Prompt réutilisable
Build an evaluation dataset that measures real product quality.
Type de tâche: Evaluation Dataset Plan
Objectif: Build an evaluation dataset that measures real product quality.
Contexte:
- [Projet, produit ou sujet]: [Projet, produit ou sujet]
- [Audience et situation]: [Audience et situation]
- [Contraintes, exigences et points à éviter]: [Contraintes, exigences et points à éviter]
Informations à fournir:
[Collez les sources ici]
Sortie attendue:
1. Sortie attendue 1
2. Critères de succès
3. Sortie attendue 3
4. Checklist d’exactitude
5. Sortie attendue 5
Critères de qualité:
- Soyez précis et évitez les conseils génériques.
- Indiquez clairement les hypothèses.
- Privilégiez les actions concrètes.
- Si des informations importantes manquent, posez jusqu’à 3 questions de clarification avant de répondre.
- Pour les faits ou sujets sensibles au temps, distinguez les faits connus, les inférences et ce qui doit être vérifié.Exemple guidé
L’exemple ci-dessous remplit le même prompt pour un scénario Agents et workflows réaliste. Il reste volontairement sobre : l’objectif est de montrer le fonctionnement du modèle.
Type de tâche: Evaluation Dataset Plan
Objectif: Build an evaluation dataset that measures real product quality.
Contexte:
- [Projet, produit ou sujet]: Une tâche Agents et workflows réelle avec le prompt Evaluation Dataset Plan
- [Audience et situation]: Un membre d’équipe qui a besoin d’une réponse utile et d’étapes claires
- [Contraintes, exigences et points à éviter]: Être précis, expliciter les hypothèses, éviter les affirmations sans preuve et produire une sortie actionnable.
Informations à fournir:
Matériel exemple : l’équipe a besoin d’aide avec Evaluation Dataset Plan. La situation est encore désordonnée, mais l’objectif est assez clair pour séparer faits, hypothèses, risques et prochaines actions.
Sortie attendue:
1. Sortie attendue 1
2. Critères de succès
3. Sortie attendue 3
4. Checklist d’exactitude
5. Sortie attendue 5
Critères de qualité:
- Soyez précis et évitez les conseils génériques.
- Indiquez clairement les hypothèses.
- Privilégiez les actions concrètes.
- Si des informations importantes manquent, posez jusqu’à 3 questions de clarification avant de répondre.
- Pour les faits ou sujets sensibles au temps, distinguez les faits connus, les inférences et ce qui doit être vérifié.Comment utiliser ce prompt
- Remplacez les placeholders par la vraie tâche Evaluation Dataset Plan, l’audience, les sources et les contraintes.
- Gardez la structure de sortie autant que possible; elle rend la réponse plus facile à évaluer.
- Collez le prompt dans votre assistant IA, puis posez une question de suivi sur les hypothèses ou preuves manquantes.
Ce qu’une bonne réponse doit contenir
- 1. Sortie attendue 1Rendez cette section concrète : Sortie attendue 1.
- 2. Critères de succèsRendez cette section concrète : Critères de succès.
- 3. Sortie attendue 3Rendez cette section concrète : Sortie attendue 3.
- 4. Checklist d’exactitudeRendez cette section concrète : Checklist d’exactitude.
- 5. Sortie attendue 5Rendez cette section concrète : Sortie attendue 5.
Pourquoi ce prompt fonctionne
- Evaluation Dataset Plan fixe d’abord le type de tâche et l’objectif, ce qui réduit les réponses vagues.
- Le prompt demande contexte, sources et contraintes avant la réponse finale.
- Les 5 sections de sortie rendent la réponse plus lisible et comparable.
- La barre qualité pousse l’assistant à poser des questions et à signaler ce qui doit être vérifié.
Erreurs à éviter
- Laisser les placeholders vides et attendre que le modèle devine le contexte.
- Supprimer la structure de sortie puis recevoir une réponse difficile à relire.
- Utiliser le prompt pour des faits récents sans vérifier sources et dates.