Contexte et prompts

Tout problème ne se règle pas en retravaillant le prompt. Anthropic le rappelle : latence et coût (ouvre un nouvel onglet) se corrigent souvent plus simplement en changeant de modèle qu'en peaufinant les instructions. Savoir quel levier actionner évite de tourner en rond sur la rédaction du prompt.

Plus la fenêtre se remplit, plus le modèle peine à rappeler exactement l'information : c'est le context rot (ouvre un nouvel onglet). L'architecture transformer crée des relations par paires entre tokens, ce qui étire l'attention. Le bon réflexe : viser le plus petit ensemble de tokens (ouvre un nouvel onglet) à haut signal. Minimal ne veut pas dire court — il faut quand même donner assez d'information pour réussir la tâche.

Pendant les longues sessions, la fenêtre se charge de conversation et de fichiers non pertinents qui dégradent la performance. Anthropic recommande de lancer /clear entre tâches non liées (ouvre un nouvel onglet). Après deux corrections infructueuses sur le même point, mieux vaut repartir d'une session propre avec un meilleur prompt qu'insister dans un contexte encombré.

Quand on approche la limite, la compaction (ouvre un nouvel onglet) résume la conversation et réinitialise une nouvelle fenêtre avec ce résumé : on garde décisions d'architecture, bugs ouverts et détails d'implémentation, on jette les sorties d'outils redondantes.

Sans mémoire de votre site, l'IA ignore ce que vous avez déjà publié et ce que vous maillez — d'où des pages minces qui se cannibalisent (ouvre un nouvel onglet). La parade : faire lire à l'agent, à chaque exécution, le profil de voix, la liste des articles existants, les règles de schéma et la carte de maillage interne. Ainsi il ne renégocie pas le ton (ouvre un nouvel onglet) et ne propose pas d'angles dupliqués.

Chez Anthropic, de nouvelles recrues donnent tout le codebase (ouvre un nouvel onglet) à l'agent pour devenir productives vite : il lit les fichiers CLAUDE.md, repère les pertinents et explique les dépendances. Le même principe vaut pour un site et son arborescence de contenu.

On peut tout charger d'avance, ou laisser l'agent maintenir des identifiants légers (chemins de fichiers, requêtes, liens) et charger la donnée just-in-time à l'exécution (ouvre un nouvel onglet). Cette divulgation progressive lui fait découvrir le contexte par exploration, en ne gardant que le nécessaire en mémoire de travail. En pratique, les agents les plus efficaces emploient une stratégie hybride (ouvre un nouvel onglet) : un peu de pré-chargement pour la vitesse, puis exploration autonome.

Un message d'instructions s'organise en sections ordonnées : Identité, Instructions, Exemples, Contexte (ouvre un nouvel onglet). Le contexte (les données propriétaires) se met en fin de prompt, car c'est la partie qui varie d'une requête à l'autre. Pour séparer clairement ces sections, on les délimite avec du Markdown et des balises XML (ouvre un nouvel onglet) — Claude est entraîné à y prêter une attention particulière.

Fournir des exemples laisse le modèle apprendre le pattern et généraliser : pour un LLM, les exemples valent mille mots (ouvre un nouvel onglet). Mais n'entassez pas une liste exhaustive de cas limites : curez un ensemble d'exemples diversifiés et canoniques. En pratique, commencez par trois à cinq (ouvre un nouvel onglet) exemples pertinents et variés, puis ajustez selon le cas d'usage.

Définir un persona fixe le ton et le vocabulaire (ouvre un nouvel onglet) : pour personnaliser un texte SEO, donnez à l'IA des exemples de votre propre style d'écriture plutôt que de décrire le ton dans le vide.

Pour obtenir le bon format, dites exactement lequel utiliser — JSON, XML ou markdown (ouvre un nouvel onglet). Quand la sortie est consommée par une application en aval, définir le schéma attendu fiabilise le résultat. Claude tend à être bavard ; pré-remplir le début de la réponse (par exemple une balise d'ouverture) le force à sauter le préambule (ouvre un nouvel onglet) et à respecter le format.

Pour une tâche complexe, décomposez-la et chaînez les prompts : la sortie d'un prompt (ouvre un nouvel onglet) devient l'entrée du suivant. Cela améliore exactitude et cohérence à chaque étape, simplifie le débogage et laisse le modèle se concentrer sur une sous-tâche à la fois. C'est un pilier des workflows SEO outillés.

Demander au modèle de raisonner avant de répondre améliore la performance. La façon la plus simple : inclure « Think step by step » (ouvre un nouvel onglet), ou capturer le raisonnement dans des balises dédiées. À l'inverse, autoriser explicitement le modèle à dire « je ne sais pas » (ouvre un nouvel onglet) réduit les hallucinations — crucial quand on travaille à partir de données injectées.

Le prompt négatif (ouvre un nouvel onglet) précise ce qu'on ne veut pas voir (répétitions, paragraphes trop courts, mots-clés concurrents). Mais l'IA doit connaître le concept pour l'éliminer : sinon, il faut le lui enseigner.

Avant d'optimiser, posez trois prérequis : une définition claire du succès (ouvre un nouvel onglet), un moyen de tester empiriquement contre ces critères, et un premier brouillon de prompt à améliorer. Sans cela, l'itération est aveugle. Comme la sortie est non déterministe, des suites de tests et d'évaluation (ouvre un nouvel onglet) permettent de surveiller la performance quand on itère ou change de version de modèle.

Pour un usage récurrent, stockez les prompts dans le code applicatif (ouvre un nouvel onglet) plutôt que comme objets épars : vous bénéficiez alors d'entrées typées, de revue de code, de tests et de votre processus de déploiement habituel pour faire évoluer le comportement du modèle.