Vous êtes libre de copier et de vendre cet article dans son intégralité.
D'abord, laissez-moi dire la chose la plus importante.
Vous êtes invité à prendre le contenu de cet article, à le copier entièrement et à le vendre comme votre propre contenu.
Que vous le repostiez sur Note, que vous le vendiez sur Brain, que vous l'intégriez dans des textes de cours ou que vous le décomposiez en posts sur les réseaux sociaux, tout est OK. Aucune autorisation ou contact n'est nécessaire. Même si vous le présentez comme si vous l'aviez inventé vous-même, je ne me plaindrai pas du tout. Il y a environ 40 techniques incluses, donc rien qu'en extrayant une technique par post, vous pouvez créer 40 contenus.
Pourquoi aller aussi loin ? La raison est simple : si je ne le fais pas, les Japonais ne réaliseront pas la valeur de cette information.
Pour être honnête, parmi les utilisateurs avancés d'IA dans le monde, les prompts japonais sont ouvertement qualifiés de « niveau de l'âge de pierre ». Quand j'ai entendu ça pour la première fois, j'ai pensé : « De quoi parle ce type ? » Mais au moment où j'ai vu les prompts qu'ils utilisent au quotidien, je suis resté sans voix. C'était une défaite totale.
Quelle était la différence ? 99 % des Japonais écrivent des prompts comme des « instructions ». « Écris un article de blog », « Résume ce texte », « Donne-moi 5 idées ». Ce ne sont que des commandes. En revanche, les pros mondiaux transmettent le « processus de pensée » et les « objectifs » à l'IA dès la première ligne. C'est la différence entre une commande et un plan.
Et voici une réalité plus dure. Pendant que vous cherchez « un joli prompt », les acteurs mondiaux recherchent des prompts à travers des articles académiques, les gèrent comme du code et les optimisent automatiquement avec des algorithmes. Artisanat fait main contre optimisation automatique. La bataille est déjà terminée. C'est cruel, mais voilà où nous en sommes en 2026.
Mais ne vous inquiétez pas. Vous n'avez besoin ni de talent ni de compétences en anglais pour combler cet écart. Vous avez juste besoin de connaître les « modèles ». C'est tout.
Dans cet article, j'ai rassemblé toutes les techniques et le savoir-faire en matière de prompts que j'ai présentés sur Threads. Des modèles authentiques issus d'articles de recherche aux astuces qui exploitent la structure interne de l'IA, en passant par les extensions MCP et l'automatisation avec Claude Code et Codex — environ 40 éléments organisés par chapitre. Tous sont accompagnés de prompts prêts à être copiés-collés. Vous pouvez les essayer en lisant.
Au moment où vous aurez fini de lire, vous tomberez dans l'un des deux groupes suivants : ceux qui prennent ces 40 outils et les transforment en armes, ou ceux qui continuent à gémir en écrivant des prompts à la main. De quel côté vous vous tenez dépend du fait que vous lisiez ceci jusqu'au bout.
Je répète : il est autorisé de copier et de vendre. Alors, emportez-le sans hésitation. Commençons.
Chapitre 1 : Transmettre le processus de pensée — Auto-vérification, auto-notation et pensée ramifiée
Le premier chapitre porte sur le modèle qui consiste à « transmettre la manière de penser elle-même à l'IA ». Les prompts japonais s'arrêtent souvent à « attribuer un rôle et écrire poliment », mais les pros mondiaux transmettent « comment penser ». Les cinq présentés ici sont tous des modèles authentiques issus d'articles de recherche.
- Chaîne de vérification (CoVe) — Amener l'IA à interroger ses propres réponses
Il s'agit d'un modèle pour écraser les hallucinations (erreurs factuelles). Les prompts normaux font répondre l'IA en une seule fois, mais CoVe repose sur l'idée de « faire vérifier sa propre réponse par l'IA ». Vous lui faites produire un brouillon, convertissez les risques de cette réponse en questions de vérification, répondez à chaque question sur la base de preuves, et enfin présentez une version finale avec les contradictions corrigées. L'ensemble de ce flux est réalisé en un seul prompt.
Lorsqu'il est utilisé pour des tâches de recherche ou de rédaction d'articles, le résultat devient tout autre. Les erreurs factuelles diminuent visiblement, ce qui le rend efficace pour un travail nécessitant une grande fiabilité.
Prompt à copier-coller
Pour le thème suivant, veuillez suivre les étapes ci-dessous en une seule réponse : (1) Fournissez d'abord une réponse préliminaire. (2) Convertissez les risques d'erreurs factuelles de cette réponse en 5 questions de vérification. (3) Répondez à chaque question sur la base de preuves. (4) Présentez une version finale avec les contradictions corrigées. Thème : [ ]
- Auto-affinement (Self-Refine) — Jouer les rôles de Créateur, Critique et Réviseur
Ce modèle fait jouer à l'IA trois rôles en séquence dans un seul prompt. D'abord, faites-lui rédiger un premier jet en tant que créateur. Ensuite, faites-lui noter son propre travail en tant qu'éditeur sévère. Enfin, faites-lui écrire une version finale en tant que réviseur sur la base de cette note.
La clé est de spécifier des critères d'évaluation concrets. En spécifiant cinq critères comme « pouvoir de persuasion, originalité, logique, lisibilité et omissions », la notation ne sera pas indulgente et la précision de la révision s'améliorera. Vous pouvez sentir la qualité grimper d'un cran avec un seul prompt.
Prompt à copier-coller
Pour le sujet suivant, veuillez effectuer les trois étapes en une seule réponse : (1) Rédigez un premier jet. (2) En tant qu'éditeur sévère, notez-le sur 5 critères : pouvoir de persuasion, originalité, logique, lisibilité et omissions. (3) Rédigez une version révisée basée sur la notation. Sujet : [ ]
- Arbre de pensées (ToT) — Ramifier les réponses
Au lieu de produire une réponse en ligne droite, ce modèle développe plusieurs approches sous forme de « branches » et laisse l'IA choisir la meilleure. Considérez-le comme le processus humain qui consiste à penser « Il y a le plan A, le plan B et le plan C... » et à le mettre directement dans un prompt.
Cela change la dimension du brainstorming et de la planification stratégique. Parce qu'il ne s'engage pas dans une seule direction, des angles inattendus émergent.
