Prompt engineering Claude : 7 techniques pour des résultats professionnels

Un prompt, ce n’est pas une question posée à un moteur de recherche : c’est plutôt un cahier des charges miniature, où vous décrivez ce que vous attendez, comment vous le voulez, dans quel contexte, et à quel niveau de qualité. La différence entre un utilisateur qui « obtient des réponses » et un professionnel qui « obtient des résultats » tient donc entièrement dans cette compétence. En effet, cette compétence n’est pas la même selon le modèle que vous utilisez : Claude Opus 5, Sonnet 5, Haiku 4.5 et Fable 5 réagissent chacun différemment aux mêmes instructions, car ils n’ont ni la même profondeur de raisonnement, ni la même sensibilité au system prompt, ni le même comportement par défaut.

Dans le premier article de cette série, vous avez configuré Claude et compris l’écosystème. Désormais, on entre dans le moteur. Les sept techniques qui suivent sont issues de la documentation officielle d’Anthropic, mise à jour pour les modèles Claude récents, et croisées avec des pratiques de terrain. Chacune est d’ailleurs accompagnée d’un exemple concret que vous pouvez copier-coller et adapter.

Pourquoi les Claude récents changent la donne en prompting

Des modèles plus sensibles au system prompt

Avant de plonger dans les techniques, il faut d’abord comprendre ce qui a changé avec les générations récentes — Sonnet 5, puis Opus 5. Or, les modèles Claude plus anciens nécessitaient beaucoup de « sur-prompting » : des instructions en majuscules, des répétitions, des injonctions agressives du type « CRITICAL: You MUST use this tool ». Désormais, Opus 5 et Sonnet 5 sont radicalement plus sensibles au system prompt, et un ton normal suffit. En revanche, les instructions excessives provoquent l’effet inverse : le modèle sur-réagit, déclenche des outils inutilement, ou s’embourbe dans un raisonnement disproportionné.

Adaptive Thinking : Claude calibre son effort

Autre changement majeur : l’Adaptive Thinking. Contrairement à l’ancien Extended Thinking, où vous fixiez manuellement un budget de tokens de réflexion, l’Adaptive Thinking pilote l’effort de raisonnement avec des niveaux comme low, medium, high, xhigh ou max selon les modèles compatibles. Depuis Sonnet 5, puis Opus 5, elle est d’ailleurs activée par défaut : concrètement, une requête sans réglage explicite déclenche une réflexion adaptative, alors que ni Sonnet 4.6 ni Opus 4.8 ne le faisaient. Claude calibre ainsi son effort seul, en répondant directement aux questions simples et en creusant davantage les problèmes complexes.

Trois évolutions structurantes pour le prompting

• Le contrôle d’effort sort de l’API. Le réglage de l’effort de raisonnement est accessible directement dans claude.ai et Cowork, à côté du sélecteur de modèle, aussi bien sur Opus 5 que sur Sonnet 5, avec la même échelle sur les deux : low, medium, high (le défaut), xhigh, max. Vous arbitrez vous-même profondeur contre rapidité — et donc consommation de tokens — sans toucher à l’API.
• Côté API, la réflexion se pilote en adaptatif. Le budget de tokens fixe cède ainsi la place au paramètre effort. Sur Sonnet 5 comme sur Opus 5, fixer manuellement un budget de réflexion via thinking: {type: "enabled", budget_tokens: N} n’est plus accepté. Nouveauté propre à Opus 5 : désactiver complètement le thinking (thinking: {type: "disabled"}) n’est autorisé qu’aux niveaux d’effort high et en dessous — un appel en xhigh ou max avec le thinking désactivé renvoie une erreur.
• Un suivi des instructions plus littéral. Opus 5, comme Sonnet 5, prend au pied de la lettre ce que vous écrivez. Par ailleurs, bonne nouvelle côté migration : Opus 5 partage le tokenizer d’Opus 4.8 et se comporte bien nativement sur vos prompts déjà calibrés pour lui — seule l’instruction de vérification devenue inutile mérite d’être retirée (voir plus loin).

Conséquence pratique : le prompting se simplifie avec les Claude récents — moins de hacks, plus de clarté. Les techniques fondamentales — être précis, donner du contexte, structurer — deviennent en effet encore plus efficaces, car le modèle les interprète mieux.

Technique 1 : être explicite, pas implicite

La règle d’or d’Anthropic tient en une phrase : montrez votre prompt à un collègue qui ne connaît pas le projet, et demandez-lui de l’exécuter. S’il est perdu, Claude le sera aussi. Autrement dit, la précision n’est pas un luxe — c’est le levier le plus puissant dont vous disposez.

