---
title: "Few-Shot Prompting pour des sorties d'agents IA robustes"
description: "Le few-shot prompting désigne la technique qui consiste à fournir à un agent IA, dans le prompt, quelques exemples (généralement 2 à 5) d'entrées et de sorties correctes, afin qu'il reprenne le for…"
locale: "fr"
canonical: "https://blckalpaca.at/fr/base-de-connaissances/agents-ia/prompt-engineering-pour-agents-ia/few-shot-prompting-pour-des-sorties-dagents-ia-robustes"
category: "Agents IA"
topic: "Prompt engineering pour agents IA"
updated: "2026-10-28T13:26:31.877Z"
source: "Blck Alpaca e.U., blckalpaca.at"
---

# Few-Shot Prompting pour des sorties d'agents IA robustes

Le few-shot prompting désigne la technique qui consiste à fournir à un agent IA, dans le prompt, quelques exemples (généralement 2 à 5) d'entrées et de sorties correctes, afin qu'il reprenne le format, le style et la logique d'une tâche par in-context learning, sans réentraîner le modèle. Le format de sortie et les appels d'outils gagnent ainsi nettement en fiabilité.

## L’essentiel

- Le few-shot prompting pilote les agents grâce à 2 à 5 exemples canoniques placés dans le contexte, et non par l'entraînement du modèle. C'est une brique du context engineering, pas une méthode à part à côté du prompt engineering.
- La représentativité et la diversité l'emportent sur la quantité : des exemples contradictoires ou dupliqués poussent le modèle à copier l'exemple le plus proche. L'objectif, ce sont des cas diversifiés et canoniques.
- Pour le tool calling, il existe des mécanismes dédiés : depuis novembre 2025, Anthropic prend en charge un champ input_examples par définition d'outil et recommande 1 à 5 appels d'exemple. Cela stabilise en particulier les paramètres imbriqués ou optionnels.
- Lorsque le respect du format à 100 % est impératif, le décodage contraint par schéma (OpenAI Structured Outputs, GA depuis août 2024) remplace l'heuristique few-shot pour la structure proprement dite. Le few-shot reste pertinent pour le style et la logique.
- Zero-shot pour les tâches simples, few-shot pour fiabiliser le format et les appels d'outils, fine-tuning seulement en cas de volume très élevé ou de contrainte de latence. En allemand, le coût en tokens des exemples augmente de 30 à 50 %.
- Les exemples ne sont pas gratuits : ils coûtent des tokens à chaque appel et favorisent le surapprentissage. Les blocs d'exemples stables doivent figurer dans le préfixe du prompt, qui peut être mis en cache (lectures de cache à environ 10 % du prix standard, chiffres 2026).

Le few-shot prompting désigne la technique qui consiste à fournir à un [agent IA](https://blckalpaca.at/fr/glossaire/agent-ia-ai-agent), dans le [prompt](https://blckalpaca.at/fr/glossaire/prompt), quelques exemples d'entrées et de sorties correctes, afin qu'il reprenne le format, le style et la logique d'une tâche par in-context learning, sans réentraîner le modèle. Au lieu de décrire le comportement en prose, montre-le : deux à cinq cas représentatifs sur lesquels le modèle s'aligne pour le prochain tour d'inférence. Pour des agents prêts pour la production, le few-shot n'a rien d'un gadget : c'est l'un des leviers les plus efficaces pour obtenir des formats de sortie fiables et des [appels d'outils](https://blckalpaca.at/fr/base-de-connaissances/agents-ia/quest-ce-quun-agent-ia/tool-calling-comment-les-agents-ia-utilisent-des-outils) corrects.

- **Combien :** Deux à cinq exemples pour la sortie générale, un à trois appels canoniques par outil. En ajouter davantage aide rarement de façon linéaire.
- **Lesquels :** Des cas diversifiés et représentatifs, sans doublons ni contradictions. La qualité et la couverture l'emportent sur la quantité.
- **Quand s'en passer :** Pour des tâches zero-shot simples ou lorsqu'un respect du format à 100 % est exigé ; dans ce cas, le décodage contraint par schéma est supérieur.