Prompt à copier-coller
Pour le sujet suivant, veuillez répondre en suivant ces étapes : (1) Développez 3 approches différentes sous forme de branches. (2) Évaluez les forces et les faiblesses de chaque branche. (3) Sélectionnez la branche la plus prometteuse et fournissez une réponse finale en approfondissant uniquement cette branche. Sujet : [ ]
- Squelette de pensée (SoT) — Le cadre d'abord, la chair ensuite
Il s'agit d'une méthode de pensée où vous listez d'abord le « squelette » au niveau des titres, puis vous étoffez chaque partie. Lors de la rédaction de textes longs, si vous écrivez depuis le début, la seconde moitié manque souvent d'élan ou la structure s'effondre. Si vous solidifiez le squelette d'abord, cet effondrement est moins susceptible de se produire.
C'est transformateur pour la création d'articles longs ou la rédaction de propositions. Puisque le « plan » du squelette existe d'abord, vous ne vous perdrez pas pendant le processus d'étoffement.
Prompt à copier-coller
Pour le thème suivant, veuillez suivre ces étapes : (1) Listez 5 squelettes de titres d'articles en parallèle. (2) Étoffez chaque titre comme une tâche séparée et indépendante. (3) Enfin, intégrez le tout en un seul texte cohérent. Thème : [ ]
- Méta-prompting — Laisser l'IA faire évoluer le prompt lui-même
C'est un peu avancé. Au lieu d'améliorer le contenu du prompt, vous demandez à l'IA de « faire évoluer ce prompt lui-même ». Vous lui faites créer plusieurs versions améliorées, écrire l'intention et le « pourquoi ça marche » pour chacune, et enfin choisir la plus forte.
Rien qu'en appliquant cela une fois par mois aux principaux prompts que vous utilisez souvent, vos actifs de prompts se développeront d'eux-mêmes. Considérez-le comme un système pour empêcher vos prompts stockés de devenir obsolètes.
Prompt à copier-coller
Veuillez créer 5 versions améliorées du prompt suivant avec des performances nettement accrues. Pour chaque version, écrivez l'« intention » et la raison pour laquelle « ça marche ». Enfin, choisissez la version unique la plus forte et indiquez la raison de ce choix. Prompt cible : [ ]
Ce que ces cinq ont en commun, c'est qu'ils transmettent des « procédures de pensée » plutôt que des « instructions ». Auto-vérification, auto-notation, ramification, parallélisation du squelette et auto-évolution. Pouvoir intégrer cela en une seule ligne détermine si l'IA n'est qu'un outil pratique ou un « chercheur autonome ».
Chapitre 2 : Conception inversée — Conception axée sur le résultat
Si le chapitre 1 portait sur « comment lui faire penser », le chapitre 2 porte sur l'état d'esprit qui consiste à décider d'abord « ce qui constitue une victoire ». Les Japonais utilisent leur cerveau sur « quoi mettre dedans », tandis que les pros mondiaux écrivent à partir de l'« objectif ». Voici cinq prompts de conception inversée issus de la documentation officielle.
- Spécification de la sortie en premier — Fixer d'abord le modèle final
La plupart des gens disent « Écris un article de blog ». Mais cela rend la sortie incohérente. Dans la conception inversée, vous construisez d'abord le modèle de sortie final et laissez l'IA remplir les blancs. Vous décidez d'abord le cadre : combien de caractères pour le titre, quoi inclure dans l'introduction, combien de titres dans le corps... et ainsi de suite.
La variance de sortie chute fortement et la qualité se stabilise. Cette stabilité est particulièrement efficace lorsque vous écrivez de nombreux articles sur le même thème.
Prompt à copier-coller
Veuillez remplir parfaitement le modèle suivant. Titre : [Moins de 40 caractères, inclure des chiffres] / Introduction : [3 points douloureux du lecteur, 1 phrase chacun] / Corps : [3 titres H2 + 300 caractères chacun] / Conclusion : [1 proposition d'action] / CTA : [Moins de 15 caractères]. Thème : [ ]
- Préremplissage (Prefilling) — Spécifier le début de la réponse de l'IA
Il s'agit d'un modèle où vous spécifiez la « phrase d'ouverture » de la réponse de l'IA. Claude est obligé d'écrire à partir de cette continuation, verrouillant ainsi la direction de la sortie. Les salutations d'introduction et le remplissage inutile disparaissent, et le déraillement du format est presque éliminé.
C'est subtil mais efficace. Cela évite les réponses qui donnent envie de dire : « Alors, quelle est la conclusion ? »
Prompt à copier-coller
Votre réponse doit commencer par la phrase suivante : « Ci-dessous, je vais fournir une réponse structurée basée sur les exigences. D'abord, le point le plus important est... »
- Contraintes négatives — Lister une liste concrète de « choses à ne pas faire »
Si vous écrivez « ne fais pas ça » de manière vague, l'IA ne le suivra pas. Les interdictions floues comme « rends-le naturel » sont difficiles à appliquer. Mais si vous les listez concrètement, elle les suit. Interdisez les formules de politesse, interdisez les salutations d'ouverture, interdisez les phrases spécifiques... listez-les en points.
Les modèles génériques d'IA disparaissent considérablement. C'est un incontournable lorsque vous voulez supprimer le sentiment « d'évidence générée » d'un texte.
Prompt à copier-coller
Veuillez créer ce qui suit. Cependant, respectez strictement ces interdictions : (1) Pas de formules de politesse. (2) Pas d'utilisation répétée de mots composés de 3 caractères. (3) Pas d'expressions comme « concernant... » ou « il est important de... ». (4) Pas de salutations d'ouverture. (5) Pas de simples listes à puces. En cas de violation, tout réécrire. Cible : [ ]
- Balisage structuré XML — Séparer les informations avec des balises
Séparer les informations avec des balises améliore la précision de lecture de l'IA. Objectif, contexte, contraintes, exemples de référence, format de sortie. Au lieu de jeter tout cela en un bloc de texte, partitionnez-le avec des balises. Les pros ne jettent pas du texte ; ils jettent des plans.
Prompt à copier-coller
Je vais structurer le prompt comme suit. Veuillez répondre selon le contenu de chaque balise. <goal>Objectif à atteindre</goal> <context>Informations contextuelles</context> <constraints>Interdictions</constraints> <examples>Exemples de référence</examples> <output_format>Cadre du format de sortie</output_format>
- Pile de personnages (Persona Stack) — Superposer les rôles sur 3 niveaux
La plupart des gens s'arrêtent à « Vous êtes un rédacteur publicitaire ». Les pros superposent les rôles sur trois niveaux, pas seulement un. Un rôle de rédacteur, un rôle d'éditeur et le rôle du lecteur cible. En donnant à une seule IA ces trois personnages simultanément, vous exécutez le cycle rédaction → édition → re-correction du point de vue du lecteur en une seule fois.
Parce que plusieurs perspectives fonctionnent simultanément, le pouvoir de persuasion augmente. Cependant, il y a des mises en garde à cette approche de « personnage », que nous aborderons au chapitre 10.
