Prompt Engineering par Use Case : Templates Copywriting, Code, Data

Vous connaissez les techniques (Zero-Shot, Few-Shot, CoT, ReAct…) mais face à un cas concret, vous ne savez pas par où commencer ?

Cet article est une bibliothèque de templates prêts à l’emploi pour les 6 cas d’usage les plus courants. Chaque template a été testé et optimisé pour maximiser la qualité des outputs.

Objectif : Copiez-collez, remplacez les \{variables\}, et obtenez des résultats professionnels en quelques secondes.

Structure de l’Article

Copywriting et Marketing

Template : Publicité Facebook/Instagram

Contexte : Créer des ads performantes avec le framework PAS (Problem-Agitate-Solve).

Tu es un copywriter expert en publicités Meta (Facebook/Instagram).

Produit : \{description produit en 2-3 phrases\}
Audience cible : \{persona détaillé : âge, profession, problèmes, aspirations\}
Objectif campagne : \{conversions / clics / awareness / installations\}

Crée 3 variantes de publicité comprenant :
- Titre accrocheur (5-7 mots, émotion forte)
- Corps du texte (125 caractères max pour mobile)
- Call-to-action (verbe d'action précis)

Contraintes :
- Framework : PAS (Problem-Agitate-Solve)
- Ton : \{urgent / aspirationnel / éducatif / humoristique\}
- Éviter superlatifs exagérés ("meilleur du monde", "révolutionnaire")
- Inclure preuve sociale si pertinent (témoignages, chiffres)
- Conformité : pas de promesses irréalistes

Format de réponse :
**Variante 1 : \{Angle d'approche\}**
🎯 Titre : [...]
📱 Corps : [...]
👆 CTA : [...]
💡 Rationale : [Pourquoi cette approche fonctionne]

**Variante 2 : \{Angle différent\}**
[Même structure]

**Variante 3 : \{Angle différent\}**
[Même structure]

Recommandation : Tester variante \{n\} en priorité car \{raison\}.

Exemple d’utilisation :

Input :

Produit : Application mobile de méditation guidée. Abonnement 9.99€/mois.
7 jours gratuits. Bibliothèque de 500+ séances.

Audience : Femmes 28-45 ans, actives professionnellement, stress élevé,
cherchent équilibre vie pro/perso.

Objectif : Installations (7 jours gratuits)

Output attendu :

**Variante 1 : Angle Transformation**
🎯 Titre : De stressée à sereine en 10 min/jour
📱 Corps : Rejoins 200k femmes qui méditent entre 2 réunions. 7 jours gratuits,
annule quand tu veux.
👆 CTA : Essayer 7 jours gratuits
💡 Rationale : Focus sur bénéfice concret (10 min) + preuve sociale (200k) +
réduction risque (gratuit + annulation).

**Variante 2 : Angle Problème**
🎯 Titre : Ton stress mérite mieux que le scrolling
📱 Corps : Remplace 10 min d'Instagram par de vraie détente. 500 méditations
adaptées à ton emploi du temps. Gratuit 7 jours.
👆 CTA : Télécharger maintenant
💡 Rationale : Confronte habitude négative + propose alternative concrète.

**Variante 3 : Angle Urgence**
🎯 Titre : Derniers jours : 7 jours offerts
📱 Corps : Ton esprit tourne en boucle ? Teste notre app #1 de méditation
sans risque. Offre limitée.
👆 CTA : Profiter de l'offre
💡 Rationale : Urgence (limitée) + ranking (#1) + sansprise de risque.

Recommandation : Tester Variante 1 en priorité (approche transformation
+ preuve sociale forte).

Template : Email de Vente B2B

Contexte : Cold email ou warm outreach pour obtenir un rendez-vous.

Tu es un expert en email marketing B2B avec 15 ans d'expérience.

Contexte :
- Mon entreprise : \{nom, secteur, taille\}
- Produit/service : \{description en 1 phrase\}
- Destinataire : \{prénom\}, \{poste\}, \{entreprise\}, \{secteur\}, \{taille\}
- Relation : \{cold (jamais contacté) / warm (interaction passée) / existing (client)\}
- Objectif : \{obtenir démo / call exploratoire / téléchargement ressource\}
- Recherche effectuée : \{infos trouvées sur prospect/entreprise\}

Rédige un email de vente suivant cette structure :

**Objet** : [Personnalisé, curiosité OU bénéfice clair, max 50 caractères]

**Email** :
Bonjour \{Prénom\},

[Hook - 2 phrases max]
- Référence spécifique à leur entreprise/actualité récente
- Question impactante OU stat pertinente pour leur secteur

[Corps - 3-4 phrases]
- Problème qu'ils rencontrent probablement
- Comment \{produit\} résout ce problème (bénéfice, pas features)
- Preuve (chiffre, témoignage client similaire, ou case study)

[CTA - 1 phrase]
- Action simple et claire (pas "si intéressé...")
- Option de choix (mardi 14h OU jeudi 10h) pour faciliter décision
- Urgence subtile si pertinent

[Signature]
\{Nom\}
\{Poste\} @ \{Entreprise\}

Contraintes :
- Longueur totale : 150-200 mots MAX
- Ton : Professionnel mais conversationnel (tutoiement si startup, vouvoiement si corporate)
- Pas pushy ou désespéré
- Personnalisation évidente (pas de template générique)
- Un seul CTA clair

Après l'email, fournis :
- Note de personnalisation (/10) : \{justification\}
- Probabilité de réponse estimée : \{%\}
- Suggestion d'amélioration si < 7/10

Exemple :

Input :

Mon entreprise : TechOptim, éditeur SaaS, 50 personnes
Produit : Plateforme d'optimisation des coûts cloud (AWS/Azure/GCP)
Destinataire : Sophie Marchand, CTO, FinanceConnect (fintech 200 pers)
Relation : Warm (elle a téléchargé notre livre blanc il y a 2 mois)
Objectif : Call exploratoire 30 min
Recherche : FinanceConnect a levé 15M€ série B il y a 3 mois (communiqué)

Output attendu :

Objet : FinanceConnect : -40% coûts cloud post série B ?

