Testez maintenant votre prompt avec l'un de ces assistants IA pour voir le résultat en conditions réelles :

Gardez une trace de vos prompts et des résultats obtenus pour pouvoir les comparer et les améliorer.

Conseil :

Testez avec un LLM

# Rapport de Projet : Digitalisation RH

## 1. Contexte
Notre entreprise compte 500 employés répartis sur 3 sites. Actuellement, la gestion RH est entièrement manuelle avec fichiers Excel dispersés.

## 2. Problèmes identifiés
- Temps de traitement des dossiers : 15 jours en moyenne
- Taux d'erreur dans la saisie : 12%
- Difficultés à tracker les candidatures
- Aucune visibilité sur les performances

## 3. Solution proposée
Implémenter un ATS (Applicant Tracking System) couplé à un outil de gestion de performance.

## 4. Budget et timing
Budget estimé : 50 000€
Délai d'implémentation : 6 mois
ROI attendu : 30% de gain de productivité

Document

Créez une chaîne de prompts pour analyser ce rapport (3 pages)

🔗 ARCHITECTE DE CHAÎNE

**Résumé du rapport :**
- Contexte: Entreprise de 500 employés, gestion RH actuellement manuelle
- Problèmes: Traitement lent (15j), erreurs (12%), pas de tracking
- Solution: Implémentation d'un ATS avec gestion de performance
- Budget: 50 000€ sur 6 mois
- ROI attendu: 30% de productivité

ÉTAPE

⚠️ Étape {index}: Contexte insuffisant. Référencez les résultats de l'étape précédente.

Suggestions :

TASK DECOMPOSITION SUCCESSFUL. VERIFIABLE OUTPUTS GENERATED.

SEQUENCE_COMPLETE

CHAIN_ARCHITECT_V1.0

INITIATING CHAINING SEQUENCE SIMULATION. OBJECTIVE: DECOMPOSE COMPLEX TASK INTO VERIFIABLE STEPS.

SUMMARIZE_DATA

GENERATE_ACTIONS

>> SEQUENCE_PROTOCOL_INIT

Chaque étape fait UNE tâche bien, et sa sortie alimente la suivante

Il s'exécute plus vite qu'un seul prompt

VÉRIFICATION_COMPRÉHENSION

Campagne Marketing

Baisse de Productivité

Incident Technique

Contraintes

Activez les interrupteurs pour voir comment les contraintes modifient radicalement la réponse du modèle sur le même sujet (Tour Eiffel).

Laboratoire de Contraintes

La réunion avec M. Dupont aura lieu le 12 mars à Lyon pour discuter du projet Alpha.

Voyez comment l'ajout d'exemples (shots) améliore drastiquement la précision et le format des réponses sans changer l'instruction principale.

Extrayez les entités (nom, date, lieu) du texte suivant.

Le Constructeur Few-Shot

Observez comment le modèle "devine" le mot suivant. Ajustez la température pour voir l'impact sur ses choix.

Simulateur de Prédiction (Token par Token)

Corrige cet email pour qu'il soit professionnel : [EMAIL]

Correction Email

Ex: Résume le texte suivant en 3 points clés : [TEXTE]

Titre

Ex: Résumeur d'article

Commencez à construire votre bibliothèque de prompts réutilisables.

Votre Prompt-Book

Suivez votre progression dans le Module 1

Votre Arbre de Compétences

BUG HUNTER EXPERT

EXERCICE TERMINÉ

Deux-points manquant

Guillemets manquants

Texte parasite

Virgule finale

CORRIGEZ LES BUGS

TROUVEZ LE JSON VALIDE

DÉCOUVREZ LES ERREURS JSON

Maîtrisez les 4 erreurs JSON les plus courantes

BUG HUNTER

Extracteur forgé !

CV à analyser :
<<<
[Contenu du CV ici]
>>>

Délimiteurs

Tu es un assistant RH expert en analyse de CV.