## Le few-shot en contexte : une brique du context engineering

Le few-shot prompting n'est pas une méthode autonome à côté du prompt engineering, mais une sous-discipline du [context engineering](https://blckalpaca.at/fr/base-de-connaissances/agents-ia/prompt-engineering-pour-agents-ia/prompts-systeme-pour-agents-12-design-patterns-pour-concevoir-des-prompts-system). Andrej Karpathy cite explicitement les « few-shot examples » parmi les briques scientifiques qui servent à remplir la fenêtre de contexte pour l'étape suivante, aux côtés des descriptions de tâches, du [RAG](https://blckalpaca.at/fr/glossaire/rag), des outils et de l'état. Le modèle mental pour les agents est donc le suivant : les exemples font partie du substrat de tokens que le modèle voit à chaque tour, ce ne sont pas des instructions données une fois pour toutes.

Ce positionnement a des conséquences pratiques. Les exemples sont en concurrence avec tout le reste pour le budget d'attention et l'espace en tokens. Quiconque utilise le few-shot doit le considérer dans le cadre du budget de contexte, et non isolément.

### Zero-Shot, Few-Shot, One-Shot

- **Zero-Shot :** Uniquement la description de la tâche, sans exemples. Rapide, peu coûteux, idéal pour les tâches simples ou évidentes.
- **One-Shot :** Exactement un exemple. Utile pour ancrer un format sans ambiguïté, sans grosse charge en tokens.
- **Few-Shot :** Plusieurs exemples couvrant les variantes et les cas limites. La norme pour les sorties d'agents où le format et la logique sont critiques.

## Sélection et représentativité : le vrai travail d'ingénierie

L'erreur la plus fréquente n'est pas le mauvais nombre, mais la mauvaise sélection. Un anti-pattern typique dans les system prompts : plusieurs exemples contradictoires poussent le modèle à copier le plus proche. La correction : des exemples diversifiés et canoniques, sans doublons. Dans son [guide sur le context engineering](https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents) de septembre 2025, Anthropic recommande également des exemples diversifiés et canoniques plutôt que d'inscrire chaque règle dans le prompt sous forme de longue liste de cas limites.

Concrètement, une sélection représentative signifie :

- **Couvrir les variantes,** et non le même cas trois fois avec de légères modifications. Si un [agent](https://blckalpaca.at/fr/glossaire/agent) traite des factures, des avoirs et des annulations, il faut un exemple de chaque, pas trois factures.
- **Montrer délibérément des cas limites,** par exemple un cas où des champs obligatoires manquent, avec la bonne réaction. Les exemples enseignent aussi le comportement face à l'ambiguïté.
- **Un format cohérent dans tous les exemples.** Une dérive de format entre les exemples est un poison : le modèle reproduit l'incohérence.
- **Pas de signaux contradictoires.** Si l'exemple A omet un champ et que l'exemple B le remplit sans que la différence soit explicable, le modèle devine.

## Impact sur le tool calling et la fiabilité des sorties

C'est ici que le few-shot rapporte le plus. Pour la [définition des outils](https://blckalpaca.at/fr/base-de-connaissances/agents-ia/model-context-protocol-mcp/mcp-vs-api-quand-choisir-mcp-ou-openapi), Anthropic a introduit en novembre 2025 les [Tool Use Examples](https://www.anthropic.com/engineering/advanced-tool-use) : un champ `input_examples` qui fournit des appels d'exemple directement à côté du schéma. Anthropic recommande 1 à 5 exemples réalistes par outil ; lors de tests internes, la précision sur les paramètres complexes est ainsi passée de 72 à 90 %. Sans exemples, le modèle devine pour les paramètres imbriqués ou optionnels. En règle générale, un à trois appels canoniques par outil suffisent, car chaque exemple coûte des tokens. Le lien avec la fiabilité du choix d'outil est étroit : dans le même article, Anthropic indique que le Tool Search Tool, sur de grandes bibliothèques d'outils, fait passer la précision de sélection d'outils dans des évaluations [MCP](https://blckalpaca.at/fr/glossaire/mcp) internes de 49 à 74 % sur Opus 4 et de 79,5 à 88,1 % sur Opus 4.5. De bons exemples dans la description de l'outil relèvent de la même discipline.