Bonjour Sophie,

Félicitations pour votre série B (15M€ !) - j'ai vu passer l'annonce sur
TechCrunch. Avec cette croissance, vos coûts cloud AWS ont probablement explosé ?

C'est le pattern qu'on observe chez 80% des fintechs post-levée : trafic ×3,
mais coûts cloud ×5. Chez PayFlow (client similaire), on a identifié 180k€
d'optimisations en 2 semaines (instances mal dimensionnées, snapshots orphelins).

Vous seriez dispo pour un call exploratoire de 30 min mardi 14h ou jeudi 10h ?
Je vous montrerai notre audit gratuit de votre infra AWS.

Bien à vous,
Marc Dubois
CEO @ TechOptim
[Signature avec lien calendrier]

---
Note de personnalisation : 9/10
- Référence série B (actualité récente)
- Secteur fintech (pertinent)
- Client similaire (PayFlow)
- Chiffre concret (180k€)

Probabilité de réponse : 35-45%
- Warm lead (a téléchargé livre blanc = intérêt)
- Personnalisation forte
- Bénéfice clair (économies)
- CTA avec options précises

Template : SEO (Meta Title/Description)

Contexte : Optimiser pour Google tout en restant attractif pour humains.

Tu es un expert SEO avec certification Google et 10 ans d'expérience.

Page web : \{URL OU description du contenu\}
Mot-clé principal : "\{keyword\}" (volume : \{X\}/mois, difficulté : \{Y\}/100)
Mots-clés secondaires : \{keyword2\}, \{keyword3\}, \{keyword4\}
Intention de recherche : \{informationnelle / transactionnelle / navigationnelle\}

Crée des éléments SEO optimisés :

**1. Meta Title** (50-60 caractères, visible dans résultats Google)
Contraintes :
- Inclure mot-clé principal au DÉBUT (position 0-10)
- Attiser curiosité OU promettre bénéfice clair
- Inclure année 2025 si pertinent (fraîcheur)
- Éviter keyword stuffing
- Marque à la fin si espace (| NomMarque)

**2. Meta Description** (150-160 caractères, incite au clic)
Contraintes :
- Inclure mot-clé principal + 1 secondaire naturellement
- Bénéfice clair pour l'utilisateur
- Call-to-action (Découvrez, Apprenez, Comparez, Téléchargez...)
- Pas de duplicate content avec title

**3. Balise H1** (optimisée SEO mais lisible humain)
Contraintes :
- Variation du title (pas identique)
- Inclure mot-clé principal
- 50-70 caractères
- Promesse claire

**4. Structure H2** (5 sous-titres pour article)
Contraintes :
- Inclure mots-clés secondaires naturellement
- Questions fréquentes (People Also Ask)
- Format "Comment...", "Pourquoi...", "Comparaison...", "Guide..."

**5. URL Slug** (optimisé, court)
Contraintes :
- Mots-clés séparés par tirets
- Max 5 mots
- Pas de mots vides (le, la, de, etc.)

Format de réponse :
🔍 **Meta Title** :
\{title\}
✅ Longueur : \{X\} caractères
✅ KW position : \{n\}

📄 **Meta Description** :
\{description\}
✅ Longueur : \{X\} caractères
✅ KW : principal + \{secondary\}

📌 **H1** :
\{h1\}

📑 **Structure H2** :
1. \{h2_1\}
2. \{h2_2\}
3. \{h2_3\}
4. \{h2_4\}
5. \{h2_5\}

🔗 **URL Slug** :
\{slug\}

💡 **Analyse concurrence** :
- Top 3 résultats utilisent : \{patterns observés\}
- Angle différenciant proposé : \{votre approche unique\}

Exemple :

Input :

Page : Guide complet sur le choix d'un GPU pour le deep learning
Mot-clé principal : "GPU deep learning" (2900/mois, difficulté 45/100)
Secondaires : "RTX 4090 IA", "GPU pas cher machine learning", "VRAM IA"
Intention : Informationnelle (guide d'achat)

Output attendu :

🔍 **Meta Title** :
GPU Deep Learning 2025 : Guide d'Achat Complet (500€-10k€)
✅ Longueur : 58 caractères
✅ KW position : 0 (optimal)

📄 **Meta Description** :
Comparez les meilleurs GPU deep learning : RTX 4090, H100, AMD MI300.
Calculez la VRAM IA nécessaire selon vos modèles. Guide 2025 avec prix.
✅ Longueur : 157 caractères
✅ KW : principal (GPU deep learning) + secondaire (VRAM IA)

📌 **H1** :
Quel GPU Choisir pour le Deep Learning en 2025 ? (500€ à 50 000€)

📑 **Structure H2** :
1. Comment Calculer la VRAM Nécessaire pour vos Modèles IA ?
2. RTX 4090 vs H100 vs AMD MI300 : Comparatif Deep Learning 2025
3. GPU Pas Cher Machine Learning : Meilleures Options Sous 1000€
4. Cloud GPU vs Achat : Quel ROI pour le Deep Learning ?
5. Checklist : Choisir son GPU selon son Projet IA

🔗 **URL Slug** :
gpu-deep-learning-guide-2025

💡 **Analyse concurrence** :
- Top 3 utilisent : comparatifs RTX, focus NVIDIA, tableaux prix
- Angle différenciant : Inclure AMD/Intel, calculateur VRAM interactif,
  comparaison cloud vs on-premise

Génération et Revue de Code

Template : Génération de Code

Contexte : Créer du code production-ready avec bonnes pratiques.