Le réflexe naturel est souvent d’écrire un prompt comme on parle à un collègue qui connaît déjà le contexte, du type « Fais-moi un résumé de ce document. » Résultat : un résumé générique, trop long ou trop court, dans un ton qui ne correspond pas. Voici, à l’inverse, un prompt explicite :

# Prompt vague
Résume ce document.

# Prompt explicite
Résume ce document en 5 points clés, chacun en une phrase.
Adopte le ton d'une note interne destinée à un comité de direction.
Commence chaque point par un verbe d'action.
Longueur totale : 150 mots maximum.

La différence de résultat est ainsi spectaculaire — et elle ne coûte que 30 secondes de rédaction supplémentaire. Voici les éléments à expliciter systématiquement : le format de sortie (longueur, structure, ton), le public cible (pour qui Claude écrit), les contraintes (ce qu’il ne doit pas faire), et le résultat attendu (ce qui fait qu’une réponse est réussie ou ratée).

Concision et verbosité : le cas particulier d’Opus 5

Sonnet 5 calibre sa longueur de réponse à la complexité de la tâche plutôt que de viser une verbosité fixe, et reste donc globalement plus concis et direct par défaut que les versions précédentes. En revanche, Opus 5 fait figure d’exception sur ce point précis : ses réponses et les documents qu’il rédige sont plus longs par défaut que ceux d’Opus 4.8, et baisser le niveau d’effort ne raccourcit pas fiablement la réponse visible. Si vous voulez donc de la concision sur Opus 5, demandez-la explicitement — une instruction simple du type « réponses concises, l’essentiel d’abord » suffit. Plus généralement, sur tous les modèles récents, si vous voulez un comportement « above and beyond » — suggestions, alternatives, mises en garde — dites-le : Claude ne brode plus par défaut, il fait ce que vous demandez, rien de plus. Enfin, Opus 5 et Sonnet 5 poussent cette logique encore plus loin, avec un suivi d’instructions plus littéral qui rend l’explicite encore plus payant.

Technique 2 : structurer avec les balises XML

C’est la technique propre à Claude — celle qui le distingue le plus de ChatGPT ou Gemini. En effet, Claude est entraîné pour interpréter les balises XML comme des séparateurs sémantiques. Ainsi, quand vous encadrez chaque type de contenu dans ses propres balises, Claude sait exactement où commence l’instruction, où finit le contexte, et ce qui est un exemple versus une consigne.

# Structure XML pour un prompt complexe
<role>Tu es un rédacteur web spécialisé en SEO francophone.</role>

<contexte>
Je gère un blog sur l'intelligence artificielle.
Mon audience : professionnels non-techniques, PME, indépendants.
Ton : expert accessible, jamais condescendant.
</contexte>

<instructions>
Rédige une introduction de 200 mots pour un article intitulé
"Comment choisir son outil IA en 2026".
Commence par un scénario concret que le lecteur reconnaît.
Termine par une promesse claire sur ce que l'article va lui apporter.
</instructions>

<contraintes>
- Pas de formule "dans un monde où..."
- Pas de superlatifs vides (révolutionnaire, incontournable)
- Vocabulaire courant, phrases courtes
</contraintes>

Les bonnes pratiques : utilisez des noms de balises descriptifs et cohérents d’un prompt à l’autre. Imbriquez ensuite les balises quand le contenu a une hiérarchie naturelle — par exemple, plusieurs documents dans une balise <documents>, chacun dans sa propre balise <document>. Claude gère d’ailleurs très bien l’imbrication.

En résumé, l’avantage concret des balises XML est triple : elles réduisent les ambiguïtés (Claude ne confond plus une instruction avec un exemple), elles rendent vos prompts réutilisables (il suffit de changer le contenu entre les balises), et elles améliorent la cohérence des résultats sur des tâches répétées.

Technique 3 : donner un rôle et du contexte motivé

Attribuer un rôle à Claude — même en une seule phrase — change le registre, le vocabulaire, le niveau de détail et la structure de sa réponse. Par exemple, « Tu es un analyste financier senior » ne produit pas la même réponse que « Tu es un journaliste économique », car le rôle active un ensemble de comportements, de conventions et de références que Claude a intégrés pendant son entraînement.

Ce que beaucoup d’utilisateurs ignorent, c’est que le contexte motivé est encore plus puissant que le rôle seul. En effet, expliquer à Claude pourquoi vous avez besoin de tel format ou de tel ton améliore significativement les résultats, car Claude est entraîné pour comprendre les objectifs, pas seulement les instructions.

