mega-prompt-builder

name	mega-prompt-builder
description	Construit un mega-prompt complet et structuré à partir d'un objectif simple. À utiliser quand l'utilisateur veut créer un prompt complexe et puissant de zéro. Se déclenche aussi avec "crée un prompt pour", "mega prompt", "prompt complet", "construis un prompt", "super prompt", ou toute demande de création de prompt élaboré. Also triggers on "build a full prompt", "write a prompt for me".

Mega-Prompt Builder

Workflow

Étape 1 — Recueil des paramètres

Avant d'écrire quoi que ce soit, extraire :

Paramètre	Question clé
LLM cible	GPT-4o, Claude 3.x, Gemini, local ?
Objectif principal	Une seule phrase : "Le LLM doit…"
Audience finale	Qui lit la sortie (dev, client, outil automatisé) ?
Format de sortie	JSON, Markdown, texte libre, bullet list…
Ton	Expert, pédagogique, neutre, concis ?
Contraintes dures	Longueur max, langue, ce qui est interdit
Réutilisabilité	Prompt one-shot ou template avec variables ?

Si plusieurs paramètres sont ambigus, poser les questions groupées en une seule fois.

---

Étape 2 — Choix de l'architecture

Sélectionner les blocs selon le besoin :

[RÔLE]        — Persona du LLM (expert, outil, agent…)
[CONTEXTE]    — Background nécessaire à la tâche
[OBJECTIF]    — Tâche principale en 1-2 phrases
[INSTRUCTIONS]— Étapes numérotées, ordre chronologique
[FORMAT]      — Structure exacte de la sortie
[EXEMPLES]    — Few-shot : 1-3 paires input → output
[CONTRAINTES] — Ce qu'il ne faut PAS faire (liste)
[QUALITÉ]     — Critères de succès mesurables
[VARIABLES]   — {{placeholders}} pour la réutilisation

Critères de décision — quand inclure chaque bloc :

• [RÔLE] : toujours, sauf prompts ultra-courts (< 3 lignes)
• [EXEMPLES] : dès que le format attendu est non trivial ou que le ton est très précis
• [CONTRAINTES] : dès qu'il y a un risque de dérive (hallucinations, hors-sujet, verbosité)
• [VARIABLES] : si le prompt sera utilisé > 1 fois avec des inputs variables
• [QUALITÉ] : si le prompt sera évalué automatiquement (CI, eval harness)

---

Étape 3 — Rédaction du mega-prompt

Rédiger le prompt complet, prêt à copier-coller. Exemple de structure :

# [RÔLE]
Tu es un expert en analyse de code Python spécialisé en performance et sécurité.

# [CONTEXTE]
L'utilisateur te soumet un extrait de code Python issu d'une API REST.
Les environnements cibles sont Python 3.11+ et déploiement serverless.

# [OBJECTIF]
Analyser le code soumis et produire un rapport de revue structuré.

# [INSTRUCTIONS]
1. Identifier les problèmes de performance (O(n²), I/O bloquant, etc.)
2. Signaler les vulnérabilités OWASP Top 10 pertinentes
3. Proposer une version corrigée du code avec commentaires inline
4. Donner un score de qualité global sur 10 avec justification

# [FORMAT]
## Problèmes détectés
- [PERF|SEC|STYLE] Description — ligne X

## Code corrigé
```python
...code...

Score qualité : X/10

Justification : ...

[CONTRAINTES]

• Ne pas réécrire intégralement si le code est fonctionnel à > 80%
• Ne pas mentionner de bibliothèques non disponibles en serverless standard
• Répondre uniquement en français

[QUALITÉ]

• Chaque problème cite le numéro de ligne
• Le code corrigé est exécutable sans modification
• Le score est justifié en 2-3 phrases

[VARIABLES]

CODE = {{code_python}}

---

### Étape 4 — Version template avec placeholders

Fournir systématiquement une version avec `{{variables}}` pour la réutilisation :

```python
# Exemple d'usage programmatique (Python)
template = open("prompt.md").read()
prompt = template.replace("{{code_python}}", code_to_review)
response = client.messages.create(model="claude-opus-4-5", messages=[{"role": "user", "content": prompt}])

# Substitution simple en shell
sed 's/{{code_python}}/'"$(cat myfile.py)"'/g' prompt.md | pbcopy

---

Étape 5 — Guide d'utilisation

Livrer systématiquement avec le prompt :

1. Variables à remplir : liste avec format attendu pour chaque {{placeholder}}
2. Paramètres LLM recommandés : temperature (0.0–0.3 pour tâches factuelles, 0.7–1.0 pour créatif), max_tokens
3. Test rapide : un exemple d'input minimal pour vérifier que le prompt fonctionne
4. Points d'adaptation : quelles sections modifier selon le contexte

---

Anti-patterns et garde-fous

Ce qu'il ne faut PAS faire

Anti-pattern	Problème	Correction
Instructions contradictoires	Le LLM choisit arbitrairement	Revoir la logique, une seule règle par cas
Surcontraindre sans exemples	Résultat trop rigide ou mauvais	Ajouter 1-2 few-shot examples
Prompt > 4 000 tokens sans nécessité	Coût élevé, distraction du modèle	Découper en prompts chaînés
[RÔLE] vague ("Tu es un assistant utile")	Aucun guidage de comportement	Préciser domaine + niveau d'expertise
Instructions en langage naturel flou	Interprétations variables	Utiliser des listes numérotées + mots-clés
Mélanger langue FR/EN dans les instructions	Confusion du modèle	Choisir une langue, termes techniques EN OK
Pas de [CONTRAINTES]	Dérives, hallucinations, verbosité	Toujours lister 3-5 interdits explicites

Pièges spécifiques 2025-2026

• Context window : Claude 3.x / GPT-4o supportent 128k–200k tokens, mais la précision décline au-delà de 50k tokens d'input ; éviter de coller des fichiers entiers si non nécessaire.
• System vs User prompt : les instructions de comportement stables vont dans le system prompt, le contenu variable dans le user prompt.
• Few-shot ordering : placer les exemples les plus représentatifs en dernier (effet de récence).
• JSON mode : si la sortie doit être du JSON strict, activer le mode response_format: {type: "json_object"} côté API plutôt que de l'imposer via le prompt seul.
• Prompt injection : si des données externes (fichiers, web) sont injectées, isoler avec des balises claires : <user_data>...</user_data>.

---

Bonnes pratiques 2026

• Versionner les prompts comme du code : fichier .md ou .txt dans le repo, changelog.
• Eval avant déploiement : tester sur ≥ 10 exemples représentatifs avant usage en production.
• Prompt court + RAG > prompt long : injecter uniquement le contexte pertinent via retrieval plutôt que tout coller.
• Séparation des responsabilités : un prompt = une tâche. Chaîner pour les pipelines complexes.
• Commentaires dans le prompt : les LLM modernes ignorent les commentaires HTML <!-- --> ; utiliser pour documenter sans affecter la sortie.