{{< codeblock >}} Tu es un développeur \{langage\} senior avec 10+ ans d’expérience.

Tâche : {description fonctionnalité précise}

Spécifications :

• Langage : {Python 3.11 / JavaScript ES6 / TypeScript / etc.}
• Framework : {si applicable : FastAPI, React, Django…}
• Environnement : {backend API / frontend / script / library}
• Style guide : {PEP 8 / Airbnb / Google Style Guide / etc.}
• Performance : {optimisé (critique) / standard / prototype rapide}

Contraintes obligatoires :

1. Lisibilité : Docstrings/commentaires clairs (expliquant le “pourquoi”)
2. Robustesse : Gestion erreurs appropriée (try/except, validation inputs)
3. Typing : Type hints complets (Python 3.10+) ou TypeScript strict
4. Sécurité : Pas de vulnérabilités OWASP (injection, XSS, etc.)
5. Tests : {si demandé : inclure tests unitaires pytest/jest}

Format de réponse :

Approche

{Explication stratégie en 2-3 phrases : algorithme choisi, complexité, trade-offs}

Code Principal

\{CODE\}

Exemple d’Usage

\{EXEMPLE avec inputs réels et output attendu\}

Edge Cases Gérés

• {Edge case 1 : ex “liste vide”}
• {Edge case 2 : ex “valeurs nulles”}
• {Edge case 3 : ex “inputs très larges”}

Tests Unitaires (si demandés)

\{TESTS avec pytest/jest\}

Améliorations Possibles

• {Optimisation future 1}
• {Optimisation future 2} {{< /codeblock >}}

📊 Exemple :

Input :

Tâche : Fonction pour valider des adresses email avec règles business spécifiques

Spécifications :
- Langage : Python 3.11
- Framework : N/A (fonction pure)
- Style : PEP 8
- Performance : Standard

Règles business :
- Format RFC 5322 (standard email)
- Domaines autorisés : uniquement professionnels (pas gmail, yahoo, hotmail)
- Longueur max : 254 caractères
- Retourner dictionnaire avec \{valid: bool, reason: str\}

Output attendu :

## Approche {#approche}
Validation en 3 étapes : (1) regex RFC 5322, (2) vérification domaine
professionnel via liste noire, (3) contraintes métier. Complexité O(1).

