11 règles pour rédiger des prompts efficaces pour les agents IA

Il y a deux semaines, j'ai failli tomber malade en rédigeant un article sur comment scraper des produits sur un site e-commerce.

Voici pourquoi : j’ai tenté de collecter des produits sur le site GymShark avec un prompting framework pour la classification et l’édition de données que j’avais conçu pour les AI Assistants dans Datablist. Au départ, ça fonctionnait, mais les données n’étaient pas correctement triées, ce qui a rendu l’ensemble du dataset inutilisable.

C’est là que j’ai compris que chaque IA et chaque cas d’utilisation nécessitent des prompts différents.

Puisque dans le prompting, les petits détails font toute la différence, rater 5% des détails rendra vos résultats inutilisables.

C’est parti !

À retenir dans cet article :

• Les agents IA de Datablist peuvent chercher sur Google, visiter des sites, appeler des API, et plus
• Un bon prompt fait toute la différence avec un agent IA
• Suivre les bonnes pratiques facilite la création de bons prompts pour les agents IA
• Datablist fournit des modèles de prompts, mais apprendre à formuler reste essentiel

Les agents IA de Datablist & comparaison avec les AI Assistants

Pour bien distinguer le prompting pour un agent IA de celui pour un AI Assistant, il faut clarifier leurs capacités respectives.

Voici deux résumés simples de ce que ces outils peuvent faire :

AI Assistant

Les AI Assistants de Datablist sont conçus pour lire, classifier, extraire, éditer et générer du texte ou du code.

AI Agent

Les agents IA de Datablist sont des IA munies d’outils capables de faire des recherches Google, afficher du code HTML, naviguer sur plusieurs pages, appeler des API, visiter et analyser les résultats de Google News, des sites web, stores e-commerce, etc.

💡 Simple et intuitif

Imaginez les agents IA comme le système qui traite les données externes, et l’AI Assistant comme le système qui agit sur vos données déjà présentes dans votre collection Datablist.

Capacités de l’AI Agent Datablist

Pour rédiger un prompt efficace à l’agent IA, rappelons les outils et capacités à disposition :

• Recherche Google
• Recherche Google News
• Extraction et génération de texte ou code
• Récupération d’informations de compte
• Visite de site web
• Pagination sur un site
• Rendu HTML
• Appel d’API

Les 11 règles pour communiquer avec les agents IA dans Datablist

Une fois que vous avez intégré les capacités de l’AI Agent, il reste à respecter quelques règles aussi simples qu’essentielles pour garantir l’exactitude de vos résultats. Ces règles sont :

1. Considérez votre prompt comme une feuille de route : guidez l’agent avec vos instructions, ne vous contentez pas d’un ordre.
2. Commencez toujours par votre objectif, et contextualisez-le.
3. Tagguez chaque section du prompt pour aider l’agent à distinguer clairement vos intentions et séparer chaque commande/action.
4. Utilisez des commandes claires pour appeler les outils de l’agent IA, comme "search Google", "extract text", "get HTML code", etc.
5. Marquez les outputs et fournissez des exemples précis, car ils serviront de base à la sortie.
6. Indiquez où trouver l’information sur le site si vous scrapez quelque chose de précis.
7. Utilisez des séparateurs (".===") entre les différentes parties du prompt pour le structurer.
8. Mentionnez les erreurs à éviter afin que l’agent puisse s’en prémunir.
9. Définissez la gestion des erreurs ou des données manquantes.
10. Testez et itérez vos prompts ; ne blâmez pas l’agent IA si le prompt n’est pas optimal (je l’ai fait avant…).
11. Indiquez systématiquement, à la fin, depuis quelle colonne l’agent doit extraire la donnée.

En appliquant ces conseils et bonnes pratiques, vous ferez des économies (crédits et temps) et gagnerez en efficacité lors des itérations sur vos prompts.

📘 Un bon prompt, tout change

L’agent IA fonctionne aussi sans ces règles, mais vos résultats seront nettement meilleurs si vous les appliquez, car la structure du prompt fait toute la différence.

Exemples de prompts pour agent IA : Bon vs Mauvais prompt

Prompt Agent IA : Bon exemple

Regardez d’abord le bon exemple de prompt, puis le mauvais !

C’est le prompt que j’ai rédigé récemment pour scraper des produits sur un site e-commerce.

Pourquoi est-ce un bon prompt ?

1. Il commence par un objectif précis, bien défini, et contextualisé
2. Le prompt est découpé en plusieurs sections bien taguées : c’est beaucoup plus compréhensible pour l’IA
3. J’utilise des commandes explicites avec des verbes d’action
4. Les actions s’enchaînent dans l’ordre logique
5. Je précise ce que je cherche, exemples à l’appui
6. J’indique comment gérer les exceptions ou incohérences
7. Je liste les erreurs spécifiques à éviter
8. Les parties sont délimitées avec ".==="
9. Le prompt est bien structuré et dirige l’IA pas à pas
10. Je fais le lien à la fin avec la colonne source des données

Prompt Agent IA : Mauvais exemple

Pour ceux qui pensent que je suis "le tech qui sait forcément tout faire", voici la vérité : je ne sais pas coder, et voici en prime à quoi ressemblaient mes premiers prompts !

Oui, certains pourraient y voir un prompt convenable, mais ce n’en est pas un –– car les résultats n’étaient pas bons du tout.

