Analyse approfondie des trois outils qualité — fonctionnement, systèmes de notation et bonnes pratiques d'utilisation.

• Prompt Linter
• Prompt Optimizer
• Smart Recommender

CLI : prompt-lib lint Workshop : Onglet Outils → Linter Source : src/linter.js

Le Prompt Linter analyse n'importe quel prompt selon 14 règles de qualité et produit un score de 0 à 100, une note (A–F) et des suggestions d'amélioration classées par priorité.

score = (somme des poids des règles réussies / poids total) × 100

Poids total : 100 (somme des 14 poids : 10+12+8+10+8+8+5+7+7+7+5+5+3+5)

Prompt en entrée :

Can you please help me write something good about dogs? Please make it nice
and interesting. Please include some good information.

Résultat du lint :

Score: 15/100 (Grade: F)
Rules: 2/14 passed | 23 words

✅ Passing:
   • Not excessively long
   • Specific language

💡 Suggestions to improve:
   → State the task explicitly: "Your task is to…"
   → Add a role definition like "You are a senior [role] expert…"
   → Specify the output format: "Respond in [format]"
   → Add context: "Context: …" or "Given the following information: …"
   → Add constraints: "Rules: …" or "Never do X" / "Always do Y"
   → Your prompt is quite short. Add more detail about what you want.
   → Add examples of expected input/output to guide the AI.
   → Organize your prompt with clear sections using headers or labels.
   → Specify the target audience: "This is for [audience]…"
   → Define the tone: "Use a [professional/casual/technical] tone."
   → Reduce "please" usage — direct instructions work better with AI.
   → Add a quality check: "Before responding, verify that…"

• Ajoutez une définition de rôle (10 points) : "You are a senior content writer"
• Énoncez clairement la tâche (12 points) : "Your task is to write a 500-word blog post"
• Spécifiez le format de sortie (10 points) : "Respond in markdown with headings"
• Ajoutez des contraintes (8 points) : "Never make up statistics"
• Ajoutez du contexte (8 points) : "Context: This is for a pet adoption website"
• Rédigez au moins 50 mots (8 points)
• Incluez des exemples (7 points)
• Utilisez des en-têtes de section (7 points)

Le linter détecte automatiquement le type de prompt et ajuste les poids des règles :

Pour le tableau complet des multiplicateurs, voir INFRASTRUCTURE.md.

CLI : prompt-lib optimize Workshop : Onglet Outils → Optimizer Source : src/optimizer.js

Le Prompt Optimizer réécrit les prompts grâce à une analyse contextuelle. Il détecte le domaine, l'audience et l'intention, puis applique des améliorations ciblées spécifiques au contenu réel du prompt.

L'optimiseur traite votre prompt à travers ces étapes dans l'ordre :

Prompt en entrée
    │
    ├── 1. Détection du domaine (7 domaines)
    ├── 2. Suppression des remplissages (phrases redondantes)
    ├── 3. Réduction de la politesse (excès de « please »)
    ├── 4. Renforcement des verbes faibles (hésitation → direct)
    ├── 5. Remplacement du langage vague (termes précis)
    ├── 6. Décomposition des tâches composées (multi-tâche → étapes)
    ├── 7. Injection de rôle spécifique au domaine
    ├── 8. Détection de l'audience et réglage du ton
    ├── 9. Ajout de contraintes (spécifiques au domaine)
    ├── 10. Spécification du format de sortie
    ├── 11. Placeholder d'exemples
    └── 12. Étape de vérification qualité
    │
    ▼
Prompt optimisé + scores avant/après + journal des modifications

L'optimiseur recherche des mots-clés pour identifier l'un des 7 domaines :

Chaque domaine fournit :

• Un rôle d'expert spécifique (au lieu du générique « helpful assistant »)
• Des contraintes pertinentes pour le domaine
• Un format de sortie approprié
• Des vérifications qualité spécifiques au domaine
• Des placeholders d'exemples

L'optimiseur élimine ces expressions superflues :

• basically, essentially, actually, literally, honestly
• obviously, clearly, simply put, in other words
• as you know, it goes without saying, needless to say
• I think, I believe, I feel like, in my opinion

Ces formulations hésitantes sont supprimées ou remplacées par des instructions directes :

Avant (Score : 35/100, Note : F) :

Can you please help me write a good blog post about machine learning?
Please make it interesting and cover the basics. I want you to maybe
include some good examples if possible. Thanks!

