L’émergence des modèles de langage à grande échelle (LLM) a révolutionné notre interaction avec la technologie, offrant des possibilités inédites en matière de création de contenu, de recherche et d’apprentissage. Cependant, la puissance de ces modèles réside souvent dans la qualité des instructions que nous leur fournissons : les « prompts« . Au-delà des techniques de prompting, les « Prompt Frameworks » apparaissent comme des outils structurants indispensables pour maximiser l’efficacité et la pertinence des réponses générées par l’IA.

Cet article vise à éclairer les enseignants et étudiants sur ce qu’est un Prompt Framework, à le situer par rapport aux techniques existantes, à présenter les dix frameworks les plus utilisés, et à explorer leurs avantages pédagogiques..

1. Définition

Un Prompt Framework est une approche structurée et systématique pour concevoir des prompts. Il ne s’agit pas d’une simple technique de formulation, mais d’une méthodologie qui propose un gabarit, un ensemble de règles ou une séquence d’étapes pour construire des requêtes cohérentes, complètes et optimisées. L’objectif est de réduire l’ambiguïté, de guider le modèle vers la réponse souhaitée et d’améliorer la reproductibilité des résultats. En effet, 78% des utilisateurs d’IA générative n’obtiennent pas les résultats espérés, souvent à cause de prompts mal formulés

Positionnement par rapport aux différentes techniques de prompting

Les techniques de prompting peuvent être classées sur un continuum allant du simple au complexe. En voilà quelques exemples qui ont été exposés dans des articles précédents :

• Prompting basique : Ce sont les fondations. Le Zero-shot prompting consiste à poser une question directe sans exemple. Le Few-shot prompting fournit quelques exemples pour illustrer la tâche ou le style désiré. Ces techniques sont des points de départ, mais manquent souvent de la structure nécessaire pour des tâches complexes. Role-Playing Prompting demande au modèle d’adopter une persona spécifique (expert, professeur, écrivain, etc.)
• Techniques avancées de Prompting : Chain-of-Thought (CoT) Prompting incite le modèle à « réfléchir à voix haute » et à décomposer une tâche complexe en étapes intermédiaires. Self-Consistency Prompting étend le CoT en explorant plusieurs chemins de pensée, permettant une exploration plus large des solutions. Template-Based Prompting consiste à utiliser des gabarits (ou canevas) de prompts structurés, dans lesquels l’utilisateur insère des variables (ex. : un sujet, un style, un niveau de complexité…).

Les Prompt Frameworks intègrent et organisent souvent ces techniques avancées. Ils fournissent un cadre global qui dicte comment combiner ces techniques pour atteindre un objectif précis. Par exemple, un framework peut spécifier d’abord d’assigner un rôle (Role Prompting), puis de demander une décomposition en étapes (CoT), avant de générer la réponse finale. Ils passent du « comment demander » à la « structure de la demande« .

2. Mécanismes de fonctionnement

Le fonctionnement d’un prompt framework s’appuie sur cinq piliers interdépendants :

Contextualisation opérationnelle

L’IA nécessite un cadrage précis du scénario d’utilisation, incluant le public cible, les prérequis cognitifs et les contraintes matérielles. Par exemple, la génération d’un module sur les réseaux TCP/IP différera radicalement selon qu’il s’adresse à des étudiants en BTS ou à des ingénieurs en reconversion.

Rôle asigné à l’IA

La définition explicite du rôle (concepteur pédagogique, tuteur virtuel, évaluateur automatisé) oriente les algorithmes vers des modes de raisonnement spécialisés. Le framework CREST préconise ainsi des formulations telles que : « Agis comme un expert en pédagogie inversée avec 10 ans d’expérience dans la formation technique ».

Architecture séquentielle

Les frameworks efficaces décomposent les tâches complexes en séquences d’opérations élémentaires. Le modèle Five S recommande notamment une progression en cinq étapes : Scoping (délimitation), Structuring (organisation), Styling (adaptation tonale), Sampling (intégration d’exemples), et Syntaxing (optimisation linguistique)4.

Boucle d’amélioration continue

L’analyse critique des sorties générées permet d’affiner itérativement les paramètres du framework. Des outils comme le Prompt Optimizer de Miquido facilitent ce processus grâce à des métriques quantitatives sur la clarté, l’exhaustivité et l’adéquation pédagogique2.

Intégration de référentiels

L’enrichissement des prompts par des exemples concrets, des grilles d’évaluation ou des références bibliographiques augmente significativement la qualité des productions. Le guide GARF/Comundi fournit ainsi 45 modèles de prompts pré-optimisés pour diverses situations pédagogiques.