Prompt à copier-coller
Veuillez assumer simultanément les 3 personnages suivants : (1) Top Rédacteur Publicitaire (Rédacteur). (2) Rédacteur en chef sévère (Éditeur). (3) Lecteur cible, un employé de bureau dans la trentaine (Destinataire). Exécutez rédaction → édition → re-correction du point de vue du lecteur le tout en une seule réponse. Thème : [ ]
L'essence de la conception inversée est simple. Si la première ligne ne contient pas l'« objectif », les « interdictions » et le « cadre de format », l'IA est déjà perdue. C'est la différence entre écrire depuis l'entrée ou depuis la sortie.
Chapitre 3 : Faire fonctionner l'IA comme une « légion » — Opération multi-agents
À partir d'ici, l'état d'esprit change. Au lieu d'épuiser une seule IA, vous attribuez plusieurs rôles à l'IA et l'opérez comme une « légion ». Se battre avec une seule, c'est comme aller sur un champ de bataille avec une seule arme. Les pros mondiaux sont entrés dans la phase de commandement depuis un état-major général.
Notez que vous n'avez pas besoin de configurer plusieurs comptes IA pour ces modèles. Vous pouvez les reproduire simplement en « changeant de rôle » au sein d'un seul chat.
- Modèle de routage (Routing Pattern) — Placer un trieur
Il s'agit d'une organisation de type militaire où une IA « classificateur » reçoit d'abord l'entrée et l'achemine vers le « spécialiste » approprié. La plupart des gens jettent tout sur une seule IA et obtiennent une réponse médiocre. Les pros placent un réceptionniste pour transmettre la tâche à un expert.
La précision s'améliore lorsque vous pivotez vers la spécialisation plutôt que de laisser une seule IA prétendre être omnisciente.
Prompt à copier-coller
Vous êtes le « Coordinateur de routage ». Lisez la demande suivante et classez-la dans : (1) Recherche, (2) Rédaction, (3) Analyse ou (4) Code. Créez un prompt système de 5 lignes optimisé pour cette classification et exécutez à nouveau la demande en l'utilisant. Demande : [ ]
- Parallélisation (Parallelization) — Résoudre la même question en parallèle pour un vote majoritaire
Ce modèle consiste à résoudre la même tâche sous plusieurs perspectives en parallèle et à déterminer la conclusion par vote majoritaire. Au lieu de demander à un expert, vous demandez à cinq experts de répondre avec des approches différentes et prenez la conclusion soutenue par le plus grand nombre. Voilà l'idée.
Les hallucinations diminuent. Lorsque vous voulez laisser des décisions importantes à l'IA, le sentiment de sécurité est complètement différent.
Prompt à copier-coller
Pour la question suivante, fournissez d'abord une réponse de chacun des points de vue de 5 experts indépendants utilisant des approches différentes. Ensuite, comparez les 5 plans, prenez la conclusion soutenue par le plus grand nombre de perspectives comme réponse finale et indiquez la raison du choix. Question : [ ]
- Évaluateur-Optimiseur (Evaluator-Optimizer) — Séparer complètement le créateur et l'évaluateur
L'auto-évaluation faite par une seule personne devient inévitablement indulgente. Si vous séparez l'acteur et le juge, le jugement devient sévère. Vous reproduisez cela dans un seul prompt. Créez la meilleure réponse en tant que créateur, changez complètement de personnage pour devenir un évaluateur sévère qui la note, puis revenez au créateur pour faire la version finale.
Similaire à Self-Refine au chapitre 1, mais le point ici est de déclarer explicitement « changer complètement de personnage ».
Prompt à copier-coller
Pour le sujet suivant, créez d'abord la meilleure réponse en tant qu'« IA Créateur ». Ensuite, changez complètement de personnage et, en tant qu'« IA Évaluateur sévère », notez cette réponse sur 100 et listez 5 raisons de déduction de points. Enfin, revenez au rôle de Créateur et créez une version finale basée sur l'évaluation. Sujet : [ ]
- Débat multi-agents (Multi-Agent Debate) — Débattre avec des partisans, des opposants et un modérateur
Il s'agit d'un modèle où plusieurs IA débattent avant qu'un intégrateur n'atteigne une conclusion. Les partisans et les opposants s'affrontent, et un modérateur neutre résume leurs arguments. Les extrêmes et l'arrêt de la pensée disparaissent, ce qui aboutit à une conclusion équilibrée.
Cela montre une force particulière dans les « questions où il est difficile de décider », comme la planification stratégique ou la prise de décision.
Prompt à copier-coller
Pour le thème suivant, veuillez agir en tant que : (1) IA Partisane, (2) IA Opposante et (3) IA Modératrice Neutre. Faites débattre (1) et (2) pendant 3 tours chacun, puis faites intégrer leurs points par (3) pour fournir une conclusion finale et un raisonnement. Thème : [ ]
- Sortie auto-vérifiante (Self-Verifying Output) — S'interroger soi-même avant de produire
Il s'agit d'un modèle où le créateur « interroge » sa propre production en tant que personnage différent avant la soumission finale. Comme il est difficile de voir les défauts de ses propres écrits, vous forcez un changement de perspective. Vous passez par trois personnages — un pro concurrent mondial, le lecteur cible et un patron sévère — et chacun liste les problèmes.
Les modèles d'IA récents évoluent vers un « rapport après avoir vérifié eux-mêmes la sortie ». Considérez ceci comme un modèle qui anticipe ce mouvement du côté du prompt.
Prompt à copier-coller
Veuillez relire la sortie suivante en tant que personnages complètement différents. Passez par les rôles de (1) Pro concurrent mondial, (2) Lecteur cible et (3) Patron sévère dans l'ordre, listez 3 problèmes de chaque point de vue, et enfin présentez une version améliorée unique la plus forte. Sortie : [ ]
L'essence de l'opération en légion est de savoir si vous pouvez partir du principe que « l'IA n'est pas quelque chose qui s'utilise comme une unité unique ». Attribuez des rôles et commandez. Cela seul change les résultats provenant de la même IA.
Chapitre 4 : Concevoir le contexte comme un « environnement » — Pensée en 4 couches
Jusqu'à présent, nous avons parlé du « contenu du prompt ». Mais dans le monde des concepteurs d'IA mondiaux, le prompt est traité comme la « couche inférieure » d'une structure beaucoup plus grande : Prompt → Contexte → Intention → Spécification. La plupart des gens sont encore bloqués à la première couche. Ce chapitre présente cinq façons de monter vers les couches supérieures.
