KERNEL en cinq minutes : pourquoi un bon prompt ressemble étrangement à une spécification technique

L'auteur explique KERNEL, un framework communautaire pour écrire des prompts, à sa mère en cinq minutes, réalisant que cela ressemble à une spécification technique. KERNEL signifie Keep it simple, Easy to verify, Reproducible results, Narrow scope, Explicit constraints, et Logical structure. Le framework a été créé par un auteur qui a analysé plus de mille prompts et affirme que le taux de réussite du premier essai est passé de 72 % à 94 %, que l'utilisation de tokens a chuté de 58 % et que le temps pour obtenir un résultat utile a diminué de 67 %, bien que l'auteur de cet article soit sceptique quant à ces chiffres sans méthodologie publiée. L'article note que les bons prompts ressemblent souvent à des tâches techniques bien rédigées, et que même si des techniques comme « pensez étape par étape » peuvent aider, les modèles de raisonnement modernes gèrent déjà cela en interne. La lettre la plus controversée est R pour Reproducible results, que l'auteur réinterprète non pas comme des sorties identiques mais comme des exigences reproductibles, permettant la comparaison entre versions de modèles et prompts. En production, les prompts seuls ne suffisent pas ; il faut des évaluations (tests prédéfinis) pour mesurer le comportement du modèle, et une partie de la logique du prompt (comme l'imposition de la structure JSON) est mieux déplacée dans le code via des schémas. Le choix du modèle compte également : différents LLM performent différemment sur le même prompt, donc comparer les modèles sur des critères spécifiques est essentiel. L'auteur utilise SYNTX.AI pour exécuter plusieurs LLM à partir d'un même espace, et l'article conclut que KERNEL reste utile comme liste de contrôle rapide, mais que les systèmes LLM réels nécessitent une ingénierie contextuelle, incluant RAG, utilisation d'outils et gestion d'état. La pièce se termine par une note promotionnelle pour SYNTX.AI et un code promo.