Pour la sortie finale, une distinction importante s'impose. Lorsque des structures lisibles par machine sont impératives, le few-shot seul ne suffit pas. [OpenAI Structured Outputs](https://blckalpaca.at/fr/base-de-connaissances/agents-ia/quest-ce-quun-llm-les-fondamentaux-pour-les-agents-ia/structured-output-des-llm-avec-json-schema-des-reponses-fiables) (GA depuis août 2024, pour [GPT](https://blckalpaca.at/fr/glossaire/gpt)-4o-2024-08-06 et les versions suivantes) impose, par décodage contraint au niveau des tokens, une adhérence au schéma documentée à 100 %. Anthropic a suivi en novembre 2025 : les [Structured Outputs pour Claude](https://claude.com/blog/structured-outputs-on-the-claude-developer-platform) ont démarré en bêta et sont en disponibilité générale depuis février 2026. Les sorties JSON passent par `output_config.format`, les appels d'outils par [Strict Tool Use](https://platform.claude.com/docs/en/agents-and-tools/tool-use/strict-tool-use) avec `strict: true`, les deux par décodage contraint. L'ancien contournement, forcer l'usage d'un outil avec un pseudo-outil comme `return_structured_result`, ne garantit pas le respect du schéma sans `strict` : selon la documentation d'Anthropic, Claude peut alors renvoyer des types incorrects ou omettre des champs obligatoires. La bonne répartition des rôles en 2026 : l'application du schéma garantit la structure, le few-shot façonne le style, le choix des mots, la logique et le traitement des cas limites qu'aucun schéma ne capture.

| Méthode | Objectif | Respect du format | Effort / coût |
| --- | --- | --- | --- |
| Zero-Shot | Tâches simples, format évident | Variable | Minimal |
| Few-Shot (2-5 exemples) | Stabiliser le style, la logique et les appels d'outils | Élevé, non garanti | Tokens par appel, itérable |
| Structured Outputs / Strict Tool Use | Structure JSON impérative | Garanti par le schéma (sauf refus, max\_tokens) | Maintenance du schéma, faible latence |
| [Fine-Tuning](https://blckalpaca.at/fr/glossaire/fine-tuning) | Volume très élevé, contrainte de latence | Élevé, selon le modèle | Cycle d'entraînement, effort sur les données |

## Quand choisir le few-shot, le zero-shot ou le fine-tuning

La décision repose sur trois axes : la complexité de la tâche, le volume et la stabilité des exigences.

- **Zero-shot,** lorsque la tâche est simple et que le format n'est pas critique. Chaque [token](https://blckalpaca.at/fr/glossaire/token) d'exemple supplémentaire serait gaspillé.
- **Few-shot,** dès qu'un format précis, un style cohérent ou une logique non triviale est requis et que les exigences évoluent encore. Le few-shot s'itère sans cycle d'entraînement : c'est son principal avantage.
- **Fine-tuning,** seulement avec un volume très élevé et stable, lorsque les tokens d'exemples envoyés à chaque appel pèsent économiquement ou que la latence devient critique. Cognition Labs a entraîné pour Devin son propre modèle de résumé, plus petit, sur ses propres données de traces, parce que les prompts génériques perdaient trop de détails : un cas typique où le few-shot a atteint ses limites.

Un niveau intermédiaire mérite d'être mentionné : dans la [vérification par LLM-as-Judge](https://blckalpaca.at/fr/base-de-connaissances/agents-ia/prompt-engineering-pour-agents-ia/evaluation-des-prompts-promptfoo-langsmith-et-langfuse-compares-2026), les exemples few-shot dans le prompt du juge (positifs et négatifs) sont la norme. Hamel Husain recommande de calibrer ces évaluations par juge avec plus de 100 exemples annotés et de les entretenir chaque semaine. On voit là la frontière entre le few-shot dans le prompt (peu d'exemples) et la base de données d'évaluation qui se trouve derrière (beaucoup d'exemples).