## Code Principal {#code-principal}
```python
import re
from typing import Dict

def validate_business_email(email: str) -> Dict[str, any]:
    """
    Valide une adresse email selon règles business.

    Args:
        email: Adresse email à valider

    Returns:
        Dict avec keys :
        - valid (bool) : True si email valide
        - reason (str) : Explication si invalide

    Examples:
        >>> validate_business_email("[email protected]")
        \{'valid': True, 'reason': 'OK'\}

        >>> validate_business_email("[email protected]")
        \{'valid': False, 'reason': 'Domaine non-professionnel interdit'\}
    """
    # Edge case : input vide ou None
    if not email or not isinstance(email, str):
        return \{"valid": False, "reason": "Email vide ou type invalide"\}

    # Règle 1 : Longueur max
    if len(email) > 254:
        return \{"valid": False, "reason": "Email trop long (max 254 car.)"\}

    # Règle 2 : Format RFC 5322 (simplifié)
    # Pattern validé par 99.99% des emails réels
    pattern = r'^[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]\{2,\}$'
    if not re.match(pattern, email):
        return \{"valid": False, "reason": "Format email invalide"\}

    # Règle 3 : Domaine professionnel uniquement
    BLACKLISTED_DOMAINS = \{
        'gmail.com', 'yahoo.com', 'hotmail.com', 'outlook.com',
        'yahoo.fr', 'hotmail.fr', 'live.com', 'icloud.com',
        'aol.com', 'protonmail.com'  # Ajouter selon besoins
    \}

    domain = email.split('@')[1].lower()

    if domain in BLACKLISTED_DOMAINS:
        return \{
            "valid": False,
            "reason": f"Domaine non-professionnel interdit : \{domain\}"
        \}

    # Toutes les règles passées
    return \{"valid": True, "reason": "OK"\}

Exemple d’Usage

# Cas valides
print(validate_business_email("[email protected]"))
# \{'valid': True, 'reason': 'OK'\}

print(validate_business_email("[email protected]"))
# \{'valid': True, 'reason': 'OK'\}

# Cas invalides
print(validate_business_email("[email protected]"))
# \{'valid': False, 'reason': 'Domaine non-professionnel interdit : gmail.com'\}

print(validate_business_email("invalid-email"))
# \{'valid': False, 'reason': 'Format email invalide'\}

print(validate_business_email("a" * 255 + "@test.com"))
# \{'valid': False, 'reason': 'Email trop long (max 254 car.)'\}

Edge Cases Gérés

• ✅ Email None ou vide : retourne erreur explicite
• ✅ Type non-string : détecté par isinstance()
• ✅ Longueur > 254 : rejeté avant regex (performance)
• ✅ Domain case-insensitive : .lower() appliqué
• ✅ Formats exotiques mais valides : acceptés (ex: [email protected])

Tests Unitaires

import pytest

def test_valid_business_emails():
    assert validate_business_email("[email protected]")["valid"]
    assert validate_business_email("[email protected]")["valid"]
    assert validate_business_email("[email protected]")["valid"]

def test_invalid_personal_domains():
    result = validate_business_email("[email protected]")
    assert not result["valid"]
    assert "non-professionnel" in result["reason"]

def test_invalid_format():
    assert not validate_business_email("not-an-email")["valid"]
    assert not validate_business_email("@nodomain.com")["valid"]
    assert not validate_business_email("noat.com")["valid"]

def test_edge_cases():
    # Email vide
    assert not validate_business_email("")["valid"]
    assert not validate_business_email(None)["valid"]

    # Trop long
    long_email = "a" * 250 + "@test.com"
    assert not validate_business_email(long_email)["valid"]

    # Type invalide
    assert not validate_business_email(123)["valid"]

Améliorations Possibles

• DNS Check : Vérifier que le domaine existe (requête MX record)
• Typo Detection : Suggérer corrections (gmial.com → gmail.com)
• Disposable Email Detection : Bloquer services temporaires (10minutemail)
• API Externe : Intégrer service de validation (ZeroBounce, Hunter.io)

---

### Template : Code Review

**Contexte** : Review complète avec suggestions concrètes.







  

    
    💡 Impact Code Review IA : Une étude GitHub (2024) montre que les code reviews assistées par LLM détectent 23% plus de bugs que les reviews humaines seules, notamment sur la sécurité et les edge cases. Utilisez ce template pour une première passe avant la review humaine.
    
  

Tu es un senior developer faisant une code review rigoureuse.

Langage : {langage} Contexte : {type de projet, criticité}

Critères d’évaluation (pondérés) :

1. Lisibilité (20%) : Nommage, structure, commentaires
2. Maintenabilité (20%) : Couplage, cohésion, principe DRY
3. Performance (15%) : Complexité algorithmique, optimisations
4. Sécurité (25%) : Vulnérabilités OWASP Top 10
5. Tests & Edge Cases (10%) : Couverture, cas limites
6. Best Practices (10%) : Standards du langage/framework

Code à reviewer :

\{CODE\}

Format de réponse :

Note Globale : X/10

Justification courte : {1-2 phrases résumant qualité générale}

✅ Points Positifs

• {Point positif 1 : spécifique, avec ligne de code}
• {Point positif 2}
• {Point positif 3} {Min 3, max 5}

⚠️ Points à Améliorer

🔴 Priorité HAUTE (bloquants)

Issue 1 : {Titre problème}

• Localisation : Ligne {X}
• Problème : {Explication claire}
• Impact : {Sécurité / Performance / Bug potentiel}
• Solution :

\{CODE CORRIGÉ avec commentaire // AVANT / APRÈS\}

🟠 Priorité MOYENNE (importantes)

{Même structure}

🟡 Priorité BASSE (nice-to-have)

{Même structure}

🛡️ Vulnérabilités de Sécurité

{Si présentes, sinon “Aucune vulnérabilité détectée”}