Rôle

Format attendu :
{
  "nom": "(texte)",
  "email": "(texte)",
  "telephone": "(texte ou null)",
  "competences": ["(liste)"],
  "experiences": [{ "poste": "", "entreprise": "", "dates": "" }]
}

Schéma JSON

Extrait les informations et retourne UNIQUEMENT un JSON valide. AUCUN texte avant ou après.

Instruction stricte

Inclus TOUS les champs même si vides (null ou []). Vérifie la syntaxe JSON avant de répondre.

Vérification

Forgez votre extracteur de CV pièce par pièce

JSON extrait avec succès !

Test en conditions réelles

CV FORGE

JSON

Liste structurée

Rapport structuré

Tableau

Trouvez le format idéal pour votre cas d'usage

FORMAT SELECTOR

Calculateur de ROI personnalisé

Finance

Ressources Humaines

Service Client

Visualisez la transformation de votre productivité

IMPACT TIMELINE

Situation d'Alex

Parfait !

Transformez les données en JSON

Exercice Terminé !

Quiz de validation

Transformez le chaos en structure

OUTPUT TRANSFORM LAB

Ajustez chaque canal pour construire le prompt parfait

PROMPT MIXER

Explorez la Self-Consistency : plusieurs cerveaux IA votent pour la bonne réponse

MOTEUR DE CONSENSUS

Le Problème des Pommes

Le Problème du Parking

Logique : Tout A est B

Comparez Direct vs Chain-of-Thought et écrivez votre propre raisonnement

COT_COMPARATOR

Ajouter « Raisonne étape par étape » améliore drastiquement la fiabilité sur les tâches de raisonnement. Cette simple phrase force le modèle à décomposer les problèmes, montrer les calculs intermédiaires et vérifier la logique avant de répondre.

❌ QUAND NE PAS UTILISER LE COT

✅ QUAND UTILISER LE COT

CRITÈRES D'ÉVALUATION

CoT vs ReAct : La différence clé

Je dois d'abord connaître la météo actuelle à Paris. Je vais utiliser l'outil météo.

{ 'city': 'Paris', 'temp': 14, 'condition': 'Pluie légère', 'precipitation': 80% }

Il pleut légèrement avec 80% de précipitations. Je dois recommander un parapluie.

format_response(weather_data, recommendation)

À Paris, il fait 14°C avec une pluie légère. Oui, prenez un parapluie ! ☔

Contrairement au CoT qui ne fait que "penser", ReAct permet au modèle d'agir :

Module 4 : Agents & Orchestration

🤖 Reasoning + Acting : L'IA qui peut agir

ReAct_PREVIEW

Prendre de la hauteur avant de plonger dans les détails

SIMULATEUR STEP-BACK

OpenAI recommande officiellement la décomposition en étapes. Ces techniques sont désormais standards dans les agents IA modernes (ChatGPT, Claude, Gemini).

Comparateur de techniques

Formalisation du CoT : montrer le raisonnement améliore les LLMs sur problèmes complexes.

Wei et al. - Chain-of-Thought Prompting

Découverte : 'Let's think step by step' active le CoT sans exemples.

Kojima et al. - Zero-Shot Reasoners

Vote majoritaire sur plusieurs chemins de raisonnement améliore +10-15%.

Wang et al. - Self-Consistency

Prendre du recul (identifier principes) avant résolution évite erreurs.

Zheng et al. - Step-Back Prompting

Chain-of-Thought

Self-Consistency

Step-Back

Timeline de la recherche

Identifier la formule : Distance = Vitesse × Temps

Identifier les nombres impairs : 9, 15, 1

Scanner cérébral : Mode Impulsif vs Mode Réflexif (CoT)

THINKING_LAB

Évaluation

Principe

Élagage (Pruning)

Explorez plusieurs branches de raisonnement en parallèle

EXPLORATEUR D'ARBRE DE PENSÉES

Rive gauche : 🐺 Loup, 🐐 Chèvre, 🥬 Chou

Réordonnez le Pipeline

Une entreprise reçoit 100 CVs par jour. Sans automatisation, un RH passe 5 minutes par CV. Avec un pipeline LLM, on passe à 10 secondes.

