À propos de ce schéma
Ce générateur utilise le AI Prompt Engineering XML Schema Definition (XSD) v1.0 développé par Acceliance pour structurer et valider les prompts IA.
Il couvre toutes les techniques majeures de prompt engineering :
- Instructions système et définitions de rôles
- Injection de contexte et bases de connaissances
- Few-shot learning avec exemples
- Raisonnement Chain-of-Thought
- Formatage et contraintes de sortie
- Spécifications de style et de ton
- Guardrails de sécurité et politiques de contenu
- Gestion de conversations multi-tours
- Définitions d'outils et appels de fonctions
🎯 Instructions (Obligatoire)
Description : Instructions principales de la tâche définissant l'objectif principal et les étapes d'exécution.
Éléments :
- objective (obligatoire) : Énoncé clair de l'objectif principal ou de la tâche à accomplir.
- task_description : Description détaillée de ce qui doit être fait.
- steps : Étapes séquentielles à suivre pour compléter la tâche.
- subtasks : Décomposition de la tâche en sous-tâches.
- requirements : Exigences spécifiques à respecter.
- success_criteria : Critères définissant la réussite de la tâche.
- priority_order : Ordre des priorités en cas de compromis nécessaires.
Attribut complexity : simple | moderate | complex | expert
🤖 System (Optionnel)
Description : Configuration au niveau système définissant l'identité, le persona, les capacités et les règles comportementales de l'IA.
Éléments :
- role : Définition du rôle et de l'identité de l'IA.
- name : Nom ou titre du rôle (ex: "Senior Data Analyst")
- description : Description des responsabilités
- expertise_level : novice | intermediate | advanced | expert | world_class
- domain : Domaines de connaissance pertinents
- persona : Caractéristiques du persona (nom, traits de personnalité, style de communication, ton, background).
- capabilities : Déclaration explicite des capacités (can_do, cannot_do, should_refer).
- knowledge_scope : Domaines de connaissance, zones d'expertise, date de coupure, sujets hors scope.
- behavior_rules : Règles comportementales fondamentales avec priorité (low | normal | high | critical).
📚 Context (Optionnel)
Description : Conteneur pour toutes les informations contextuelles incluant background, documents, données et conscience situationnelle.
Éléments :
- background : Informations générales de contexte.
- documents : Documents de référence avec titre, contenu, source (types: reference | template | example | policy | specification | transcript | code | data).
- data : Données structurées avec nom, description, schéma, contenu (formats: json | xml | csv | yaml).
- conversation_history : Historique de conversation (turns avec role: user | assistant | system | tool).
- environment : Contexte environnemental (date, heure, timezone, locale, platform, user_context, session_context).
- knowledge_base : Base de connaissances personnalisée pour RAG.
- variables : Variables dynamiques à substituer.
💡 Examples (Optionnel)
Description : Exemples de few-shot learning démontrant les patterns entrée-sortie attendus.
Structure :
- preamble : Introduction des exemples.
- example : Chaque exemple contient :
- input : Entrée de l'exemple
- output : Sortie attendue
- explanation : Explication du résultat
- reasoning : Raisonnement étape par étape (pour exemples CoT)
Attribut quality : good | bad | edge_case | ideal
⚠️ Constraints (Optionnel)
Description : Contraintes et limitations sur le comportement et la sortie de l'IA.
Éléments :
- style : Contraintes de style (formality, voice, perspective, language).
- content : Restrictions de contenu (must_include, should_include, must_exclude, depth, coverage).
- length : Contraintes de longueur (min, max, target en caractères | words | sentences | paragraphs | pages | tokens).
- terminology : Contraintes de terminologie (termes préférés, évités, glossaire).
- behavior : Contraintes comportementales (must_do, must_not, gestion des erreurs et incertitudes).
- negative : Contraintes négatives explicites (choses à éviter).
📤 Output (Optionnel)
Description : Spécification du format, de la structure et de la présentation de la sortie désirée.
Éléments :
- format : Format principal (text | markdown | html | json | xml | yaml | csv | table | list | code | structured).
- structure : Organisation structurelle (linear | hierarchical | chronological | categorical | priority_based | problem_solution | compare_contrast | cause_effect).
- schema : Définition de schéma pour sortie structurée (JSON Schema, etc.).
- template : Pattern de template pour le format de sortie.
- sections : Sections définies pour la sortie (nom, description, contenu requis).
- prefix : Texte à ajouter au début de la réponse.
- suffix : Texte à ajouter à la fin de la réponse.
🧠 Reasoning (Optionnel)
Description : Configuration des stratégies de raisonnement comme Chain-of-Thought, Tree-of-Thought et autres approches structurées.
Éléments :
- strategy : Stratégie principale (direct | chain_of_thought | tree_of_thought | step_by_step | divide_and_conquer | analogical).
- show_reasoning : Afficher les étapes de raisonnement dans la sortie.
- reasoning_format : Format de présentation (steps | narrative | bullets | numbered).
- verification : Exigences d'auto-vérification.
- confidence : Configuration du rapport de niveau de confiance.
🛡️ Guardrails (Optionnel)
Description : Guardrails de sécurité et politiques de contenu pour la réponse de l'IA.
Éléments :
- content_policy : Politiques de modération de contenu (allowed_topics, restricted_topics, sensitivity_level: strict | moderate | permissive, audience).
- safety_rules : Règles de sécurité spécifiques (description, trigger, action, severity: low | medium | high | critical).
- boundaries : Frontières opérationnelles (scope_limit, action_limit, claim_limit, disclosure).
- fallback_responses : Réponses prédéfinies pour les violations de limites.
📊 Evaluation (Optionnel)
Description : Critères d'auto-évaluation pour que l'IA évalue sa sortie.
Éléments :
- criteria : Critères d'évaluation (nom, description, poids).
- rubric : Grille de notation détaillée (score, label, description).
- self_critique : L'IA doit inclure une auto-critique.
- improvement_suggestions : Inclure des suggestions d'amélioration.
🏷️ Attributs du Prompt
Attributs de l'élément racine :
- id : Identifiant unique pour le suivi et versionnement.
- version : Numéro de version (semantic versioning, ex: "1.0.0").
- language : Langue principale (code ISO 639-1, ex: "fr", "en").
- model : Modèle IA cible (ex: "claude-sonnet-4-5", "gpt-4").