- Placement en serre-livres (Bookend Placement) — Placer les contraintes importantes au début et à la fin
Lorsque vous transmettez un long texte à l'IA, les informations placées au milieu ont tendance à perdre l'attention. C'est le phénomène du « milieu est un angle mort ». Par conséquent, placez toujours les contraintes importantes à deux endroits : le début et la fin. Imaginez prendre en sandwich les choses importantes aux deux extrémités comme des « serre-livres ».
Ceci est efficace pour les personnes qui écrivent de longs prompts. Un échec courant est d'avoir une longue instruction où la contrainte n'est écrite qu'une seule fois au milieu.
Prompt à copier-coller
Dans la demande suivante, veuillez reformuler les contraintes importantes à deux endroits — le « début » et la « fin » du prompt — avant de les traiter. Structurez-le en partant du principe que les informations au milieu du contexte sont sujettes à distraction. Demande : [ ]
- Altitude de Boucle d'or (Goldilocks Altitude) — L'« altitude idéale » pour les prompts système
Les prompts système ont une « altitude » optimale. Trop bas (lier avec une logique if-else détaillée) provoque de la rigidité ; trop haut (philosophie abstraite uniquement) ne décide rien. Visez l'altitude intermédiaire. C'est le concept de « Zone de Boucle d'or » appliqué aux prompts.
L'astuce est de concevoir en trois couches : des principes qui ne changent jamais, des cadres pour le jugement situationnel et une liberté pour les tâches individuelles. Écrire avec ces trois à l'esprit évite à la fois la rigidité et l'abstraction.
Prompt à copier-coller
Je vais fixer les instructions pour vous dans les 3 couches suivantes : (1) Principes invariants (Pourquoi/Ne changent jamais). (2) Cadre pour le jugement situationnel (Quand/Règles de branchement selon le cas). (3) Liberté pour les tâches individuelles (Quoi/Laisse à votre jugement). Concevez à une « altitude idéale », en évitant à la fois la rigidité et l'abstraction.
- Injection de contexte juste-à-temps (Just-In-Time Context Injection) — Transmettre seulement ce qui est nécessaire quand c'est nécessaire
Ce n'est pas parce que la fenêtre de contexte est grande qu'il est bon d'y fourrer tous les documents ; cela peut en fait dégrader la précision. Les pros ne transmettent d'abord que la « Table des matières, le Résumé et l'Index » et laissent l'IA récupérer les chapitres nécessaires au besoin. Imaginez ne pas empiler tous les livres de la bibliothèque sur votre bureau, mais aller emprunter uniquement le livre dont vous avez besoin.
La bonne façon de traiter de grands documents est « l'appel dynamique », pas « fourrer tout ».
Prompt à copier-coller
Je ne vais pas saisir le document volumineux suivant d'un seul coup. Dans la première étape, veuillez lire uniquement la « Table des matières », le « Résumé de chaque chapitre en 100 caractères » et l'« Index ». S'il y a un chapitre où des détails sont nécessaires, demandez-le moi explicitement avant de le récupérer, et n'ajoutez que ce chapitre au contexte pour le travail.
- Encodage de l'intention (Intent Encoding) — Articuler d'abord les critères de jugement
Au lieu d'expliquer les « valeurs, priorités et critères de jugement de compromis » de votre organisation ou de vous-même à chaque fois, articulez-les une fois et transmettez-les. Rien qu'en plaçant cela au début, l'IA commence à agir comme « votre agent ». Elle devient une IA qui ne se contente pas d'attendre des instructions mais peut s'orienter dans la bonne direction par elle-même lorsqu'elle est perdue.
Prompt à copier-coller
Comme prémisse du travail suivant, je vais articuler mes critères de jugement : (1) Priorité [A > B > C]. (2) Interdits absolus [X, Y, Z]. (3) Jugement par défaut en cas d'ambiguïté [D]. Lorsque le jugement est perdu, revenez toujours à ces critères avant de décider.
- Couche de spécification (Specification Layer) — Se placer du côté de la création de « spécifications »
Le sommet des 4 couches est cette « Spécification ». Fixez les normes de qualité et les règles métier sous forme de texte structuré (spécifications) et faites-en le point de départ du contexte à chaque fois. D'une personne qui écrit des prompts à une personne qui crée des spécifications. Le moment où vous vous tenez ici, la reproductibilité du travail bondit instantanément.
Prompt à copier-coller
Les travaux futurs se référeront à la « Spécification (format structuré Markdown) » suivante comme point de départ pour chaque session. Si un jugement en dehors de la spécification est requis, ne devinez pas ; vérifiez toujours avec moi. [Collez votre spécification ici]
L'idée de ce chapitre est la transition de « rivaliser avec une seule ligne de prompt » à « concevoir l'ensemble du contexte comme un environnement ». C'est la différence entre se battre sur une couche ou quatre.
Chapitre 5 : S'aligner sur les mécanismes internes de l'IA — Conception structurelle pour le cache KV
Ce chapitre est un peu geek. Mais le connaître change la « vitesse », le « coût » et la « façon dont les limites d'utilisation diminuent » de l'IA.
À l'intérieur de l'IA, un mécanisme appelé « Cache KV » est en cours d'exécution. Pour le dire très simplement, l'IA conserve le contenu traité en interne, et lorsque le même contenu revient, elle peut le réutiliser. Inversement, si vous l'utilisez d'une manière où la réutilisation ne fonctionne pas, elle recalcule à partir de zéro à chaque fois.
« Atteindre rapidement les limites d'utilisation », « les réponses deviennent plus lentes à mesure que la conversation s'allonge » ou « les factures API sont plus élevées que prévu ». La cause de ces problèmes n'est souvent pas le contenu du prompt, mais le « placement » qui n'est pas synchronisé avec les mécanismes internes de l'IA.
- Préfixe stable d'abord (Stable Prefix First) — Fixer les éléments statiques au début
Le cache ne fonctionne que pour la partie qui correspond parfaitement depuis le début. Par conséquent, fixez les choses qui ne changent pas (prémisses, documents de référence, règles) au début, et placez les choses qui changent à chaque fois (la question du jour) à la fin. Rien qu'en mettant la même prémisse en tête à chaque fois, le cache se met à fonctionner.
Prompt à copier-coller
Je vais fixer les prémisses pour les travaux ultérieurs : (1) Mon secteur = [A]. (2) Cible = [B]. (3) Interdictions = [C]. (4) Format de sortie = [D]. Veuillez redéclarer ceci au début de chaque session avant d'entrer dans le sujet principal.
- Modèle de document d'ancrage (Anchor Document Pattern) — Envoyer les documents une seule fois au début
Re-collez-vous de grands documents de référence ou des directives à chaque fois ? C'est du gaspillage. Envoyez les documents une seule fois au début comme « ancre », et faites en sorte que les questions suivantes ne fassent que référence à ces documents.