• Vulnérabilité 1 : {Type OWASP : ex “SQL Injection”}
  • Ligne : {X}
  • Risque : {Critique / Élevé / Moyen}
  • Fix : {Code corrigé}

📝 Suggestions Additionnelles

• {Suggestion 1 : refactoring, design pattern, etc.}
• {Suggestion 2}

✅ Validation

• Code compilable/exécutable : {OUI / NON}
• Tests présents : {OUI / NON / PARTIELS}
• Documentation adéquate : {OUI / NON}
• Prêt pour merge : {OUI / NON / APRÈS CORRECTIONS}

---

### 🐛 Template : Debugging

**Contexte** : Identifier cause root et proposer fix.

Tu es un expert debugger {langage} reconnu.

Code avec bug :

\{CODE\}

Erreur observée : {ERROR_MESSAGE complet avec stacktrace si disponible}

Comportement attendu : {Ce qui devrait se passer}

Comportement réel : {Ce qui se passe actuellement}

Contexte d’exécution :

• Environnement : {dev / staging / production}
• Inputs : {valeurs qui causent l’erreur}
• Version langage/framework : {si pertinent}

Analyse et fournis :

🔍 Diagnostic

Cause Root : {Cause fondamentale, pas juste symptôme}

Ligne(s) problématique(s) : {X-Y}

Explication : {Pourquoi ça ne fonctionne pas, étape par étape}

🛠️ Solution

Code corrigé :

\{CODE avec corrections marquées par // FIX: \}

Changements effectués :

1. {Changement 1 : ligne X}
2. {Changement 2 : ligne Y}

✅ Validation du Fix

Test avec input problématique :

\{Code de test montrant que le bug est résolu\}

Output attendu : {Résultat après fix}

🎓 Best Practice

Comment éviter ce bug à l’avenir :

• {Pratique 1 : ex “toujours valider inputs”}
• {Pratique 2 : ex “utiliser type hints”}
• {Pratique 3 : ex “ajouter tests edge cases”}

🧪 Tests à Ajouter

\{Tests unitaires couvrant ce bug et variantes\}

---

## 3️⃣ Analyse de Données {#3-analyse-de-données}

### 📊 Template : Analyse Exploratoire (Pandas)

**Contexte** : EDA (Exploratory Data Analysis) complète.

Tu es un data analyst expert avec maîtrise pandas, numpy, matplotlib, seaborn.

Dataset : {description du dataset} Colonnes : {liste colonnes avec types : ex “user_id (int), revenue (float), date (datetime)”} Objectif business : {ce qu’on cherche à comprendre}

Génère un notebook Jupyter structuré pour une analyse exploratoire complète.

Structure attendue :

Setup et Chargement

# Imports
# Chargement données (CSV/SQL/API selon source)
# Affichage aperçu (head, info, shape)

Qualité des Données

# Valeurs manquantes (heatmap + %)
# Doublons
# Types de données incorrects
# Statistiques descriptives (describe)

Nettoyage

# Traitement valeurs manquantes (justifier choix : drop / fill / interpolate)
# Correction types
# Outliers (identification + traitement)

Analyse Univariée

# Distribution chaque variable numérique (histogrammes + box plots)
# Fréquences variables catégorielles (bar charts)
# Observations clés par variable

Analyse Bivariée

# Corrélations (heatmap)
# Scatter plots variables clés
# Group by + agrégations

Insights & Tendances

# Visualisations temporelles (si dates)
# Segmentation (si pertinent)
# Anomalies détectées

Conclusions

Insights principaux :

• {Observation 1 avec chiffre}
• {Observation 2}
• {Observation 3}

Questions à approfondir :

• {Question 1 pour analyse plus poussée}
• {Question 2}

Recommandations data quality :

• {Recommandation 1}

Contraintes :

• Code commenté (explication choix techniques)
• Visualisations lisibles (titres, labels, légendes)
• Markdown entre chaque section pour expliquer
• Pas de hardcoded values (utiliser variables)

---

### 🗄️ Template : Requête SQL Optimisée

**Contexte** : Générer SQL performant et lisible.

Tu es un expert SQL ({PostgreSQL / MySQL / SQL Server / BigQuery}).

Schéma de base de données : {SCHEMA avec tables, colonnes, types, relations, index}

Exemple : Table: users

• id (INT, PRIMARY KEY)
• email (VARCHAR, UNIQUE)
• created_at (TIMESTAMP)
• plan (VARCHAR) – ‘free’, ‘pro’, ’enterprise’

Table: orders

• id (INT, PRIMARY KEY)
• user_id (INT, FOREIGN KEY users.id, INDEX)
• amount (DECIMAL)
• created_at (TIMESTAMP, INDEX)
• status (VARCHAR) – ‘pending’, ‘completed’, ‘refunded’

Question business : {QUESTION précise, ex : “Chiffre d’affaires mensuel par plan utilisateur en 2024”}

Génère une requête SQL qui :

1. ✅ Répond précisément à la question
2. ✅ Est performante (utilise index, évite scans complets)
3. ✅ Est lisible (indentation, alias clairs, commentaires)
4. ✅ Gère edge cases (NULL, doublons, divisions par zéro)
5. ✅ Suit best practices du SGBD cible

Format de réponse :

Approche

{Explication stratégie : tables jointes, filtres, agrégations, 1-2 phrases}

Requête SQL

-- \{Commentaire expliquant section\}

\{QUERY avec indentation claire\}

Résultat Attendu

Structure : {Liste colonnes output avec types}

Exemple première ligne : {Exemple de résultat pour vérification}

Nombre lignes estimé : ~{X} lignes

Optimisations Appliquées

• ✅ {Optimisation 1 : ex “Utilisation index sur created_at”}
• ✅ {Optimisation 2 : ex “Filter BEFORE join pour réduire rows”}
• ✅ {Optimisation 3 : ex “COALESCE pour gérer NULL”}

Performance Estimée

• Avec index : ~{X}ms
• Sans index : ~{Y}ms (si pertinent)

Variantes Possibles

{Si plusieurs approches valides, mentionner alternatives avec trade-offs}

**📊 Exemple** :

**Input** :

SGBD : PostgreSQL 15 Question : Top 10 utilisateurs par CA généré en 2024, avec nombre commandes et panier moyen

Schema déjà fourni ci-dessus (users + orders)

**Output attendu** :
```sql
## Approche {#approche}
Join users et orders, filtrer sur 2024 et status 'completed', agréger par
utilisateur, trier par CA desc, limiter à 10.

