L'écosystème de l'IA générative est en ébullition constante. Entre les nouvelles versions de Gemini, les modèles Llama de Meta et les innovations stupéfiantes comme Phi-4 de Microsoft, il devient difficile de s'y retrouver. Chaque modèle a ses forces, mais la vraie question pour nous, développeurs et ingénieurs, est : comment choisir le bon outil et la bonne approche pour un problème donné ?

C'est précisément la question à laquelle répond le développeur Indy Dev Dan dans une vidéo éclairante sur sa chaîne YouTube. Il y présente un framework mental simple mais puissant pour catégoriser n'importe quel cas d'usage des grands modèles de langage (LLM). Loin d'être une simple taxonomie, ce cadre de pensée est un véritable outil pour accélérer, simplifier et structurer notre travail avec l'IA.

Cet article reprend les concepts clés de son framework pour vous aider à y voir plus clair dans la jungle des LLMs.

Le Framework : 6 catégories pour penser vos prompts

L'idée centrale de Indy Dev Dan est de regrouper tous les prompts en six catégories distinctes. Chaque catégorie répond à un besoin différent, implique des structures de prompt spécifiques et nécessite un outillage adapté.

1. Expansion : de la concision à la richesse de contenu

C'est probablement le cas d'usage le plus connu. On part d'une idée courte, d'un mot-clé ou d'une question, et on demande au LLM de générer un contenu beaucoup plus long et détaillé.

• Cas d'usage : Génération de contenu (articles, emails), brainstorming, écriture de documentation, explication de concepts complexes, génération de code.
• Exemple :

  Rédige l'introduction d'un article de blog sur l'impact de l'IA sur le développement logiciel.

2. Compression : distiller l'essentiel

À l'opposé de l'expansion, la compression consiste à prendre une grande quantité d'informations (un article, une transcription, un rapport de recherche) et à la réduire à son essence.

• Cas d'usage : Résumé de texte, extraction des points clés d'une réunion, création de synthèses.
• Exemple :

  Résume en trois points clés ce communiqué de presse sur la sortie de Gemini 2.0 Flash.

3. Conversion : traduire d'un format à l'autre

Ici, l'information de base reste la même, mais son format est transformé. C'est une tâche où les LLMs excellent, car ils ont intériorisé la "grammaire" de nombreux langages et formats.

• Cas d'usage : Traduction de langage (français vers anglais), conversion de code (TypeScript vers Python), génération de requêtes (langage naturel vers SQL).
• Exemple :

  À partir d'un schéma de table SQL customers, traduire la demande Montre tous les clients et leurs dépenses totales des 7 derniers jours en une requête SQL valide.

4. Seeker (le chercheur) : trouver l'aiguille dans la botte de foin

Cette catégorie se concentre sur l'extraction d'une information spécifique et précise au sein d'un large volume de données. Contrairement à la compression qui résume, le Seeker cherche une réponse factuelle unique. C'est le cœur des systèmes de RAG (Retrieval-Augmented Generation).

• Cas d'usage : Question/Réponse sur une base de code, bots de support client, recherche dans des documents, extraction d'entités.
• Exemple :

  Dans un rapport de ventes, répondre à la question : Quel a été le produit le plus performant au troisième trimestre (Q3) ?

5. Action : quand le LLM devient acteur

Les prompts d'action sont ceux qui déclenchent une opération concrète avec un effet dans le monde réel. Ils sont le pont entre le langage et l'exécution de commandes.

• Cas d'usage : Tool Calling (appel de fonctions ou d'APIs), génération de commandes shell, automatisation de tâches.
• Exemple :

  Génère les commandes Git nécessaires pour créer une nouvelle branche, y ajouter tous mes fichiers, créer un commit avec le message "feat: add new feature" et la pousser sur le remote.

6. Reasoning (le raisonnement) : De l'information à la décision

C'est la catégorie la plus avancée. Elle ne se contente pas de manipuler l'information, elle l'utilise pour émettre un jugement, évaluer des options, et fournir une recommandation. Le LLM ne donne pas une "bonne" réponse, mais un avis éclairé basé sur le contexte fourni.

• Cas d'usage : Prise de décision, planification stratégique, analyse de risques, systèmes de recommandation.
• Exemple :

  Évalue ces trois approches pour implémenter l'authentification utilisateur dans une web-app (JWT custom, OAuth 2.0, Firebase Auth) et recommande la meilleure option pour une petite équipe qui a besoin d'aller vite.

Pourquoi ce framework est un accélérateur de projet ?

Adopter cette structure présente plusieurs avantages immédiats :

1. Simplifier le Prompt Engineering : En identifiant la catégorie de votre besoin, vous savez déjà quel type de structure de prompt et quelles informations de contexte sont nécessaires.
2. Guider le choix des outils : Un prompt Seeker nécessitera probablement une pipeline RAG avec une base de données vectorielle. Un prompt Action exigera une gestion sécurisée des appels d'outils. Un prompt d'expansion, lui, peut se contenter d'un appel API simple.
3. Faciliter les benchmarks : On n'évalue pas le succès d'un résumé (Compression) de la même manière qu'une requête SQL (Conversion). Ce cadre permet de créer des métriques de succès réutilisables et pertinentes pour chaque famille de problèmes.
4. Concevoir des Agents IA : C'est le point le plus puissant. Les workflows d'agents autonomes sont en réalité des chaînes de prompts issus de ces différentes catégories.

Au-delà du Prompt : vers des agents IA autonomes

La véritable magie opère lorsque l'on combine ces catégories. Un agent intelligent pourrait suivre ce workflow :

• Seeker : Chercher dans la base de données les informations d'un client qui n'a pas commandé depuis 90 jours.
• Reasoning : Analyser son historique d'achat et décider quel produit serait le plus pertinent à lui proposer en promotion.
• Expansion : Rédiger un email personnalisé et engageant proposant ce produit.
• Action : Appeler une API (comme Resend ou Mailgun) pour envoyer l'email.

Conclusion

Le framework proposé par Indy Dev Dan apporte de l'ordre et de la méthode dans un domaine qui peut sembler chaotique. En classifiant nos besoins en Expansion, Compression, Conversion, Seeker, Action et Reasoning, nous pouvons non seulement travailler plus vite, mais aussi construire des systèmes plus robustes, plus fiables et, à terme, plus intelligents.

C'est une grille de lecture essentielle pour quiconque souhaite passer de l'expérimentation à la production avec les IA génératives.

Références

• Vidéo originale : A Simple Framework For ALL LLM Use Cases
• Auteur : Indy Dev Dan

Si vous souhaitez une application mobile pour booster votre entreprise, n’hésitez pas à nous contacter et parlons-en ensemble. 😊