Comment écrire de meilleurs prompts pour les modèles d’IA locaux

Un modèle local n’est pas une copie plus petite d’un grand produit de chat hébergé. Il a un contexte utile plus court, suit moins bien les instructions et a moins de patience pour une formulation ambiguë. Les correctifs ci-dessous sont ceux qui changent la sortie sur un PC domestique ordinaire : mettez le travail en premier, verrouillez le format, gardez la tâche petite, écrivez le prompt en langage simple, ajoutez un contrôle seulement quand la tâche en a besoin, et plafonnez la longueur.

Des versions prêtes à copier de ces schémas sont dans Meilleurs gabarits de prompts pour les LLM locaux. Les notes de test plus longues sont dans Ce qui fonctionne vraiment.

1. Placez les instructions avant le texte source

Beaucoup de modèles locaux pèsent davantage le début du prompt que la fin. Si vous collez un long article et dites seulement ensuite « résumez ceci », le modèle peut continuer l’article, ne résumer que l’ouverture, ou répondre à une question apparue dans la source. Énoncez d’abord le rôle, la tâche et les règles. Collez ensuite le texte sous une étiquette claire telle que Texte :.

Exemples qui fonctionnent

Contre-exemple

Pourquoi cela échoue : l’instruction est tardive, courte et vague. Le modèle a déjà « lu » comme si l’article était la tâche. « Faites-le bien » ne dit pas ce que bien veut dire. Déplacez une instruction de résumé précise vers les premières lignes et supprimez « faites-le bien ».

2. Nommez le format, pas l’ambiance

Des mots comme « agréable », « professionnel » et « pertinent » ne sont pas un format. Un format est un compte, une forme ou une interdiction. Les modèles locaux suivent les comptes et les interdictions plus souvent que le goût.

Exemples qui fonctionnent

Contre-exemple

Pourquoi cela échoue : il n’y a pas de longueur, pas de nombre de points et pas d’interdiction d’introduction. Vous obtiendrez souvent un titre, une intro enjouée, cinq paragraphes inégaux et un « j’espère que cela aide ». Remplacez cela par un compte et une limite de phrases.

3. Demandez un seul livrable

Un seul prompt qui demande un brouillon, une traduction, une liste de titres et une légende pour les réseaux sociaux, ce sont quatre travaux. Sur un petit modèle, les travaux suivants sont abandonnés ou mélangés au premier. Séparez-les. Vous pouvez les enchaîner vous-même : prenez le brouillon, ouvrez un nouveau prompt et ne demandez que la traduction.

Exemples qui fonctionnent

Contre-exemple

Pourquoi cela échoue : quatre sorties, aucune longueur, et « soyez créatif » lutte contre la constance. Le modèle écrit d’habitude un court texte en français puis esquisse vaguement le reste. Lancez quatre prompts, ou deux au plus si vous avez un modèle plus grand et si vous numérotez les sorties.

4. Écrivez le prompt dans une langue plus simple que la sortie

Vous pouvez demander une note formelle. Les instructions elles-mêmes doivent rester des phrases courtes. Les propositions imbriquées, les négations empilées et le jargon dans le prompt système sont les endroits où les modèles plus petits perdent le fil.

Exemples qui fonctionnent

Contre-exemple

Pourquoi cela échoue : l’instruction est plus difficile que la tâche. Le modèle peut faire écho au jargon ou se figer dans un essai vague. Dites à qui c’est destiné, quelle longueur cela a et quoi inclure.

5. Ajoutez un autocontrôle seulement pour les tâches fragiles

Un autocontrôle aide quand la sortie doit respecter une forme : du JSON, un nombre fixe de puces, ou du code qui ne doit pas contenir de prose. Il n’aide pas une réécriture légère, et sur les petits modèles il peut faire imprimer le contrôle au lieu de la réponse. Utilisez une ligne, à la fin.

Exemples qui fonctionnent

Contre-exemple

Pourquoi cela échoue : le contrôle est plus lourd que la tâche. Vous vouliez un mot. Vous obtiendrez souvent un paragraphe sur le raisonnement et un mot guindé à la fin. Pour un mot d’anniversaire, sautez l’autocontrôle et fixez plutôt une limite de mots.

6. Plafonnez la longueur dans le prompt et dans le programme

Les modèles locaux s’étendent quand ni le prompt ni l’application ne fixe de plafond. Fixez les deux. Dans le prompt, utilisez un nombre de mots ou un nombre de puces. Dans Ollama, LM Studio ou Jan, fixez une limite maximale de Tokens un peu au-dessus de ce compte pour que le modèle puisse finir la dernière phrase sans être coupé au milieu d’un mot. Si vous ne savez pas quelle est la longueur du prompt lui-même, passez-le dans le Compteur de Tokens avant de coller un long document source.

Exemples qui fonctionnent

Contre-exemple

Pourquoi cela échoue : il n’y a pas de fin. Un modèle local continuera à lister des conseils génériques jusqu’à atteindre le maximum de Tokens du programme, souvent en se répétant. Nommez le public et une longueur : « Donnez à une personne sur un PC domestique 6 étapes de sauvegarde, une phrase chacune. »

Un court avant et après

C’est la même demande. La première est celle que les gens tapent souvent. La seconde est la version qu’un modèle 7B peut suivre.

Si vous voulez une seconde passe, ne demandez pas au même modèle de « le rendre aussi plus joli » dans le même prompt. Ouvrez un nouveau prompt avec les notes nettoyées et une seule nouvelle instruction.

Ce que cela ne corrige pas

• Un modèle qui n’a jamais été entraîné à écrire la langue demandée ne deviendra pas fluide parce que le prompt est soigné.
• Un modèle 3B aura encore du mal avec une longue relecture de code. Réduisez l’extrait ou utilisez un modèle local plus grand.
• Des faits que le modèle ne connaît pas ne peuvent pas être forcés par un format plus strict. Demandez-lui de n’utiliser que le texte que vous avez collé.
• Une température (temperature) élevée continuera à remélanger la formulation même si le prompt est bon. Pour les tâches répétables, voir Comment obtenir des résultats stables avec les modèles locaux.

Guides et outils associés

• Meilleurs gabarits de prompts pour les LLM locaux (2026)
• Ingénierie de prompts pour l’IA locale : ce qui fonctionne vraiment
• Comment obtenir des résultats stables avec les modèles d’IA locaux
• Bibliothèque de prompts pour l’IA hors ligne
• Optimiseur de prompts
• Compteur de Tokens pour modèles locaux
• Générateur de gabarits de prompts