## Requête SQL {#requête-sql}
```sql
-- Top 10 utilisateurs par chiffre d'affaires 2024
SELECT
    u.id AS user_id,
    u.email,
    u.plan,
    COUNT(o.id) AS total_orders,
    SUM(o.amount) AS total_revenue,
    ROUND(AVG(o.amount), 2) AS avg_basket,
    MIN(o.created_at) AS first_order_date,
    MAX(o.created_at) AS last_order_date
FROM users u
INNER JOIN orders o
    ON u.id = o.user_id
WHERE
    -- Filtre année 2024 (utilise index sur created_at)
    o.created_at >= '2024-01-01'
    AND o.created_at < '2025-01-01'
    -- Seulement commandes finalisées
    AND o.status = 'completed'
GROUP BY
    u.id, u.email, u.plan
ORDER BY
    total_revenue DESC
LIMIT 10;

Résultat Attendu

Structure :

• user_id (INT)
• email (VARCHAR)
• plan (VARCHAR)
• total_orders (BIGINT)
• total_revenue (DECIMAL)
• avg_basket (DECIMAL, arrondi 2 décimales)
• first_order_date (TIMESTAMP)
• last_order_date (TIMESTAMP)

Exemple première ligne :

user_id: 42
email: [email protected]
plan: enterprise
total_orders: 127
total_revenue: 34580.50
avg_basket: 272.29
first_order_date: 2024-01-15 10:23:00
last_order_date: 2024-12-20 15:47:00

Nombre lignes : 10 (LIMIT)

Optimisations Appliquées

• ✅ Index utilisé : orders.created_at (range scan au lieu de seq scan)
• ✅ Filter avant join : Filtre WHERE sur orders réduit rows avant jointure
• ✅ Status filter : Index sur orders.status si existant (à créer si non)
• ✅ INNER JOIN : Exclut automatiquement users sans commandes (plus rapide que LEFT JOIN + HAVING)
• ✅ AVG arrondi : ROUND() évite trop de décimales inutiles

Performance Estimée

• Avec index sur created_at et status : ~15-50ms (selon taille table)
• Sans index : ~500-2000ms (full table scan)

Recommandation : Si requête exécutée fréquemment, créer index composé :

CREATE INDEX idx_orders_analytics
ON orders(created_at, status)
WHERE status = 'completed';

Variante : Inclure Utilisateurs Sans Commandes en 2024

Si besoin voir tous users (même CA = 0) :

-- Remplacer INNER JOIN par LEFT JOIN
-- Ajouter COALESCE pour NULL handling
SELECT
    u.id,
    u.email,
    COALESCE(COUNT(o.id), 0) AS total_orders,
    COALESCE(SUM(o.amount), 0) AS total_revenue,
    ...
FROM users u
LEFT JOIN orders o ON ...

Trade-off : Plus lent (plus de rows), mais exhaustif.

---

## 4️⃣ Support Client et Chatbot {#4-support-client-et-chatbot}

### 💬 Template : Agent Support Client

**Contexte** : Chatbot empathique et efficace.

Tu es un agent de support client pour {NOM_ENTREPRISE}.

Contexte Entreprise

• Produit/Service : {description}
• Secteur : {B2B / B2C / SaaS / e-commerce}
• Valeurs : {ex : helpful, empathique, efficace, transparent}
• Ton : {professionnel chaleureux / décontracté / corporate / startup}

Règles de Conduite OBLIGATOIRES

1. Salutation & Remerciement

   • Toujours commencer par bonjour/bonsoir + prénom si disponible
   • Remercier le client d’avoir contacté

2. Empathie Authentique

   • Reconnaître frustration : “Je comprends que {situation} soit frustrant”
   • Reformuler problème pour confirmer compréhension
   • Pas de phrases robotiques (“Nous nous excusons pour le désagrément”)

3. Transparence

   • Si tu ne sais pas → “Laissez-moi vérifier avec l’équipe technique”
   • Si délai → Indiquer estimation réaliste
   • Si limitation produit → L’admettre honnêtement

4. Solutions Concrètes

   • Toujours proposer action, pas juste “désolé”
   • Étapes numérotées si procédure
   • Alternative si solution principale impossible

5. Clôture Positive

   • Vérifier résolution : “Est-ce que cela répond à votre question ?”
   • Offrir aide additionnelle : “Puis-je faire autre chose pour vous ?”
   • Remercier à nouveau

Escalation vers Humain

Transférer si :

• {Condition 1 : ex “Bug technique complexe”}
• {Condition 2 : ex “Demande remboursement > 500€”}
• {Condition 3 : ex “Client très en colère”}
• Client demande explicitement à parler à humain

Message escalation : “Je vais transférer votre demande à {équipe concernée}. Ils vous contacteront sous {délai}. Votre numéro de ticket : {XXXXX}”

Base de Connaissances

{FAQ ou documentation pertinente} {Procédures courantes} {Limites connues du produit}

Conversation :

Client : {MESSAGE}

Ta réponse :

**📊 Exemple** :

**Input** :

Entreprise : CloudBackup Pro (SaaS backup) Produit : Solution de sauvegarde cloud pour PME Ton : Professionnel mais chaleureux Escalation : Bug technique, demande remboursement, insatisfaction forte

Client : “Ça fait 3 jours que mes sauvegardes échouent !!! J’ai payé pour un service qui marche pas. Je veux un remboursement !”

**Output attendu** :

Bonjour,

Je comprends totalement votre frustration - 3 jours sans sauvegardes fonctionnelles, c’est inacceptable, surtout pour un service aussi critique. Merci d’avoir pris le temps de nous contacter.

Laissez-moi vous aider immédiatement :

1. Diagnostic rapide (pour identifier le problème) :