Prompt à copier-coller
Je vais d'abord placer le document suivant comme une ancre et y faire référence pour les questions suivantes. Veuillez lire uniquement ce document pour la première demande, et pour la deuxième demande et les suivantes, répondez en vous référant à ce document d'ancrage.
- Séparation des instructions et des documents (Instruction-Document Separation) — Ne pas mélanger les commandes et les données
Ne mélangez pas les instructions (commandes) et les documents (données). Beaucoup de gens les mettent en vrac. Mais la précision de l'IA s'améliore en les séparant clairement. Placez les instructions en haut, puis les documents. C'est simple, mais beaucoup ne le font pas.
Prompt à copier-coller
Le format suivant sera utilisé. D'abord, la section des instructions. <instruction> [Écrivez les instructions ici] </instruction> Ensuite, la section des données. <data> [Écrivez les données ici] </data> Veuillez générer la sortie selon les instructions en utilisant les données.
Une approche simple mais efficace. Cela correspond également à la structure de traitement interne de l'IA.
L'essence de ce chapitre est de comprendre l'importance de la mise en page de l'information pour l'IA. L'efficacité du cache, l'équilibre attentionnel, la séparation instruction/données. Le fait de savoir ou non si ce sont des optimisations ou simplement une amélioration de l'interface utilisateur détermine si l'IA est un outil coûteux ou un investissement à haut rendement.
Voici la traduction en français du texte fourni, en respectant toutes les consignes (formatage, balises, terminologie, ton naturel, etc.) :
Invite à copier-coller
Je ferai des documents suivants l'ancre de cette session : [Insérer ici les documents de référence en masse]. Désormais, veuillez répondre à toutes mes questions en vous référant à ces documents. Il n'est pas nécessaire de représenter les documents.
- Continuité de session — Poursuivre un travail connexe dans un même fil
Chaque fois que vous ouvrez un nouveau chat, l'IA reconstruit son cache interne à partir de zéro. Ouvrir 10 nouveaux chats par jour contre continuer dans une seule longue session une fois par jour modifie la façon dont les limites d'utilisation diminuent et la qualité des résultats. Ouvrir fréquemment de nouveaux chats est en partie la raison pour laquelle on « atteint rapidement les limites ».
Consigne opérationnelle :
Continuez toujours votre travail sur le même thème dans un seul fil. Si le fil devient trop long, créez un « résumé jusqu'à présent » au début et continuez en l'utilisant comme ancre.
- Motif d'édition différentielle — Ne donner que les différences lors des corrections
Lorsque vous souhaitez améliorer une sortie, reposter l'intégralité du texte est à proscrire. Reposter tout efface le cache précieux et recalcule depuis le début. Ne donnez que les différences : « Seulement cette partie », « Changez cette partie par cela ».
Invite à copier-coller
Lorsque je souhaite corriger une sortie précédente, je ne reposterai pas l'intégralité du texte. Je ne donnerai que les différences, comme « Seulement la partie [ ] » ou « Changez [ ] en [ ] ». Je ne représenterai ni les prémisses ni les documents de référence.
- Conception de sous-agents sensible au cache — Aligner les débuts des sous-agents
Même lors d'opérations en légion comme au chapitre 3, aligner la « partie début » (définition du rôle, prémisses, règles) de l'invite système de chaque agent rend le cache plus facile à atteindre. Ne modifiez que le contenu de la tâche individuellement à la fin. Cela seul améliore l'efficacité des opérations en légion.
Invite à copier-coller
Lors d'opérations multi-agents, unifiez parfaitement la partie début (définition du rôle, prémisses, règles) des invites système de tous les agents. Ne modifiez que le contenu de la tâche individuellement à la fin.
L'essence de ce chapitre est « rivaliser avec la structure, pas seulement avec le contenu ». L'endroit où vous placez les choses compte autant que ce que vous écrivez.
Chapitre 6 : Créer « l'extérieur » de l'invite — Harnais et agents
En entrant en 2026, les développeurs mondiaux d'IA ont cessé de rivaliser sur le « contenu de l'invite » et ont commencé à concevoir « l'extérieur de l'invite ». Cet extérieur s'appelle un « harnais ». Commençons par organiser la vue d'ensemble.
Qu'est-ce qu'un « agent harnais » en fait ?
Le ChatGPT ou Claude que vous utilisez normalement n'est en réalité pas un « agent IA ». C'est juste une « unité cérébrale ». Un agent IA désigne l'état où des pièces sont attachées à ce cerveau pour le transformer en « machine autonome ».
Un agent se compose grosso modo des éléments suivants :
- Modèle (Le corps) : L'« intelligence » de l'agent. Le LLM lui-même. Avec juste un cerveau, il peut prendre des décisions mais pas agir.
- Harnais : L'ensemble des instructions (invite système) et des garde-fous (ce qu'il ne faut pas faire) donnés au modèle. Par exemple, une vanne de sécurité comme « Obtenez toujours une confirmation humaine pour les paiements dépassant un certain montant ». Considérez-le comme la couche qui détermine la « personnalité » et les « critères de jugement » de l'agent.
- Outils (Mains et pieds) : L'interface de l'agent pour toucher le monde réel, comme envoyer des e-mails, gérer un calendrier, lire/écrire des fichiers et effectuer des recherches web. Sans outils, l'IA peut lire un reçu mais ne peut pas le soumettre pour un remboursement de frais.
- Environnement : « Où » l'agent évolue. Même avec la même IA, ce qu'elle peut faire change considérablement selon l'environnement dans lequel elle évolue.
- Boucle d'agent (Cycle autonome) : Tous ces éléments travaillent ensemble pour maintenir une boucle : Planifier → Agir → Observer le résultat → Ajuster → Répéter. Elle s'arrête si une confirmation humaine est nécessaire. La différence décisive entre un chatbot question-réponse unique et un agent autonome se trouve ici.
Ces cinq éléments combinés sont la « forme complète d'un agent ». À partir de maintenant, je vais présenter cinq techniques pour concevoir hautement cet extérieur = harnais.
- Boucle d'exécution — Intégrer un cycle d'observation, réflexion, autocritique et action
C'est le cœur du harnais. Lors de l'exécution d'une tâche, faites explicitement suivre le cycle « Observation → Réflexion → Autocritique → Action » à chaque étape. Il évolue sur une dimension différente d'une « demande » ponctuelle.