Chère Sarah,

Nous avons le plaisir de vous informer que votre profil a retenu notre attention pour le poste de Développeur Senior.

Votre expérience de 8 ans et votre maîtrise de React/Node.js correspondent parfaitement à nos besoins.

Seriez-vous disponible pour un entretien technique la semaine prochaine ?

Cordialement,
L'équipe RH TechCorp

Votre candidature - Développeur Senior

Le second prompt prend le JSON et analyse l'adéquation avec le poste (Senior Dev). Il vérifie les compétences clés.

Étape 2 : Analyse

Le dernier prompt décide si on convoque le candidat et rédige l'email de réponse (invitation ou refus).

Étape 3 : Décision

Le premier prompt extrait les données brutes du CV et les transforme en format JSON structuré. C'est plus facile à traiter pour la suite.

Étape 1 : Extraction

Un pipeline est une chaîne de prompts où **la sortie d'une étape devient l'entrée de la suivante**. C'est comme une chaîne de production : chaque poste fait UNE tâche spécialisée.

Qu'est-ce qu'un Pipeline ?

Récapitulatif du Pattern Pipeline

Traitement Candidature RH

🚦 Aiguillage intelligent : Routez les requêtes vers la bonne voie

ROUTING_SWITCH

Calcul

Conseil

Question Factuelle

Réclamation

🔄 Traitement parallèle + Synthèse globale

MAP_REDUCE_ENGINE

Alex doit analyser 200 avis clients pour produire un rapport exécutif. Un seul prompt ne peut pas traiter autant de données de façon fiable.

CONTEXTE MÉTIER

Le Pattern Map-Reduce

Chaque avis a été traité indépendamment avec le même prompt. On peut paralléliser ces appels pour aller 5x plus vite ! Maintenant, il faut synthétiser ces 5 analyses.

INSIGHT :

PHASE MAP : Analyse individuelle

Consolider les {count} analyses en rapport

PHASE REDUCE : Synthèse globale

Produit de qualité, livraison rapide. Le seul bémol : l'emballage était un peu abîmé.

Déçu par le service client. Impossible de joindre quelqu'un pendant 3 jours pour un problème de commande.

Excellent ! Exactement ce que je cherchais. Je recommande vivement. Prix très compétitif.

Correct mais sans plus. Le produit correspond à la description mais la qualité pourrait être meilleure.

Très déçue. Produit arrivé cassé et aucune réponse du SAV. Je ne recommande pas du tout.

200 avis × 0.1s/avis + 5s synthèse = 25 secondes

200 avis × 3 min/avis = 10h de travail manuel

10 heures → 25 secondes (×1440 plus rapide)

ROI CALCULÉ

Synthèse

Récapitulatif Pattern Map-Reduce

Commencez toujours par le pattern le plus simple qui répond à votre besoin. N'ajoutez de la complexité que si c'est vraiment nécessaire !

RÈGLE D'OR :

Vue d'ensemble

Comparatif des Patterns

🔍 Trouvez le pattern adapté à votre cas d'usage

COMPLEXITY_ADVISOR

L'Arbre de Décision

Alex hésite entre plusieurs architectures pour son projet. Prompt simple ? Pipeline ? Map-Reduce ? Agents ? Comment choisir ?

LE PROBLÈME

Traitement parallèle de N éléments avec le même prompt.

Batch Processing

MAP chaque élément, puis REDUCE en synthèse globale.

Map-Reduce

Buffer de quelques secondes puis traitement groupé.

Micro-Batch

Graphe de dépendances avec exécution conditionnelle.

Orchestration DAG

Chaîne d'étapes où chaque prompt enrichit le contexte du suivant.

Pipeline Séquentiel

File d'attente avec workers consommant les tâches.

Queue Workers

Classification initiale puis redirection vers le traitement adapté.