• Quel message d’erreur voyez-vous ? (ex: “Connection failed”, “Quota exceeded”)
• Taille approximative des données à sauvegarder ?
• OS : Windows / macOS / Linux ?

2. Solutions immédiates possibles :

Si erreur “Quota exceeded” : → Votre plan (Pro 500GB) est peut-être atteint. Je peux temporairement augmenter votre quota gratuitement pendant qu’on investigue.

Si erreur “Connection failed” : → Problème réseau ou firewall. Je vous envoie un guide test de connexion (2 min).

3. Concernant le remboursement :

C’est une demande légitime vu la situation. Je transfère immédiatement votre cas à notre responsable satisfaction client qui vous contactera sous 2h (horaires ouvrables) avec une proposition.

Ticket : #CB-2024-8471

En attendant, puis-je avoir les infos ci-dessus (point 1) pour résoudre le problème technique en parallèle ?

Encore désolé pour ce désagrément, Alex Support CloudBackup Pro

**Analyse** :
- ✅ Empathie authentique ("Je comprends totalement")
- ✅ Reformulation problème ("3 jours sans sauvegardes")
- ✅ Solutions concrètes (2 hypothèses + fixes)
- ✅ Transparence remboursement (escalation + délai réaliste)
- ✅ Ticket number pour suivi
- ✅ Ton humain, pas robotique

---

## Formation et Éducation {#formation-et-éducation}

### Template : Cours/Tutoriel Structuré

**Contexte** : Créer contenu pédagogique efficace.

Tu es un formateur expert en {SUJET} avec 10+ ans d’expérience pédagogique.

Paramètres du Cours

• Sujet : {sujet précis}
• Audience : {débutants / intermédiaires / avancés}
• Pré-requis : {connaissances nécessaires}
• Objectif d’apprentissage : À la fin, l’apprenant saura {compétence mesurable}
• Durée estimée : {X minutes/heures}
• Format : {texte / vidéo script / slides / hands-on}

Structure Obligatoire

Introduction (5% durée)

Hook : {Pourquoi c’est important/utile - stat, anecdote, problème courant} Pré-requis : {Lister clairement} Objectifs : À la fin de ce cours, vous saurez :

• {Objectif mesurable 1}
• {Objectif mesurable 2}
• {Objectif mesurable 3}

Partie 1 : Fondamentaux (25%)

Concepts clés :

• {Concept 1} : {Explication simple en 2-3 phrases}

  • Analogie : {Comparaison vie quotidienne}
  • Schéma : {Description visuel si pertinent}

• {Concept 2} : …

Erreurs fréquentes débutants :

• ❌ {Erreur commune 1} → ✅ {Bonne pratique}

Partie 2 : Pratique Guidée (40%)

Exemple complet pas-à-pas :

Objectif : {Ce qu’on va construire}

Étape 1 : {Action}

\{CODE\}

💡 Pourquoi cette étape : {Explication} ⚠️ Piège courant : {Ce qui peut mal tourner}

Étape 2 : … [Continuer jusqu’à exemple complet]

Résultat attendu : {Output/résultat final}

Partie 3 : Exercices Autonomes (20%)

Exercice 1 : {Facile}

• Énoncé : {Description claire}
• Indices : {2-3 hints}
• Solution :

  \{CODE/RÉPONSE commenté\}
  

• Feedback : {Explication solution + variantes}

Exercice 2 : {Moyen} [Même structure]

Exercice 3 : {Difficile - combine plusieurs concepts} [Même structure]

Conclusion (10%)

Récap 3 points clés :

1. {Point clé 1}
2. {Point clé 2}
3. {Point clé 3}

Vous êtes maintenant capable de :

• ✅ {Compétence 1 acquise}
• ✅ {Compétence 2 acquise}

Prochaines étapes :

• {Ressource approfondissement 1}
• {Projet pratique suggéré}
• {Cours suivant dans parcours}

Ressources :

• Documentation : {liens}
• Communauté : {forums, Discord, etc.}

Style Pédagogique OBLIGATOIRE

• ✅ Clarté > Exhaustivité : Mieux expliquer bien 3 choses que survoler 10
• ✅ Exemples avant théorie : Montrer PUIS expliquer
• ✅ Feedback positif : Dans corrections, souligner ce qui est bon aussi
• ✅ Progression graduelle : Chaque concept s’appuie sur le précédent
• ✅ Vérifications régulières : “Vous suivez ? Si pas clair, relisez X”

---

## Résumés et Extraction {#résumés-et-extraction}

### Template : Résumé Multi-Niveaux

**Contexte** : Synthétiser efficacement tout type de document.

Tu es un expert en synthèse d’information avec 15 ans d’expérience.

Document source : {TEXT complet OU URL OU description} Type de document : {article / rapport / étude / livre blanc / etc.} Audience : {qui va lire ce résumé et pourquoi}

Crée un résumé structuré en 4 niveaux (du plus court au plus détaillé) :

TL;DR (1 phrase, 20 mots MAX)

{L’essentiel absolu en une seule phrase}

Résumé Exécutif (3-5 bullet points)

• {Aspect 1} : {Point clé en 10-15 mots}
• {Aspect 2} : {Point clé}
• {Aspect 3} : {Point clé}
• {Aspect 4} : {Point clé si pertinent}
• {Aspect 5} : {Point clé si pertinent}

Résumé Détaillé (150-200 mots, 2-3 paragraphes)

{Paragraphe 1 : Contexte + problème/sujet principal}

{Paragraphe 2 : Développement - méthodologie, arguments, données clés}

{Paragraphe 3 : Conclusion + implications}

Informations Clés Extraites

Chiffres & Stats Importants :

• {Stat 1 avec contexte}
• {Stat 2}
• {Stat 3}

Dates Clés :

• {Date 1} : {Événement}
• {Date 2} : {Événement}

Acteurs Mentionnés :

• {Personne/Org 1} : {Rôle}
• {Personne/Org 2} : {Rôle}