Un exemple avant/après

# Rôle seul (correct)
Tu es un consultant en stratégie digitale.

# Rôle + contexte motivé (excellent)
Tu es un consultant en stratégie digitale qui prépare
une recommandation pour un client PME de 50 salariés.
Le client n'a aucune expérience en IA et a un budget limité.
Ta recommandation doit être immédiatement actionnable :
le client doit pouvoir commencer demain matin avec les
outils que tu proposes, sans formation préalable.

Le contexte motivé fonctionne parce que Claude ne se contente pas de suivre des règles — il comprend l’intention derrière la demande et adapte son jugement en conséquence. C’est ainsi la différence entre un stagiaire qui applique une checklist et un collaborateur expérimenté qui comprend l’objectif final.

Technique 4 : utiliser des exemples (few-shot prompting)

Les exemples sont le levier le plus fiable pour contrôler le format, le ton et la structure de la sortie. D’ailleurs, Anthropic recommande 3 à 5 exemples pour des résultats optimaux. La clé : vos exemples doivent être pertinents (proches de votre cas réel), diversifiés (couvrant les cas limites), et structurés (encadrés par des balises pour que Claude ne les confonde pas avec des instructions).

# Few-shot prompting avec balises
Classe chaque avis client selon : Positif, Négatif, ou Mitigé.
Extrais le sujet principal en 3 mots maximum.

<examples>
  <example>
    <input>La livraison était rapide mais le produit
    ne correspond pas à la photo.</input>
    <output>Mitigé — Conformité produit</output>
  </example>
  <example>
    <input>Service client réactif, problème résolu
    en 24h. Bravo.</input>
    <output>Positif — Service client</output>
  </example>
  <example>
    <input>Impossible de joindre quelqu'un par téléphone.
    Trois semaines sans réponse à mon email.</input>
    <output>Négatif — Joignabilité support</output>
  </example>
</examples>

Maintenant, classe cet avis :
"Le produit est excellent, par contre les frais de port
sont excessifs pour une petite commande."

# Sortie attendue
Mitigé — Frais de port

Astuce avancée : vous pouvez également demander à Claude lui-même d’évaluer vos exemples. Envoyez-lui vos 3 exemples et demandez : « Ces exemples couvrent-ils bien les cas possibles ? Quels cas limites manquent ? » Claude vous proposera alors des exemples supplémentaires pour combler les lacunes. C’est ainsi une boucle d’amélioration qui rend vos prompts de plus en plus robustes au fil du temps.

Technique 5 : piloter le format de sortie

Les Claude récents sont globalement plus concis par défaut que les générations précédentes : ils utilisent moins de markdown non sollicité, moins de listes à puces automatiques, moins de gras décoratif. C’est un progrès, mais cela signifie aussi que si vous voulez un format précis, vous devez le demander explicitement. Toutefois, précision pour Opus 5 : il fait exception sur la longueur, pas sur le formatage — ses réponses restent nettes sur les puces et le gras non sollicités, mais tendent à être plus longues par défaut que celles d’Opus 4.8 ou de Sonnet 5 (voir Technique 1).

La règle d’Anthropic : dites ce que vous voulez, pas ce que vous ne voulez pas. Au lieu de « Ne mets pas de bullet points », écrivez « Rédige en paragraphes fluides, sans puces ni listes. » Au lieu de « Ne fais pas trop long », précisez « 300 mots maximum. »

Les balises de sortie, pour les formats complexes

Pour les formats complexes, utilisez des indicateurs de format XML : ainsi, encadrez chaque section attendue dans des balises quand vous voulez que Claude produise une analyse en sections clairement séparées.

# Piloter le format avec des balises de sortie
Analyse cette stratégie marketing et structure ta réponse
exactement comme suit :

<diagnostic>
État actuel en 3 phrases maximum.
</diagnostic>

<forces>
3 points forts, une phrase chacun.
</forces>

<faiblesses>
3 points faibles, une phrase chacun.
</faiblesses>

<recommandation>
Action prioritaire à mettre en place cette semaine,
en 2 phrases.
</recommandation>

Autre astuce efficace : le format du prompt influence le format de la réponse. Si vous écrivez votre prompt en prose fluide, Claude aura tendance à répondre en prose. Si vous écrivez avec des tirets et du markdown, Claude répondra avec des tirets et du markdown. Par conséquent, alignez le style de votre prompt avec le style de sortie souhaité.

