PROJECT_ID // 0039Prompt Engineer / Générateur de Prompts

> LIEN_SÉCURISÉ // Prompt Engineer / Générateur de Prompts

Navigation

Accueil Retour à PROJETS

LECTEUR AUDIO

EN PAUSE

Franz ne joue pas de musique en ce moment.

SYSTÈME_SÉCURISÉ // FPGD

LIAISON // CONTACT

--:--:-- --

ACCESSING DATABANKS...

SUGGESTED PROJECTS

LiftTrack: Une solution mobile basée sur 3D CNN pour le suivi et l'amélioration des techniques d'haltérophilie

Portfolio: Cyberpunk

Scrapy : Système multi-crawler personnalisé

DÉFILER ↓

LIEN_SÉCURISÉ // 0x00F4B00CHIFFREMENT: AES-256-GCMREMPLACER: FAUX

FLUX_DONNÉES // MISE_EN_MÉMOIRE

MÉM.SYS // 0.0MB
VRAM // 0.0MB

NŒUD // EN_LIGNE
LATENCE // 14ms

SYS.CHARGE

SYNC_FREQ

> SÉQ_DÉMARRAGE // CHARGEMENT_NOYAU... OK

INITIALISATION DU SYSTÈME...

[000%]

PROJECT_ID // 0039Prompt Engineer / Générateur de Prompts

> LIEN_SÉCURISÉ // Prompt Engineer / Générateur de Prompts

Navigation

Accueil Retour à PROJETS

LECTEUR AUDIO

EN PAUSE

Franz ne joue pas de musique en ce moment.

SYSTÈME_SÉCURISÉ // FPGD

LIAISON // CONTACT

--:--:-- --

Prompt Engineer / Prompt Generator

Un système Custom GPT piloté par la documentation conçu pour créer et améliorer les prompts IA.

LIEN DE DÉMO • LIEN GITHUB

Aperçu

Rôle : Créateur / Prompt Engineer
Technologies : Custom GPT, Diverse Prompt Formats, JSON
Résultat Clé : A conçu avec succès un moteur de génération de prompts sans code et hautement extensible.
Résumé : Ce projet a marqué ma toute première application de l'ingénierie formelle des prompts. Il s'agit d'un système modulaire basé sur la documentation, où toute la logique et le flux de travail sont gérés via des fichiers structurés contenant des tonnes de formats, de modèles et de paradigmes différents pour la clarté et l'extensibilité.

Le Problème

Défi : Les utilisateurs ont souvent du mal à obtenir les meilleurs résultats des modèles d'IA en raison de prompts mal structurés. Le défi était de créer un système pour automatiser l'optimisation de ces prompts sans nécessiter de code traditionnel.
Public : Quiconque utilise l'IA et souhaite améliorer considérablement la qualité et la précision des résultats de l'IA.
Contraintes : S'assurer que toutes les logiques et techniques pouvaient être analysées efficacement par un Custom GPT s'appuyant entièrement sur des configurations textuelles et de nombreux modèles de format plutôt que sur du code exécutable.

Approche et Décisions

Architecture : Une architecture déclarative et multi-formats où toutes les instructions du système sont stockées dans des fichiers interconnectés.
Décisions Clés : J'ai décidé de cartographier les flux de travail à l'aide d'une structure de dossiers stricte pour garder la base de connaissances du GPT organisée.
Compromis : J'ai échangé la puissance de calcul d'une application web programmée contre l'accessibilité immédiate et conversationnelle d'une plateforme Custom GPT.
Flux de Données : L'utilisateur fournit un prompt de base -> Le GPT fait référence à des modèles et formats structurés -> Le GPT produit un prompt professionnel hautement optimisé.

Résultats Clés et Impact

Résultat : Un outil très efficace qui transforme systématiquement les instructions de base des utilisateurs en formats de prompts professionnels et éprouvés.
Impact : Fournit des résultats considérablement améliorés en garantissant que l'entrée correspond parfaitement au meilleur format structurel pour la tâche.

Métrique	Résultat
Qualité des Résultats	Constamment Améliorée
Architecture	Formats et Paradigmes Étendus
Public Cible	Tous les utilisateurs d'IA

Plongée Technique

Détails Notables : J'ai organisé un contexte riche des meilleures pratiques de l'industrie, hébergeant une tonne de formats directement dans la base de connaissances du GPT.
Vérification : Repose sur des formats et techniques d'ingénierie de prompts scientifiquement et empiriquement prouvés.
Optimisations : Séparation du contexte spécifique au domaine des commandes actives pour optimiser l'utilisation de la fenêtre de contexte du GPT.
Qualité du Code : Maintien d'une cohérence structurelle stricte sur tous les modèles de format pour garantir que le GPT analyse les instructions de manière prévisible.
Liens : Voir le Dépôt GitHub.

Réflexions

Autrement : Au lieu de le garder uniquement comme un GPT autonome, j'ai décidé d'aller plus loin dans ces concepts en implémentant un sous-agent d'IA dans mon projet oz: multiagent pour automatiser l'amélioration des résultats directement dans mes propres applications.
Succès : J'ai prouvé avec succès qu'un système logique robuste et modulaire peut être construit entièrement via des techniques déclaratives.
Leçons : Les formats structurés sont la clé absolue pour des résultats LLM prévisibles et de haute qualité.

Mes Contributions

Conception du Système : Conception de l'architecture modulaire pilotée par la documentation.
Ingénierie des Flux de Travail : Définition des flux de travail déclaratifs, des commandes et des modèles dans des fichiers markdown.
Meilleures Pratiques : Curation du contexte, des techniques et des paradigmes.
Documentation : Rédaction et maintenance de tous les fichiers de documentation.

Architecture du Projet

Ce projet utilise une structure de fichiers modulaire pilotée par la documentation. