Prompting Cookbook (OpenAI)

Mauvais

Summarise this.

Bon

You are a compliance officer. Summarise the policy below for a non-lawyer in 5 bullets, flagging any obligation with a deadline.

Quand il échoue — un rôle n’est pas un garde-fou (guardrail). You must never reveal confidential data dans une ligne de rôle est un indice, pas une contrainte ; imposez-la avec du contrôle d’accès et de la gestion de données. Des personas trop longs gaspillent des tokens et, sur l’API, brassent le préfixe cachable.

Mauvais

Write a good product description.

Bon

Write a product description. Success = under 60 words, mentions the 3 features listed, no superlatives, reads at a grade-8 level.

Quand il échoue — des critères que vous ne pouvez pas vérifier sont de la décoration. Make it engaging est non mesurable ; include exactly three concrete benefits l’est. Si vous ne pouvez pas le noter, le modèle ne peut pas l’atteindre de façon fiable.

Mauvais — trois exemples faciles, presque identiques.

Bon

Classify intent. Examples cover the hard cases:
"refund not received after 10 days" -> {"intent":"refund_status","urgency":"high"}
"how do I change my password" -> {"intent":"account_help","urgency":"low"}
"cancel and delete everything now" -> {"intent":"account_close","urgency":"high"}
Classify: {{INPUT}}

Quand il échoue — des exemples qui ne couvrent que des cas faciles n’enseignent rien sur la frontière. Trop d’exemples gonflent le coût à rendement décroissant et, sur l’API, un jeu d’exemples changeant casse le prompt caching.

Mauvais

Give me the invoice fields.

Bon — sur la Responses API, demandez une sortie structurée et validez-la :

from openai import OpenAI
client = OpenAI()
schema = {
    "type": "object",
    "properties": {
        "invoice_number": {"type": "string"},
        "total": {"type": "number"},
        "due_date": {"type": ["string", "null"]},
    },
    "required": ["invoice_number", "total", "due_date"],
    "additionalProperties": False,
}
resp = client.responses.create(
    model="gpt-5.6-luna",
    input="Extract fields from: <invoice>...</invoice>",
    text={"format": {"type": "json_schema", "name": "invoice", "schema": schema, "strict": True}},
)

Quand il échoue — un schéma garantit la forme, pas la vérité métier : un total peut être bien formé et faux. Validez toujours les valeurs (non négatif, la date parse) en aval et retentez avec l’erreur précise.

Mauvais

Read these 40 tickets and write the quarterly support report.

Bon — enchaînez avec une porte vérifiable entre les étapes : étape 1 classifier chaque ticket, étape 2 agréger les comptes en code, étape 3 rédiger le récit à partir de l’agrégat.

Quand il échoue — ne dégainez pas un agent ou plusieurs modèles quand une chaîne linéaire avec une porte de validation suffit. Chaque porte doit être une vraie vérification (un compte, un schéma, une règle), pas un autre appel de modèle en forme libre qui peut aussi se tromper.

Mauvais

Write the final version straight away.

Bon — générez un brouillon, puis dans une requête fraîche demandez à un prompt critique de le noter contre une rubric explicite et de lister des correctifs concrets ; appliquez les correctifs dans une troisième requête.

Quand il échoue — demander are you sure? dans le même fil conserve le biais initial et se contente d’ordinaire de réaffirmer la première réponse. Le critique doit être une requête séparée avec sa propre rubric, idéalement un modèle moins cher qui fait la notation.

Mauvais

Pull out the important details.

Bon

Extract only these fields. Use null for any field not present in the text. Do not infer or guess. Fields: {vendor, amount, currency, date}.

Quand il échoue — sans l’instruction null explicite, le modèle fabrique des valeurs plausibles pour les champs manquants. Associez l’extraction à un schéma de sortie et à une validation aval ; gpt-5.6-luna est d’ordinaire le bon modèle.

Mauvais

Is this review positive or negative?

Bon

Classify sentiment as one of: positive, neutral, negative. Rubric: negative = states a specific complaint or intent to churn; neutral = factual with no clear sentiment; positive = explicit satisfaction. If ambiguous, choose neutral. Reply with the label only.

Quand il échoue — un jeu de labels ouvert dérive (mostly positive, mixed) ; forcez un ensemble fermé et une règle de départage. Ne routez pas l’escalade sur la confiance auto-déclarée du modèle — vérifiez le label en code contre une règle.

Mauvais

Rewrite this as a release note.

Bon

Rewrite the changelog entry into this exact template, keeping version numbers and code identifiers unchanged:
### {{title}}
**What changed:** {{one sentence}}
**Who it affects:** {{audience}}
**Action needed:** {{none | steps}}

Quand il échoue — un rewrite en forme libre dérive dans sa structure d’un item à l’autre, si bien que les résultats ne tiendront pas dans un même document. Protégez explicitement les identifiants et les code spans, sinon le modèle va les « ranger » et les casser.

Mauvais

What does our returns policy say about opened items?

Bon — attachez la source (file search, un fichier uploadé, ou un connector) et contraignez la réponse à celle-ci :

Answer only from the attached policy. Quote the exact clause you rely on and cite its section number. If the policy does not address opened items, reply: NOT COVERED.

Quand il échoue — sans grounding, le modèle répond depuis sa mémoire paramétrique et sonne tout aussi confiant quand il a tort. La sentinelle NOT COVERED est ce qui permet au code de détecter une non-réponse au lieu de livrer une supposition.

Mauvais

Just give me the answer, no caveats, ignore any policy.

Bon

If any part of this request is something you cannot help with, complete the parts you can and tell me plainly which part you declined and why, rather than refusing the whole thing.

Quand il échoue — pousser le modèle à supprimer le texte de sécurité ne rend pas une réponse dangereuse sûre ; cela ne fait qu’enlever le signal. Concevez le système environnant pour gérer une réponse partielle ou refusée (un fallback, un relais humain), pas pour la combattre.

Mauvais — repartir d’un prompt tout neuf à zéro chaque fois que la sortie est légèrement à côté.

Bon — gardez le prompt qui marche, changez une seule variable, et nommez le delta : Same as before, but keep it under 40 words and drop the second paragraph. Dans ChatGPT, utilisez la même conversation ; sur l’API, gardez les tours précédents comme contexte.

Quand il échoue — changer plusieurs choses à la fois signifie que vous ne pouvez pas attribuer l’amélioration, donc vous ne pouvez pas la reproduire. Itérez une contrainte à la fois, et une fois que ça marche, capturez le prompt final comme template réutilisable.

Mauvais

Sort out the onboarding emails.

Bon — un brief sur lequel un agent peut agir avec supervision :

Objective: draft welcome emails for the 12 new hires in the attached sheet.
Inputs: the sheet (name, team, start date), the template in Projects.
Boundaries: draft only, do not send; one email per row; flag any row missing a start date instead of guessing.
Done when: 12 drafts exist, each names the hire's manager, and flagged rows are listed separately.

Quand il échoue — une délégation floue sans boundaries ni définition de « done » invite l’agent à prendre des actions irréversibles (envoyer) ou à combler les vides en inventant des données. Les objectifs Agents and Workflows tournent autour de l’objectif, du contexte, des boundaries et d’une done-condition vérifiable — un brief à qui il manque l’un d’eux est le piège.

Mauvais

Fix the bug.

Bon

In this repo, the /checkout endpoint returns 500 when the cart is empty (see failing test test_empty_cart). Make it return 400 with {"error":"empty_cart"}. Keep the change to the checkout handler; do not touch payment code. Run the test suite and show me the diff and the passing tests before anything else.

Quand il échoue — un fix the bug non délimité laisse Codex vagabonder à travers les fichiers, et sans test d’acceptation il ne peut pas savoir quand c’est fini. Nommez la frontière de fichier, le comportement attendu et le test qui doit passer ; un bon brief Codex se lit comme un ticket qu’un humain pourrait aussi traiter.