Module 2 : Prompt Engineering & Structuration

Le "Prompt Engineering" n'est pas de la magie, c'est de la programmation en langage naturel.

Durée estimée : 15 minutes

1. Les Techniques de Prompting

Zero-Shot (Naïf)

On pose la question direct.

"Classe ce ticket support : 'Mon écran est bleu'."

Few-Shot (Exemples)

On donne des exemples pour guider le style.

"Tu es un classificateur de tickets. Exemple 1 : 'Le wifi est lent' -> RESEAU Exemple 2 : 'Mon clavier fume' -> MATERIEL Ticket : 'Mon écran est bleu' -> ?"

Chain of Thought (CoT)

On force l'IA à réfléchir étape par étape (réduit les hallucinations).

"Avant de répondre, analyse les causes possibles, puis conclus."

---

2. Structurer la sortie (JSON Mode)

Pour un Ops, du texte libre est inutile. On veut du JSON pour l'intégrer dans un script.

response = client.chat.completions.create(
    model="gpt-3.5-turbo-0125",
    response_format={"type": "json_object"}, # Force le JSON
    messages=[
        {"role": "system", "content": "Tu es un extracteur de logs. Réponds TOUJOURS en JSON valide."},
        {"role": "user", "content": "Analyse ce log : 'Error 500 at /api/users caused by DB connection timeout'. Extrais le code, le path et la cause."}
    ]
)

Résultat attendu :

{
  "code": 500,
  "path": "/api/users",
  "cause": "DB connection timeout"
}

3. TP : Le Générateur de Commits

Objectif : Créer un script git-ai.py qui : 1. Fait un git diff. 2. Envoie le diff à l'IA. 3. Demande de générer un message de commit conventionnel (ex: fix(api): handle timeout).

Indice : Attention à la taille du diff ! S'il dépasse 4000 tokens, il faudra le tronquer.

---

Exercice Pratique

Exercice : Analyseur de Logs Structuré

Objectif : Créer un script qui analyse des logs serveur et extrait les informations importantes en JSON.

Étapes : 1. Créer un fichier log_analyzer.py qui lit un fichier de logs 2. Utiliser l'API OpenAI avec response_format={"type": "json_object"} pour extraire : code HTTP, timestamp, IP source, et message d'erreur 3. Tester avec différentes techniques : zero-shot, few-shot, et chain-of-thought

Solution

from openai import OpenAI
import json

client = OpenAI(api_key="votre_clé")

log_entry = """
2025-01-15 14:23:45 ERROR 192.168.1.100 - GET /api/users - 500 Internal Server Error: Database connection timeout
"""

response = client.chat.completions.create(
    model="gpt-3.5-turbo-0125",
    response_format={"type": "json_object"},
    messages=[
        {"role": "system", "content": "Tu es un extracteur de logs. Réponds TOUJOURS en JSON valide avec les clés: timestamp, level, ip, method, path, code, error."},
        {"role": "user", "content": f"Analyse ce log : {log_entry}"}
    ]
)

result = json.loads(response.choices[0].message.content)
print(json.dumps(result, indent=2))

---

Navigation

← Module 1 : Les Fondations Modernes	Module 3 : Local AI & Ops →

Retour au Programme