- Savoir affiner ou recommencer