$ cat ./formations/prompt-engineering-ia
Prompt engineering & IA générative : passer d'utilisateur à opérateur
Description
Un cours pratique et honnête sur le prompt engineering, à jour du paysage 2026 : GPT-5.1, la famille Claude 4.5 et Claude Fable 5, Gemini 3, Llama 4, Mistral. On explique d'abord comment un LLM prédit du texte (tokens, fenêtre de contexte, température), puis on démonte l'anatomie d'un bon prompt : rôle, tâche, contexte, contraintes, format, exemples. Tu verras le zero-shot et le few-shot, le chain-of-thought et les modèles de raisonnement, comment forcer une sortie JSON qui passe un parseur, comment itérer méthodiquement sur un jeu de test, et comment réduire les hallucinations par l'ancrage et l'abstention. Le cours couvre aussi les prompts système, la décomposition en chaînes de prompts, le RAG et les agents sans le vernis marketing, la confidentialité et l'injection de prompt. Chaque technique est illustrée par de vrais prompts avant/après, avec les deux sorties comparées.
Programme
Les 2 premières leçons de ce cours sont en accès libre.
Objectifs
- Expliquer avec tes mots ce qu'est un token, une fenêtre de contexte et la température, et comment ces trois choses changent une réponse
- Écrire un prompt structuré (rôle, tâche, contexte, contraintes, format, exemples) au lieu d'une question vague
- Choisir entre zero-shot, few-shot, chain-of-thought et modèle de raisonnement selon le type de tâche
- Forcer une sortie exploitable par une machine (JSON, tableau, gabarit) et la valider côté code
- Réduire les hallucinations par l'ancrage, la consigne d'abstention et les citations vérifiables
- Décomposer une tâche complexe en chaîne de sous-prompts et itérer sur un jeu de test