Point spécifique aux modèles Claude récents : ils utilisent le LaTeX par défaut pour les expressions mathématiques. Si vous travaillez dans un environnement qui ne rend pas le LaTeX (un email, un document texte), précisez-le dans ce cas : « Écris toutes les expressions mathématiques en texte simple, sans LaTeX. »

Technique 6 : le prompt itératif — faire travailler Claude sur Claude

Le prompt unique qui produit un résultat parfait du premier coup est un mythe. En réalité, les meilleurs résultats viennent d’un processus itératif où Claude améliore son propre travail, et deux approches fonctionnent particulièrement bien.

L’interview inversée

Au lieu de rédiger un prompt complexe vous-même, demandez à Claude de vous interviewer avant de travailler. D’ailleurs, c’est la technique recommandée par les power users et confirmée par Anthropic : Claude pose des questions auxquelles vous n’auriez pas pensé — contraintes techniques, cas limites, public secondaire, format de livraison.

# Interview inversée
Je veux que tu rédiges un article de blog sur le choix
d'un outil IA pour les PME. Avant de commencer, pose-moi
les 5 questions les plus importantes pour que ton article
soit parfaitement calibré. Une question à la fois.

Le « une question à la fois » n’est pas anecdotique : en procédant ainsi, Claude adapte chaque question suivante à vos réponses précédentes, comme un vrai briefing. Cette technique produit donc systématiquement de meilleurs résultats que le prompt direct, parce qu’elle force la clarification du besoin avant l’exécution. C’est l’équivalent d’un brief créatif en agence : on ne commence pas la maquette avant d’avoir compris le client.

L’auto-évaluation

Concrètement, demandez à Claude de noter son propre travail et de l’améliorer : cette technique exploite la capacité du modèle à adopter une posture critique sur sa propre production.

# Auto-évaluation
Rédige une introduction pour cet article.
Puis évalue-la sur 3 critères :
- Accroche (le lecteur a-t-il envie de continuer ?)
- Clarté (la promesse de l'article est-elle limpide ?)
- Concision (y a-t-il des mots inutiles ?)
Note chaque critère sur 10 et propose une version améliorée
qui vise 9/10 sur les trois.

L’auto-évaluation fonctionne particulièrement bien sur les tâches de rédaction, de code et de raisonnement logique. En revanche, sur les tâches factuelles, préférez la vérification par recherche web plutôt que l’auto-évaluation, car Claude ne peut pas corriger des faits qu’il ne connaît pas.

Technique 7 : adapter le prompt au modèle utilisé

Les modèles Claude ne réagissent pas de la même façon aux mêmes prompts. Pourtant, adapter vos instructions au modèle que vous utilisez est un gain de qualité immédiat que la plupart des utilisateurs ignorent.

Opus 5 — le modèle de travail au quotidien

Opus 5 partage le tokenizer d’Opus 4.8 et se comporte bien nativement sur vos anciens prompts et évals — la bascule ne demande donc pas une réécriture complète. Deux ajustements valent la peine. D’abord, retirez les instructions de vérification héritées (« ajoute une étape de vérification finale », « fais relire par un sous-agent ») : Opus 5 vérifie déjà son travail sans qu’on le lui demande, et ces consignes provoquent de la sur-vérification. Ensuite, sachez qu’Opus 5 fait exception sur la longueur de réponse : ses réponses et les documents qu’il rédige sont plus longs par défaut, et baisser l’effort ne les raccourcit pas de façon fiable — demandez la concision explicitement si c’est ce que vous voulez. Le modèle narre aussi plus volontiers sa progression en tâche agentique et délègue plus facilement à des sous-agents : cadrez ces deux comportements par une instruction explicite si vous préférez plus de silence ou moins de délégation. Enfin, sur l’effort, le réflexe qui marche : démarrer à medium, monter à high si le modèle bute, réserver xhigh et max aux tâches réellement exigeantes.

Sonnet 5 — le modèle par défaut

Sonnet 5 hérite du suivi d’instructions littéral d’Opus, avec deux nuances propres à ce modèle. L’Adaptive Thinking étant activée par défaut, inutile de lui demander de « réfléchir avant de répondre » : il le fait déjà, sans réglage. Par ailleurs, le nouveau tokenizer de Sonnet 5 compte plus de tokens pour un même texte que Sonnet 4.6 — si vous chargez de longs documents, comptez donc large sur vos estimations de contexte. Pour les tâches agentiques (recherche web, navigation, terminal), Sonnet 5 explore en outre volontiers en profondeur : cadrez-le avec des critères d’arrêt clairs si vous voulez éviter une consommation de tokens disproportionnée. Enfin, sur les tâches les plus dures, méfiez-vous du réflexe « je monte à xhigh » : à ce niveau, Sonnet 5 approche l’intelligence d’Opus 5 sur certains benchmarks, mais peut coûter plus cher pour un résultat équivalent — Opus 5 à effort moyen est souvent le meilleur calcul.

