À propos de ce schéma
Ce générateur utilise le schéma Markdown AI Prompt Engineering basé sur gray-matter 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").
📐 Référence complète des types (91)
Définitions de tous les types du schéma JSON AI Prompt Engineering.