Invite à copier-coller
Lors de l'exécution de la tâche suivante, veuillez toujours écrire les 4 étapes suivantes dans l'ordre à chaque étape avant de procéder : (1) Observation : Décrivez l'état actuel en 3 lignes. (2) Réflexion : La prochaine action nécessaire et sa raison. (3) Autocritique : Un angle mort de cette action. (4) Action : L'action finale après correction. Tâche : [ ]
- Compactage du contexte — Compresser les longues conversations par étapes
À mesure que les conversations s'allongent, le contexte se dégrade. Pour éviter cela, compressez de force les interactions passées dans un format fixe tous les certain nombre de tours. C'est une conception essentielle pour empêcher le contexte de « pourrir » dans les tâches longues.
Invite à copier-coller
Désormais, chaque fois que la conversation dépasse 10 tours, compressez de force les interactions passées au format « 3 faits confirmés + 2 tâches en attente + 1 prochaine action la plus importante », et exécutez les nouvelles instructions en partant de cette version compressée.
- Mémoire de playbook — Accumuler des « motifs » réutilisables
C'est une conception pour accumuler des stratégies sous forme de « motifs (playbooks) » réutilisables plutôt que de les générer à chaque fois de zéro. Chaque interaction devient un « actif ».
Invite à copier-coller
Après avoir exécuté la tâche suivante, émettez toujours « 3 règles générales de cette fois » dans une liste à puces Markdown. La prochaine fois, je les présenterai au début, veuillez donc les lire comme un playbook avant de travailler.
- Boucle d'auto-modification — Laisser l'IA réécrire son propre manuel d'instructions
C'est un motif où l'agent lui-même écrit un « modèle d'auto-instruction » pour mieux faire la prochaine fois. Vous pouvez créer un état où l'IA met à jour son propre manuel d'instructions à chaque utilisation.
Invite à copier-coller
Après avoir exécuté la tâche suivante, veuillez émettre un « modèle d'auto-instruction (version améliorée) » pour que vous-même exécutiez avec une meilleure précision la prochaine fois. Indiquez également l'intention et le but de l'amélioration. J'utiliserai ce modèle la prochaine fois.
- Optimisation automatique du harnais — Améliorer itérativement le mécanisme entier
Similaire au méta-prompting du chapitre 1, mais la cible est « la structure de l'invite elle-même ». Rien qu'en l'exécutant une fois par semaine, vos actifs d'invite évolueront avec des intérêts composés.
Invite à copier-coller
Veuillez fournir 5 plans concrets pour améliorer d'un niveau ma structure d'invite actuelle. Écrivez l'objectif, l'effet d'amélioration attendu et le risque attendu pour chaque plan, puis choisissez finalement le plan le plus fort, en indiquant la raison de son adoption et un exemple d'utilisation suivant.
Polir le contenu de l'invite ligne par ligne est important. Mais il existe un monde bien plus vaste « à l'extérieur » de cela. Avoir la perspective d'un harnais change d'un niveau la façon dont vous utilisez l'IA.
Chapitre 7 : 5 invites secrètes que personne ne connaît
Ce chapitre rassemble des motifs de niche rarement trouvés dans les manuels d'invite standard. Certains proviennent de la recherche, d'autres appliquent les sciences cognitives. Ce sont des angles rarement partagés au Japon.
- Reformatage de question — Faire reformuler en question neutre avant de répondre
L'IA a l'habitude de « flatter l'utilisateur (sur-conformité) ». Elle anticipe s'il faut être d'accord ou non avec votre déclaration et renvoie une réponse servile. Pour supprimer cela, il est rapporté que lui faire reformuler votre déclaration en une « question neutre » avant de répondre est plus efficace que de commander directement « ne flattez pas ».
Essayez ceci lorsque vous voulez un avis mais n'obtenez que « C'est exactement comme vous dites ».
Invite à copier-coller
Avant de répondre à ma déclaration suivante, veuillez toujours d'abord reformuler ma déclaration en un « format de question neutre ». Après avoir refusé d'exprimer un accord ou un désaccord avec la déclaration originale, veuillez répondre logiquement. Déclaration : [ ]
- Échantillonnage verbalisé — Faire émettre plusieurs plans avec probabilités
L'IA a tendance à renvoyer des réponses similaires à chaque fois que vous posez la même question (un phénomène où la diversité des sorties s'effondre). La contre-mesure est un motif où vous lui faites émettre plusieurs plans de réponse avec la « probabilité qu'ils devraient être choisis ». Choisir un plan à partir de la distribution de probabilités peut faire émerger des idées qui n'émergent pas avec des invites normales.
Invite à copier-coller
Pour le sujet suivant, veuillez générer 5 plans de réponse différents avec leur « probabilité d'être choisis (%) » respective. La probabilité totale doit être de 100 %. Enfin, choisissez et présentez un plan à partir de cette distribution selon la probabilité. Sujet : [ ]
- Ancrage contrefactuel — Faire d'abord émettre la réponse opposée
C'est un motif appliquant l'« effet d'ancrage » de la psychologie cognitive. En faisant d'abord émettre à l'IA la « réponse complètement opposée » à celle qu'elle veut intuitivement donner, vous brisez l'inertie vers une solution médiocre. Une réponse prévisible devient soudainement profonde.
Remarque : « Ancrage contrefactuel » est un terme que j'ai inventé. Le principe sous-jacent (effet d'ancrage) est une vraie science cognitive, mais ce motif spécifique est une application.
Invite à copier-coller
Avant de répondre à la question suivante, générez d'abord une « réponse complètement opposée » à celle que vous avez intuitivement l'intention de donner. Écrivez 5 raisons pour lesquelles ce plan opposé pourrait être correct. Enfin, fournissez la réponse finale après être passé par cette vérification. Question : [ ]
- Auto-autopsie préventive — Lister d'abord les causes d'échec
« Autopsie préventive » est une méthode de réflexion célèbre où l'on pense « Si ce projet échouait, quelle en serait la cause ? » avant de commencer. Nous l'appliquons à l'exécution de tâches par l'IA. Faites lister les motifs d'échec avant l'exécution et exécutez d'une manière qui les évite. Efficace pour les tâches longues.
Remarque : La méthode d'autopsie préventive originale est réelle, mais l'appliquer à l'IA est mon propre usage.
Invite à copier-coller
Avant d'exécuter la tâche suivante, listez d'abord « 5 causes supposées si cette tâche se terminait avec la qualité la plus basse ». Écrivez une mesure d'évitement d'une ligne pour chaque cause, et exécutez la tâche en suivant strictement toutes ces mesures d'évitement. Tâche : [ ]
- Invitation de confiance calibrée — Faire indiquer les niveaux de confiance
La plus grande faiblesse de l'IA est de « dire les choses avec une confiance totale même quand elle a tort ». Pour y remédier, utilisez un motif où elle doit accompagner chaque affirmation d'un « niveau de confiance (0-100 %) ». Les hallucinations deviennent visibles, ce qui rend le jugement de fiabilité des informations beaucoup plus facile.
