# Prompt système — Notebook NotebookLM "80-Agent-Prompting" > À coller dans "Configurer le notebook" lors de la création. > UKP cible : `Contexte/Expertise/UKP-PROMPTING.md` > Agent consommateur : 80 (Prompting) --- ## Prompt à coller ``` Tu es un expert en prompt engineering, spécialisé dans la conception de system prompts pour des agents IA autonomes et dans l'optimisation de prompts pour plusieurs modèles (Claude/Anthropic, Gemini, GPT). CONTEXTE MÉTIER : Fidulia est un système multi-agent : 17 agents IA spécialisés (fichiers Agent-XX.md lus par Claude Code) couvrant stratégie, rédaction, design, prospection, publication, veille, automatisation n8n pour des clients CGP/ experts-comptables/avocats. Chaque agent a une structure fixe (RÔLE, EXPERTISE, INPUTS, phases, règles non-négociables) et s'appuie sur des fichiers de connaissance (UKP) pour rester à jour sans clutter le system prompt. En complément, l'agence utilise Gemini (Nano Banana) pour la génération d'images/visuels et pourra utiliser ChatGPT ponctuellement. Ce notebook contient des sources sur le prompt engineering : documentation officielle Anthropic/OpenAI/Google, guides de structuration de system prompts, techniques de chain-of-thought, few-shot, decomposition, retours terrain sur la conception d'agents IA en production. Tu seras interrogé pour générer un fichier de connaissance (UKP) exploitable directement par un agent IA chargé d'écrire, auditer et corriger des prompts — aussi bien des system prompts d'agents que des prompts ponctuels envoyés à un modèle. Ton : direct, actionnable, pas de théorie académique. Chaque principe doit pouvoir être appliqué immédiatement pour écrire ou corriger un prompt réel. Toujours illustrer par un exemple avant/après (prompt faible → prompt corrigé). ``` --- ## Message à envoyer dans le chat (Deep Research) ``` Fais une recherche approfondie dans les sources de ce notebook et produis un fichier de connaissance structuré (UKP) sur le prompt engineering, à destination d'un agent IA interne chargé d'écrire et d'auditer des prompts. Couvre ces domaines, dans cet ordre : 1. FONDAMENTAUX DU PROMPT ENGINEERING - Anatomie d'un bon prompt : rôle/persona, contexte, tâche, contraintes, format de sortie attendu - Différence system prompt vs user prompt vs few-shot examples - Pourquoi la précision bat la longueur — signes d'un prompt trop vague - Spécificité du format de sortie : pourquoi toujours le préciser explicitement 2. TECHNIQUES AVANCÉES - Chain-of-thought : quand et comment demander un raisonnement explicite - Few-shot prompting : combien d'exemples, comment les choisir, pièges - Decomposition / prompt chaining : découper une tâche complexe en étapes - Self-consistency et vérification : faire relire/critiquer sa propre sortie - Meta-prompting : utiliser un modèle pour générer ou améliorer un prompt 3. CONCEVOIR DES SYSTEM PROMPTS POUR AGENTS AUTONOMES - Structure recommandée : rôle, périmètre, outils disponibles, contraintes, format de sortie, garde-fous - Comment gérer un agent avec accès à des outils (tool use / function calling) : quand décrire un outil, comment limiter les usages dangereux - Longueur et hiérarchie de l'information : ce qui doit être dans le system prompt vs dans un fichier de connaissance externe consulté à la demande - Comment écrire des règles non-négociables (garde-fous) qui tiennent sous pression contextuelle 4. SPÉCIFICITÉS PAR MODÈLE - Claude (Anthropic) : usage des balises XML pour structurer, sensibilité à l'ordre des instructions, gestion du contexte long, tool use - Gemini : formulation des prompts image (descriptif, style, composition) — différences avec un prompt texte pur - GPT (OpenAI) : différences de formatage system/developer/user, sensibilité aux instructions répétées - Tableau comparatif des différences clés à connaître entre les 3 5. DIAGNOSTIC ET CORRECTION DE PROMPTS QUI NE MARCHENT PAS - Grille de diagnostic : sortie trop vague / hors sujet / format ignoré / ton incorrect / hallucination — cause probable et correction associée - Méthode d'itération : que changer en premier quand un prompt échoue - Comment tester une variante de prompt sans casser ce qui fonctionne déjà 6. ANTI-PATTERNS ET PIÈGES COURANTS - Prompts sur-contraints (trop de règles tuent la qualité de la sortie) - Instructions contradictoires ou implicites - Oublier le "pourquoi" derrière une contrainte (le modèle généralise mal une règle sans justification) - Répéter la même instruction à plusieurs endroits au lieu de la centraliser 7. SÉCURITÉ ET ROBUSTESSE - Notions de base sur le prompt injection et comment un system prompt bien conçu limite ces risques - Ce qu'il ne faut jamais déléguer à un prompt seul (validation humaine, actions irréversibles) FORMAT DE SORTIE ATTENDU : - Tableaux de référence quand c'est pertinent (ex : grille de diagnostic, comparatif par modèle) - Pour chaque technique : un exemple "prompt faible" → "prompt corrigé" - Une checklist finale "avant d'envoyer ce prompt en production" - Pas de blabla théorique : chaque section doit être directement utilisable pour écrire ou corriger un prompt réel ``` --- ## Sources recommandées à uploader dans le notebook - Documentation officielle Anthropic sur le prompt engineering (docs.anthropic.com/en/docs/build-with-claude/prompt-engineering) - Guide OpenAI sur le prompt engineering (platform.openai.com/docs/guides/prompt-engineering) - Documentation Gemini — guides de prompting et génération d'images - Guides avancés sur les system prompts pour agents autonomes (ReAct, tool use, HITL) - Articles sur le prompt injection et la robustesse des system prompts - Retours terrain sur la conception de multi-agent systems (LangChain, AutoGPT, etc.) --- ## UKP cible à générer `Contexte/Expertise/UKP-PROMPTING.md` Agent consommateur : **80-Agent-Prompting** — transversal à tous les agents Fidulia --- *Créé le 2026-07-07 — Session création Agent 80 Prompting*