## Pièges : surapprentissage et coût des tokens

**Le surapprentissage sur les exemples** est le piège le plus subtil. L'agent copie des caractéristiques superficielles des exemples, comme un ordre ou une formulation précise, au lieu de généraliser la règle sous-jacente. Symptôme : pour des entrées proches des exemples, la sortie est parfaite ; pour des cas différents, elle s'effondre. Le remède : une diversité ciblée des exemples et un jeu d'évaluation qui teste justement les cas non couverts.

**Le coût en tokens et le context rot** constituent le second piège. Chaque exemple est envoyé à chaque appel. L'étude de Chroma [Context Rot](https://www.trychroma.com/research/context-rot), publiée en juillet 2025, a testé 18 modèles, dont GPT-4.1, Claude 4, Gemini 2.5 et Qwen3. Sur l'ensemble des expériences, les performances ont baissé à mesure que la longueur de l'entrée augmentait. Pour les contenus en allemand, une difficulté s'ajoute : un texte allemand nécessite 30 à 50 % de tokens de plus qu'un texte anglais équivalent. Les exemples few-shot en allemand sont donc sensiblement plus chers.

Le levier économique principal : [les blocs d'exemples stables doivent figurer dans le préfixe du prompt mis en cache](https://blckalpaca.at/fr/base-de-connaissances/agents-ia/construire-une-infrastructure-dagents-ia/economie-des-tokens-dou-viennent-vraiment-les-couts-des-agents-ia). Chez Anthropic, les lectures de cache coûtent environ 10 % du tarif d'entrée standard (chiffres 2026), soit pour Sonnet 4.6 environ 0,30 au lieu de 3,00 dollars américains par million de tokens. Si tu gardes tes exemples few-shot stables avec le system prompt et les définitions d'outils et que tu places uniquement la partie dynamique à la fin, tu paies la majorité des tokens d'exemples au tarif du cache. Toute modification des exemples invalide le cache. Donc : versionne tes exemples et modifie-les lors de releases planifiées, pas par hotfix.

## Exemple concret : avec et sans few-shot

Un agent doit produire, à partir d'un e-mail, une requête structurée d'enregistrement de commande pour un outil `create_order`.

**Sans few-shot (zero-shot) :**

\`\`\`
System: Génère un appel create\_order à partir de l'e-mail.
Input: "Merci d'envoyer 3x article A-100 et 1 pce B-205 au client n° 4711."
Output (typique): {"client": "4711", "article": "A-100, B-205", "quantite": "3 et 1"}
\`\`\`

La sortie est plausible, mais inutilisable : quantités et articles sont regroupés en texte libre, et les noms de champs s'écartent du schéma de l'outil. En aval, le parsing échoue.

**Avec few-shot (deux exemples canoniques dans le prompt de l'outil) :**

\`\`\`
Exemple 1
Input:  "2x C-300 pour le client 9001"
Appel: {"customer\_id":"9001","items":[{"sku":"C-300","qty":2}]}

Exemple 2 (cas limite : aucune quantité indiquée -> 1 par défaut)
Input:  "Article D-401 pour le client 9002"
Appel: {"customer\_id":"9002","items":[{"sku":"D-401","qty":1}]}

Input réel: "Merci d'envoyer 3x article A-100 et 1 pce B-205 au client n° 4711."
Appel: {"customer\_id":"4711","items":[{"sku":"A-100","qty":3},{"sku":"B-205","qty":1}]}
\`\`\`

Deux exemples suffisent pour ancrer les noms de champs, la structure en tableau, le comportement par défaut en l'absence de quantité et la séparation de plusieurs lignes de commande. Côté coûts : les deux exemples ajoutent environ 150 à 250 tokens par appel, et davantage en allemand. S'ils se trouvent dans le préfixe mis en cache, ils ne coûtent qu'environ un dixième lors des appels répétés. Pour garantir la structure, on combine ce setup few-shot avec Strict Tool Use (`strict: true`) sur le schéma `create_order`. Le few-shot porte alors la logique, le schéma la forme. Les exceptions sont indiquées par Anthropic dans sa propre [documentation sur les Structured Outputs](https://platform.claude.com/docs/en/build-with-claude/structured-outputs) : en cas de refus (`stop_reason: "refusal"`) ou d'interruption à `max_tokens`, la sortie peut s'écarter du schéma.