Invite à copier-coller
En répondant à la question suivante, veuillez accompagner chaque affirmation d'un « niveau de confiance de 0 à 100 % ». Étiquetez moins de 50 % comme « Estimation » et seulement 70 % ou plus comme « Fait ». Fournissez également une base d'une ligne pour chaque niveau de confiance. Question : [ ]
Que vous les étudiez comme techniques standard ou les exploitiez comme astuces secrètes issues de papiers et de principes, la plupart des sources sont disponibles gratuitement. L'écart se creuse à partir de ceux qui le remarquent.
Chapitre 8 : Donner des « mains et des pieds » à l'IA — MCP à installer
Jusqu'à présent, nous avons parlé d'invites. Ce chapitre concerne le fait de donner des « mains et des pieds » à l'IA.
MCP (Model Context Protocol) est un standard commun ouvert pour connecter l'IA à des services et données externes. En termes simples, c'est un mécanisme pour ajouter des « fenêtres pour toucher le monde réel » à l'IA. L'installer transforme Claude d'un chatbot en un « agent avec mains et pieds ».
Comme MCP est un standard ouvert, une fois configuré dans Claude Code ou Codex, le même environnement peut être transféré. Ici, j'en ai sélectionné quatre qui sont vraiment utiles pour les créateurs de contenu.
- MCP Supadata — Extraire les transcriptions des vidéos en un seul coup
C'est un MCP qui peut extraire les transcriptions de vidéos YouTube, TikTok, Instagram et X (anciennement Twitter) en un seul coup. La recherche de contenu à l'étranger, l'analyse de vidéos concurrentes et la saisie des tendances deviennent beaucoup plus rapides. Même pour les vidéos sans sous-titres, cela peut être couvert par la fonction de transcription automatique.
Exemple d'utilisation :
Extrayez la transcription de l'URL vidéo YouTube/TikTok/X suivante et résumez-la en 5 points clés. URL : [ ]
Vous pouvez sortir de la tâche chronophage consistant à regarder des vidéos virales étrangères jusqu'à la fin.
- MCP Firecrawl — Convertir des sites web en Markdown propre
C'est un MCP qui convertit n'importe quel site web en Markdown propre que l'IA peut facilement lire. Il peut même traiter les pages rendues avec JavaScript. Il devient plus rapide de faire lire à l'IA des articles de concurrents, des pages de vente ou des sites d'actualités pour produire une analyse structurelle ou des propositions d'amélioration.
Exemple d'utilisation :
Convertissez en Markdown l'URL suivante avec Firecrawl et analysez la structure et les faiblesses de l'argumentation dans cet article. URL : [ ]
Les personnes qui copient-collent manuellement à chaque fois peuvent récupérer leur temps ici.
- MCP Google Knowledge Graph — Accès direct aux informations d'entité
C'est un MCP permettant à l'IA d'accéder directement aux données source du « Panneau d'information » qui apparaît à droite des recherches Google. Vous pouvez extraire des données structurées sur des personnes réelles, des lieux, des organisations et des concepts. La précision change dans la vérification des faits et la vérification des informations sur les personnes/organisations. Il devient une bouée de sauvetage pour les éditeurs d'informations.
Exemple d'utilisation :
Obtenez des informations sur « [Nom de la personne/de l'organisation] » avec Google Knowledge Graph, puis vérifiez les relations factuelles dans mon article.
- MCP Mémoire — Donner une mémoire permanente à l'IA
L'IA a une faiblesse : « l'historique des conversations est réinitialisé à chaque fois ». MCP Mémoire résout cela. Les décisions de projet, vos préférences et les règles apprises lors d'interactions passées restent même après la fin de la session.
Exemple d'utilisation :
Enregistrez les préférences, prémisses et informations de projet en cours suivantes comme mémoire permanente dans MCP Mémoire. La prochaine fois, référez-vous toujours d'abord à ce contenu avant de travailler.
Plus vous repostez les mêmes prémisses à chaque session, plus vous ressentirez l'effet. Claude devient un « partenaire qui vous comprend » à mesure que les sessions se répètent.
Avec ces quatre, vous avez à la fois « Entrée (vidéo, web, informations d'entité) » et « Mémoire ». Accumulez les informations recueillies avec les trois premiers dans l'IA en utilisant MCP Mémoire. L'effet lorsque les quatre travaillent ensemble est plus grand que de les utiliser individuellement.
Chapitre 9 : Automatiser avec Claude Code et Codex — 5 points et pièges
Si vous « faites tourner tant bien que mal » l'automatisation avec Claude Code ou Codex, vous perdez pas mal. Ce chapitre présente cinq points pour obtenir des résultats avec l'automatisation, ainsi que leurs pièges respectifs.
- Toujours insérer le mode Plan
La bouée de sauvetage de l'automatisation est de ne pas la laisser s'exécuter soudainement. En mode Plan, faites-lui concrétiser les noms de fichiers, les noms de fonctions et la séquence des étapes à éditer avant de les approuver. Insérez toujours cela.
Piège : Sauter le mode Plan et passer à l'exécution parallèle. La parallélisation sans porte de planification ne fait que produire en masse des livrables erronés à grande vitesse. La vitesse n'a de valeur que si la direction est correcte.
- Règles durables dans les fichiers de configuration, instructions ponctuelles dans les invites
C'est une erreur typique de débutant de fourrer des « règles permanentes à suivre à chaque fois » dans chaque invite. Écrivez les règles durables dans les fichiers de configuration (AGENTS.md pour Codex, CLAUDE.md pour Claude Code) et mettez uniquement les « instructions pour cette fois » dans l'invite.
Piège : Rendre le fichier de configuration trop volumineux. S'il dépasse la limite de taille, le contenu sera tronqué. Si le fichier devient volumineux, la pratique standard est de le diviser par hiérarchie de répertoires.
- Les sous-agents doivent être « spécialisés + permissions restreintes »
Attribuez « 1 fonction = 1 rôle spécialisé » aux sous-agents et donnez-leur uniquement les outils strictement nécessaires.
Piège : Les sous-agents héritent par défaut de toutes les permissions d'outils du parent. Comme ils démarrent avec des permissions complètes, cela peut entraîner des accidents si vous ne les restreignez pas explicitement. De plus, les sous-agents consomment plus de tokens car ils exécutent plusieurs modèles et outils. Comme la parallélisation = coût accru est structurellement inévitable, limitez-vous aux tâches qui valent la peine d'être exécutées.
- « Ne pas surcharger » est la bonne réponse pour MCP
J'ai présenté MCP au chapitre 8, mais en faire trop est interdit. Plus vous ajoutez de MCP, plus le contexte de chaque message gonfle, comprimant la limite d'utilisation. Désactivez les MCP que vous n'utilisez pas. C'est basique.