Actions Recommandées (si applicable) :

• {Action 1}
• {Action 2}

Citations Notables (si pertinent) :

“{Citation impactante}” — {Auteur, contexte}

Questions Non Répondues / Limites

• {Ce qui manque dans le document}
• {Points nécessitant clarification}
• {Données absentes qui seraient utiles}

Tags/Catégories

{3-5 mots-clés pour classification}

Contraintes :

• Objectif et factuel (pas d’interprétation personnelle)
• Citer sources si chiffres/stats
• Indiquer incertitudes (“selon l’auteur”, “estimation”)
• Pas de jargon technique sans définition

**📊 Exemple Utilisation** :

**Input** :

Article : “The State of AI in 2024” (rapport 120 pages) Audience : CEO non-technique voulant décider budget IA 2025

**Output attendu** :

TL;DR

L’IA générative génère 4,4 Md$ en 2024 (+600%), mais 73% projets échouent par manque compétences.

Résumé Exécutif

• Adoption explosive : 65% entreprises US utilisent IA gen (vs 12% en 2023)
• ROI confirmé : 40% réduction coûts support, +25% productivité dev
• Échecs massifs : 73% projets abandonnés (manque talent, données, stratégie)
• Leaders : OpenAI (45% PDM), Google (23%), Anthropic (12%)
• Budget 2025 : Entreprises prévoient +80% investissements IA

Résumé Détaillé

Le marché de l’IA générative a atteint 4,4 milliards de dollars en 2024, soit une croissance de 600% vs 2023. 65% des entreprises américaines ont déployé au moins un use case IA générative, principalement support client (38%), génération contenu (31%), et assistance développeurs (27%).

Le ROI est confirmé avec une réduction moyenne de 40% des coûts support et +25% de productivité des développeurs. Cependant, 73% des projets pilotes échouent avant production, principalement par manque de compétences (54%), données insuffisantes (31%), et absence de stratégie claire (28%).

OpenAI domine avec 45% de parts de marché (ChatGPT + API), suivi de Google (Gemini, 23%) et Anthropic (Claude, 12%). Pour 2025, les entreprises prévoient d’augmenter leurs budgets IA de 80% en moyenne, avec priorité sur formation équipes et infrastructure données.

Informations Clés

Chiffres & Stats :

• Marché IA gen : 4,4 Md$ (2024), proj. 12 Md$ (2025)
• Adoption : 65% entreprises US, 48% Europe, 71% Asie
• ROI moyen : 3.2x en 18 mois
• Échec projets : 73% avant production

Dates Clés :

• T1 2024 : Lancement GPT-4.5 Turbo
• Sept 2024 : Anthropic Claude 3 Opus
• Nov 2024 : Google Gemini 2.0

Acteurs :

• OpenAI : 45% PDM, $3.4B revenue
• Google : 23% PDM, focus enterprise
• Anthropic : 12% PDM, croissance +340%

Actions Recommandées :

1. Investir formation IA équipes (ROI 5x selon étude)
2. Commencer use case à faible risque (support, docs)
3. Budgéter 15-20% revenus IT pour IA en 2025

Questions Non Répondues

• Détail méthodologie (échantillon étude ?)
• Impact IA sur emploi (licenciements vs redéploiements)
• Coûts cachés infrastructure non abordés

Checklist : Choisir le Bon Template

Conseils d’Utilisation

Personnaliser les Templates

❌ Mauvais : Copier-coller sans modifier

Produit : \{description produit\}

✅ Bon : Remplacer toutes les \{variables\}

Produit : Application mobile de méditation. Abonnement 9.99€/mois, 7 jours gratuits.
Bibliothèque 500+ séances guidées par experts. Focus stress professionnel.

Ajuster le Ton

Les templates proposent un ton, mais adaptez selon votre marque :

• Startup tech : Décontracté, tutoiement, emojis
• Finance : Corporate, vouvoiement, formel
• Education : Pédagogue, encourageant, accessible

Itérer

Premier output rarement parfait. Affinez avec :

Le ton est trop formel. Rends-le plus conversationnel tout en restant pro.

Le code fonctionne mais ajoute des docstrings détaillés et 3 tests unitaires.

Combiner Techniques

Exemple : Few-Shot + Template

\{Template Email B2B\}

Voici 2 exemples d'emails qui ont bien fonctionné pour nous :

Exemple 1 :
\{Email qui a eu 40% taux réponse\}

Exemple 2 :
\{Email qui a eu 35% taux réponse\}

Génère un email similaire en style mais personnalisé pour \{prospect\}.

Points Clés à Retenir

1. Ne partez pas de zéro : Utilisez templates testés et adaptez

2. Structure = 80% succès : Un prompt bien structuré (rôle, contexte, contraintes, format) surpasse prompt créatif mal organisé

3. Spécificité gagne : Template générique → output médiocre. Template détaillé → output pro

4. Itération normale : Rarement parfait du premier coup, affinez en 2-3 passes

5. Mesurez résultats : Trackez qualité outputs (note /10, temps économisé, conversions)

6. Créez bibliothèque interne : Vos meilleurs prompts = actifs réutilisables

Suite de la Série

Article 5 : Outils et Frameworks : LangChain, AIPRM, Versioning LangChain Prompt Templates, marketplaces, testing, CI/CD pour prompts

Article 6 : Sécurité et Robustesse : Prompt Injection, Jailbreaking Protéger vos prompts contre attaques et outputs inappropriés

Retour : Techniques Avancées (ToT, ReAct, Self-Consistency)