Dans cet exemple, beaucoup d’erreurs. Même si cela paraît sophistiqué, le prompt –– et donc les résultats –– sont inutiles. Voici ce qui n’allait pas et comment l’éviter :

Mauvais prompt raison #1 : Structure médiocre

Pas de logique claire ni d’organisation précise.

Pour l’éviter : Décomposez votre objectif en étapes claires, comme pour expliquer la tâche à quelqu’un. Par exemple :

• D’abord, visitez le site web ;
• Ensuite, cherchez la section produit ;
• Enfin, extrayez le prix.

Mauvais prompt raison #2 : Tags pas explicites

Les labels et sections manquent de clarté.

Pour l’éviter : Utilisez un langage courant pour taguer vos sections. Au lieu de "Data Parameters", dites "Informations produit à extraire". Au lieu de "Input", dites "URLs des sites à traiter".

Mauvais prompt raison #3 : Outputs non structurés et exemples absents

Le format attendu n’est pas défini, manque d’exemples.

Pour l’éviter : Incluez systématiquement la structure de données attendue (sous forme de listes numérotées) et 2-3 exemples précis du type de résultats souhaités.

Exemple :

1. Nom du produit : Nike Air Max ; Adidas Ultraboost ; Puma RS-X ;
2. Prix : 120 $ ; 180 $ ; 110 $ ;
3. Couleur : Noir ; Blanc nuage ; Rouge intense ;
4. Taille : US 9 ; US 10.5 ; US 8 ;
5. Matière : Mesh & synthétique ; Primeknit ; Cuir & mesh ;

Mauvais prompt raison #4 : Pas de séquence claire

Les actions ne suivent pas de logique ordonnée.

Pour l’éviter : Formulez chaque étape comme si vous donniez des instructions à un ami – "Commence par ceci, puis cela".

Exemple :

1. Ouvre le site ;
2. Trouve la section des produits ;
3. Extrait les données

Les 3 erreurs les plus courantes avec les agents IA

Depuis mon arrivée chez Datablist.com, j’ai eu beaucoup d’appels utilisateurs intéressés par les agents IA. J’ai observé des motifs récurrents d’erreurs… évitez-les à tout prix !

• Refuser le prompting : Certains attendent que l’IA comprenne d’elle-même ce qu’ils pensent. Vouloir économiser du temps mais refuser d’en investir sonne étrange… ne soyez pas comme ça !

• Instructions trop vagues : Ne dites pas juste "récupère les infos produit" ; détaillez : "extrait le nom, le prix en USD et les tailles disponibles depuis la fiche produit".

• Ignorer le traitement des erreurs : Votre prompt doit prévoir les cas de données manquantes ou de scénarios inattendus (ex : "si le prix n’est pas dispo, indique 'N/A'").

Combien de temps faut-il investir dans la rédaction de prompts

Demandez-vous quelle valeur vous apporte ce workflow, et combien de temps il vous fera gagner.

Personnellement, je passe beaucoup de temps à rédiger des prompts, pour moi et pour aider nos utilisateurs.

Quand j’utilise Grok, je ne passe pas 30 min sur chaque prompt : je fais une première demande, j’itère si besoin, car mes cas d’usage sont simples. Mais pour un prompt de personnalisation d’emails, ou de data cleaning, j’y accorde du temps, car cela m’épargne des heures de correction/itération ensuite !

Harrison Chase, Fondateur de LangChain : « Je pense qu’on n’a pas encore trouvé la meilleure manière d’interagir avec ces agent applications. Garder l’humain dans la boucle reste pour l’instant nécessaire, car ce n’est pas ultra fiable. Mais si l’humain intervient trop, ça n’a plus d’utilité. Il faut donc trouver le bon équilibre. »

Mon modèle de prompt pour agent IA à adapter (avec exemples)

Modèle à éditer selon vos cas d'usage, suivi de deux exemples concrets : Prenez bien le temps d’adapter chaque partie à votre besoin.

P.S. Ce framework m’a demandé des heures de travail… Profitez-en ! ;)

Application de mon framework à un scraping e-commerce :

Application à une recherche presse/media :

Foire aux questions sur la rédaction de prompts pour l’IA

1. Dois-je vraiment passer du temps à écrire mes prompts ?

Même si cela paraît un peu laborieux, investir ce temps est essentiel pour obtenir de bons résultats. Des instructions floues donnent des résultats imprécis et vous coûteront plus d’heures en modifications/corrections.

2. Qu'est-ce qui distingue un « bon » d’un « mauvais » prompt ?

Un bon prompt est structuré, avec une consigne claire, des exemples d’output précis et des consignes de gestion des erreurs. Un mauvais prompt est vague, sans structure, sans exemples, et ne prévoit pas d’imprévus.

3. Y a-t-il un modèle simple à suivre ?

Oui ! Cet article vous propose un template en cinq parties : Objectif, Consignes tâche, Informations à extraire, Règles de gestion de données, Erreurs à éviter — chaque partie doit être séparée par ===

4. À quel point mes exemples doivent-ils être détaillés dans le prompt ?

Les exemples doivent être précis et couvrir plusieurs cas. Par exemple, si vous scrapez des produits, donnez des formats, devises, ou tailles différentes parmi vos exemples.

5. Quelle est la partie la plus importante d’un prompt à ne surtout pas oublier ?

La gestion des erreurs et la section « Erreurs à éviter ». Elles vous évitent bien des soucis et garantissent des résultats homogènes même en cas d’information absente ou de cas particulier.