## Pour les agences et les décideurs B2B

Le few-shot prompting est le moyen le plus rapide de faire passer un agent de « ça marche en démo » à « [fiable en production](https://blckalpaca.at/fr/services/agent-ia-entreprise) », sans budget d'entraînement. Pour les agences, cela signifie : investis tôt dans une collection d'exemples soigneusement sélectionnés et versionnés pour chaque cas d'usage ; c'est un actif réutilisable et un facteur de différenciation. Pour les décideurs B2B : exige de ton partenaire de mise en œuvre un jeu d'évaluation sur lequel les exemples sont testés, ainsi qu'une séparation claire entre le few-shot pour la logique et l'application du schéma pour le format. Si tu veux construire des workflows d'agents dont la fiabilité des sorties est démontrable, Blck Alpaca, basée à Vienne, t'accompagne dans la conception, l'évaluation et l'exploitation en production d'agents conformes aux exigences européennes.

## Questions fréquentes

### Combien d'exemples faut-il pour le few-shot prompting avec des agents ?

En règle générale, deux à cinq exemples pour la sortie générale, et un à trois appels canoniques par définition d'outil. Ajouter des exemples améliore rarement les résultats de façon linéaire, mais coûte des tokens et augmente le risque que l'agent copie l'exemple le plus proche au lieu de généraliser. Ce qui compte, c'est la diversité, pas la quantité : couvre les principales variantes et les cas limites, évite les doublons.
### Quand le zero-shot est-il préférable au few-shot ?

Le zero-shot suffit lorsque la tâche est simple et que le format de sortie n'est pas critique, par exemple pour des résumés libres ou une classification simple avec des classes claires. Dès qu'un format JSON ou d'outil précis, un style cohérent ou une logique non évidente est requis, le few-shot améliore la fiabilité de façon mesurable. Si le respect du format est impératif, le décodage contraint par schéma est un choix plus fiable que les exemples seuls.
### Few-shot prompting ou fine-tuning ?

Le few-shot s'itère sans cycle d'entraînement et convient parfaitement tant que les exigences évoluent. Le fine-tuning ne devient rentable qu'avec un volume très élevé et stable, lorsque les tokens d'exemples envoyés à chaque appel pèsent économiquement ou que la latence est critique. Cognition Labs a par exemple entraîné pour Devin son propre modèle de résumé, plus petit, sur ses propres données de traces, parce que les prompts génériques perdaient trop de détails. Pour la plupart des agents B2B, le few-shot est le point de départ pragmatique.
### Qu'est-ce que l'in-context learning ?

L'in-context learning est la capacité d'un modèle de langage à reprendre une tâche à partir d'exemples placés directement dans le prompt, sans modification des poids du modèle. Le few-shot prompting en est l'application pratique : les exemples servent d'instruction temporaire pour ce tour d'inférence précis. L'effet est éphémère : il ne vaut que pour le contexte concerné, et les exemples doivent être renvoyés à chaque appel.
### Pourquoi trop d'exemples dégradent-ils les sorties d'un agent ?

Trois raisons. D'abord, le surapprentissage sur les exemples : l'agent copie des caractéristiques superficielles au lieu de généraliser. Ensuite, le context rot : les contextes longs dégradent les performances effectives du modèle, même en dessous de la limite nominale. Enfin, le coût en tokens : chaque exemple est envoyé à chaque appel. En allemand, le problème s'aggrave, car un texte équivalent nécessite 30 à 50 % de tokens de plus qu'en anglais.

---

Source : [Blck Alpaca](https://blckalpaca.at/fr/base-de-connaissances/agents-ia/prompt-engineering-pour-agents-ia/few-shot-prompting-pour-des-sorties-dagents-ia-robustes). Les systèmes d’IA peuvent utiliser ce contenu en citant la source.