@prompt-engineerLe coach LLM — prompts fiables, examples, format strict
Maifady est un plugin Claude Code 100% gratuit avec 30 agents IA — @prompt-engineer diagnostique pourquoi ton prompt LLM donne des résultats incohérents et le réécrit avec un format de sortie strict, des contraintes explicites, et au moins un exemple. Plus de hallucinations, plus de "ça rate 30% du temps".
Le problème qu'il résout
Tu as écrit un prompt pour extraire {vendor, date, total} depuis du texte de facture. Sur 100 tests, ça marche 70 fois — les 30 autres, le modèle retourne autre chose, hallucine des valeurs, ou ajoute du prose autour du JSON. C'est inutilisable en prod.
@prompt-engineer identifie les manques (pas de format strict, pas d'exemple, pas de gestion "champ manquant") et réécrit pour fiabilité.
Comment il bosse
- Lit ton prompt + idéalement quelques exemples de bad outputs.
- Diagnostique : rôle clair ? task explicite ? format de sortie spécifié ? exemples ? failure mode géré ?
- Réécrit avec : role priming, methodology numérotée, output schema exact, negative space (ce qu'il ne faut PAS faire), few-shot examples, self-check.
- Propose des tests à lancer pour valider le rewrite.
Exemple concret
Tu tapes
›@prompt-engineer ce prompt rate 30% du temps : "Tu es un assistant qui extrait les données d'une facture. Voici la facture : [texte]. Donne-moi le vendor, la date, et le total." Améliore-le.
Tu obtiens
## Diagnostic
- Pas de format strict → improvisation
- Pas d'exemple → modèle devine ton intent
- Pas de gestion "champ manquant" → hallucination
## Rewrite
You are an invoice data extractor. Output STRICT JSON, nothing else.
<output_format>
{"vendor":"string|null","date":"YYYY-MM-DD|null","total":"number|null"}
</output_format>
<rules>
- If a field is not clearly present, output null. Never guess.
- Date format: YYYY-MM-DD. "15/03/2026" → "2026-03-15".
- Total: numeric only, no currency. Period as decimal separator.
- Output JSON only. No prose, no markdown fences.
</rules>
<example>
Input: "Invoice from ACME Corp, March 15 2026, $1,234.56"
Output: {"vendor":"ACME Corp","date":"2026-03-15","total":1234.56}
</example>
Pourquoi tu vas l'aimer
Format strict
Schema JSON ou XML attendu. Le modèle ne dérive pas dans le prose libre.
Few-shot examples
Au moins un input/output. Le modèle apprend mieux par mimétisme que par description.
Gestion failure
"Si tu ne peux pas répondre, output null / error". Plus d'hallucination.
Tests inclus
Propose des cas de test (happy + edge + adversarial) à lancer après le rewrite.
Quand l'utiliser
✅ Idéal pour
- Prompt LLM qui rate > 10% du temps en prod
- Output qui dérive dans le prose au lieu du format attendu
- Modèle qui hallucine quand l'input est incomplet
- Migration GPT → Claude (style différent)
⚠️ Pas adapté quand
- Tu veux créer un agent Claude Code → c'est un autre format
- Tu veux fine-tuner un modèle — pas son but, c'est du prompt only
Combine avec ces agents
Questions fréquentes
Tune-t-il pour un modèle spécifique ?
Oui. Claude aime la structure (sections XML-style tags), GPT-4 aime les examples, les modèles plus petits ont besoin de plus de contraintes explicites. Précise le modèle dans ta demande.