Haiku 4.5 — l’exécutant rapide

Haiku 4.5 est un exécutant rapide, pas votre modèle de raisonnement par défaut. Il dispose de l’Extended Thinking côté API, mais pas de l’Adaptive Thinking des modèles plus avancés. Ainsi, pour tirer le meilleur de Haiku, décomposez les tâches complexes en étapes simples, donnez des exemples explicites (few-shot), et spécifiez exactement le format de sortie. Ne comptez donc pas sur lui pour arbitrer seul une décision complexe : utilisez-le plutôt pour produire vite, classer, extraire, nettoyer ou reformater.

Fable 5 — réservé aux tâches longues et complexes

Fable 5 ne se prompt pas comme les autres modèles. Son Adaptive Thinking est toujours activée et non désactivable : inutile de lui préciser un niveau d’effort, il calibre seul sa profondeur de réflexion sur des tâches qui peuvent durer plusieurs heures. Par conséquent, un prompt Fable 5 gagne à être moins directif qu’un prompt Haiku et plus orienté objectif final : décrivez le résultat attendu et les contraintes, puis laissez le modèle planifier lui-même les étapes. Sur les sujets touchant à la cybersécurité, la biologie ou la chimie, attendez-vous d’ailleurs parfois à un refus ou à une redirection automatique vers Opus 4.8 — un comportement normal du modèle, pas un bug de votre prompt. Enfin, vu son tarif, réservez Fable 5 aux tâches où Opus 5 ou Sonnet 5 montrent vraiment leurs limites.

5 templates de prompts réutilisables

Ces cinq templates couvrent les cas d’usage les plus fréquents. Copiez-les, adaptez les balises à votre contexte, et utilisez-les ensuite comme point de départ.

Les erreurs qui ruinent vos prompts

Le prompting n’est pas seulement une question de bonnes pratiques : c’est aussi une question de pièges à éviter. Voici les cinq erreurs les plus fréquentes, spécifiques à Claude.

Sur-prompter les modèles récents. Si votre system prompt contient des « ALWAYS », « NEVER », « CRITICAL » à chaque paragraphe, Opus 5 et Sonnet 5 vont sur-réagir. Le modèle déclenchera des outils sans raison, ajoutera des précautions inutiles, ou produira des réponses excessivement longues. Par exemple, sur Opus 5, le piège classique est de garder d’anciennes consignes de vérification : il vérifie déjà seul (voir Technique 7). Adoptez donc un ton d’instruction normal — les Claude récents n’ont plus besoin qu’on leur crie dessus.

Mélanger les instructions et les données. Sans balises XML, Claude peut confondre une phrase d’exemple avec une instruction — « Ne dis jamais ‘je ne sais pas’ » peut être lu comme une consigne ou comme un exemple de phrase interdite. Les balises XML éliminent ainsi cette ambiguïté.

Donner trop d’exemples identiques. Si vos cinq exemples suivent exactement le même schéma, Claude sur-apprend ce schéma et perd en créativité. Variez les cas : un cas standard, un cas limite, un cas ambigu, un cas négatif. La diversité des exemples compte ainsi plus que leur nombre.

Ignorer le placement du contexte long. Quand vous chargez un document long (rapport, codebase, documentation), placez-le au début de votre prompt, avant votre question. En effet, Anthropic a mesuré jusqu’à 30 % d’amélioration de la qualité des réponses avec ce placement, surtout sur des inputs multi-documents.

Demander à Haiku ou Fable 5 le mauvais type de raisonnement. Haiku 4.5 est rapide sur les tâches simples, mais sans Adaptive Thinking — évitez de lui confier une analyse stratégique. À l’inverse, un prompt ultra-directif façon Haiku bride la capacité de planification de Fable 5 et gâche le tarif que vous payez pour ça.

Du prompt au système : ce qui vient ensuite

Un bon prompt vous donne un bon résultat ponctuel. En revanche, un système de prompts — des instructions permanentes, un contexte chargé, des exemples intégrés, des règles appliquées automatiquement — vous donne des résultats exceptionnels à chaque échange, sans effort supplémentaire. C’est exactement ce que permettent les Projects de Claude.

Vous avez désormais les sept techniques. Testez-les. Copiez les templates. Comparez les résultats avec vos anciens prompts. La différence sera visible dès le premier essai.