Après (Score : 88/100, Note : B) :

You are an experienced content strategist and professional writer with
expertise in clear, engaging communication.

TASK:
Write a blog post about machine learning. Cover the basics. Include
insightful and thought-provoking examples.

TARGET AUDIENCE:
This is for beginners.

TONE:
Be clear, engaging, and well-paced.

OUTPUT FORMAT:
Respond in well-structured prose with clear headings, short paragraphs,
and a logical narrative flow. Use markdown formatting.

RULES:
- Use clear, concise language appropriate to the target audience
- Maintain a consistent tone and voice throughout
- Structure content with logical flow and smooth transitions
- Support claims with specific details or examples

Before responding, verify that the writing is clear, free of jargon,
logically structured, and engaging for the target audience.

Modifications effectuées :

• Suppression des mots de remplissage et des phrases redondantes
• Remplacement du langage hésitant par des instructions directes
• Remplacement du langage vague par des termes précis
• Ajout d'un rôle spécifique au domaine (rédaction)
• Organisation du prompt en sections clairement nommées
• Ajout d'un format de sortie spécifique à la rédaction
• Ajout de contraintes qualité spécifiques à la rédaction
• Ajout d'une étape de vérification qualité

Après optimisation, basculez entre :

• Optimisé — prompt optimisé propre
• Vue Diff — comparaison colorée ligne par ligne (🟢 ajouté, 🔴 supprimé, sans marqueur = inchangé)

CLI : prompt-lib recommend <query> Workshop : Onglet Outils → Recommender Source : src/recommender.js

Le Smart Recommender analyse votre description en langage naturel et suggère les meilleurs prompts de la bibliothèque, y compris une combinaison optimale.

Description de l'utilisateur
    │
    ├── 1. Extraction des termes (découpage en mots recherchables)
    ├── 2. Détection de l'intention (correspondance avec 8 catégories)
    ├── 3. Notation des prompts (correspondance des termes avec tous les prompts)
    ├── 4. Bonus d'intention (promotion des prompts dans les catégories correspondantes)
    └── 5. Construction de la combinaison (invite système + framework + template)
    │
    ▼
8 meilleurs résultats + combinaison suggérée

Pour chaque prompt de la bibliothèque, le recommandeur calcule un score de pertinence :

Les prompts dans les catégories correspondant à l'intention détectée reçoivent un bonus.

Le recommandeur renvoie :

1. 8 meilleurs prompts — classés par score de pertinence
2. Combinaison suggérée — la meilleure association de :
   • 🧠 Invite système — l'invite système la plus pertinente
   • 🔧 Framework — le framework le plus pertinent
   • 📝 Template — le template de domaine le plus pertinent
3. Résultats catégorisés — top 3 invites système, top 3 frameworks, top 5 templates

Requête : "I need to build a REST API with authentication"

Sortie :

Suggested combination:

  🧠 System prompt:  Coding Assistant (coding-assistant)
  🔧 Framework:      Chain-of-Thought (chain-of-thought)
  📝 Template:       API Design (api-design)

Top matching prompts:

  API Design
    slug: api-design | category: development | score: 68
  System Design
    slug: system-design | category: development | score: 43
  Coding Assistant
    slug: coding-assistant | category: system-prompts | score: 38
  ...

• Soyez descriptif : « I need to write marketing emails for a SaaS product » > « email help »
• Incluez des mots-clés du domaine : « data analysis SQL dashboard » déclenche l'intention données
• Mentionnez l'objectif final : « create a landing page that converts » > « make a web page »
• Combinez les contextes : « code review for Python REST API » déclenche à la fois code et développement

Navigation : ← Guide des modèles IA  |  API et Playground →