Piège : Tout MCP-iser et en brancher 10 ou 20. En plus de comprimer le contexte, les risques de sécurité augmentent également. Il est sûr de se limiter à 3 à 5 que vous utilisez vraiment chaque jour.
- Conditionner le travail répétitif en « compétences »
Pour les flux de travail que vous utilisez de manière répétée, ne copiez-collez pas l'invite à chaque fois ; conditionnez-la en une compétence. Claude Code et Codex ont tous deux des mécanismes pour résumer le travail répétitif dans des fichiers de définition et les appeler de manière cohérente.
Piège : Opérer en copiant-collant les invites à chaque fois sans créer de compétence. La variance s'accumule et la charge mentale ne cesse d'augmenter. Tout flux de travail avec 2 à 3 exemples d'utilisation concrets est prêt à être transformé en compétence. Les écrire en partant du principe d'utiliser la même compétence à la fois dans Claude Code et Codex garantit qu'il n'y ait pas de coût même si vous changez d'outils.
L'essence de l'automatisation est la différence entre « tout déverser » sur l'IA ou le « systématiser ». Insérez le mode Plan, organisez les fichiers de configuration, restreignez les permissions, minimisez les MCP et transformez les répétitions en compétences. Mettez en place ces cinq mécanismes d'abord avant d'exécuter. Cela seul détermine si l'automatisation devient une « accélération » ou une « embardée ».
Chapitre 10 : C'est obsolète — Les habitudes d'invite à arrêter
Le dernier chapitre porte sur la soustraction, pas sur l'addition. Je couvre trois habitudes longtemps considérées comme « correctes » au Japon mais qui sont remises en question par les dernières recherches et spécifications.
- Attacher « Vous êtes un expert en... » à tout
Les invites qui donnent une personnalité sont un grand classique. Cependant, des recherches récentes soulignent qu'elles ne sont pas « omnipotentes ». Si les personnalités d'expert sont efficaces pour les tâches de sécurité et de modération, des rapports suggèrent qu'elles ont tendance à diminuer la précision dans la reconnaissance factuelle et le raisonnement.
En d'autres termes, une personnalité n'est pas un « modèle universel » mais une « technique de précision à utiliser en choisissant l'application ». C'est correct de l'attacher pour le jugement de sécurité, le jugement éthique ou la modération. Mais pour la recherche de faits, l'analyse, la génération de code ou les tâches de raisonnement, ne l'attachez pas inutilement. Juste en étant conscient de cette distinction, la précision augmente d'un niveau.
- Attacher mécaniquement « Raisonnez étape par étape »
« Raisonnez étape par étape » et « Raisonnons étape par étape » ont également été longtemps traités comme les invites les plus puissantes. Cependant, les modèles récents évoluent vers le modèle lui-même jugeant quand et combien réfléchir. La nécessité technique d'écrire « raisonnez » à chaque fois s'estompe.
L'opération future devrait se concentrer sur l'articulation du but, des contraintes et du format attendu de la tâche plutôt que d'attacher mécaniquement des instructions de réflexion. Et pour les tâches complexes nécessitant un raisonnement, activez la propre fonction de réflexion du modèle et laissez le jugement à l'IA. Ceci est plus compatible avec la nouvelle génération de modèles.
- Écrire des invites à la main et affiner par intuition
C'est peut-être le point le plus important. De nombreux Japonais écrivent des invites à la main comme des « œuvres d'art » et les affinent par choix de mots et intuition. Pendant ce temps, les pros mondiaux traitent les invites comme du « code ». Ils conçoivent, versionnent, testent et optimisent tout en notant avec des critères d'évaluation (eval).
Pourquoi est-ce si différent ? La raison est simple. L'intuition manuscrite ne peut pas détecter les « 10 % de cas où une invite qui fonctionne pour 90 % des entrées échoue de manière catastrophique ». Par conséquent, ils créent d'abord un tableau de bord pour « ce qui compte comme une réponse correcte » et mesurent l'invite par rapport à lui.
Le premier pas vers la « pensée eval » que vous pouvez faire aujourd'hui :
(1) Exécutez la même invite 5 fois et observez la variance des sorties. (2) Notez 3 conditions communes aux bonnes sorties (c'est un eval simple). (3) Créez plusieurs versions de l'invite au niveau du mot et comparez-les jusqu'à ce qu'elles satisfassent ces 3 conditions.
Au fait, même avec des mots qui signifient la même chose, la sortie change. La réaction de l'IA est subtilement différente entre « Calculer » et « Computeur ». L'intuition manuscrite ne peut pas contrôler cette différence au niveau du mot. C'est pourquoi il y a de la valeur à passer votre cerveau en mode « mesurer et améliorer ».
J'ai présenté de nombreuses techniques à ajouter dans les chapitres 1 à 9. Mais ceux qui grandissent décident aussi quoi « arrêter ».
Conclusion — Les invites sont devenues des « plans pour la pensée »
Jusqu'à présent, j'ai présenté environ 40 techniques et savoir-faire en un tourbillon. Enfin, je résume ce que je voulais transmettre dans cet article en une seule chose.
Les invites ne sont plus des « instructions ». Ce sont des « plans pour la pensée ».
Au chapitre 1, nous avons transmis la manière de penser elle-même. Au chapitre 2, nous avons travaillé à rebours à partir de la sortie. Au chapitre 3, nous avons opéré l'IA comme une légion. Aux chapitres 4 à 6, nous avons conçu l'extérieur de l'invite = contexte, structure interne et harnais. Au chapitre 7, nous avons utilisé des astuces secrètes ; au chapitre 8, nous avons donné des mains et des pieds à l'IA avec MCP ; au chapitre 9, nous avons mis en place des mécanismes d'automatisation ; et au chapitre 10, nous avons abandonné les vieilles habitudes.
Ce qu'ils ont tous en commun, c'est qu'ils écrivent « comment faire pour qu'il pense et agisse », pas « quoi produire ». Commandes vs Plans. Cette différence détermine si l'IA reste « juste un outil pratique » ou se transforme en un « partenaire autonome ».
Les techniques présentées ici ne nécessitent ni talent ni compétences en anglais. Tout ce dont vous avez besoin est d'essayer d'écrire une ligne de votre invite dès aujourd'hui avec une structure légèrement différente. Copiez et collez un motif qui a attiré votre attention et essayez-le. Ce sera votre premier pas.
Merci d'avoir lu jusqu'au bout. J'espère que cet article servira de catalyseur pour élever d'un niveau votre relation avec l'IA.
Consultez à propos de l'IA ici 👇
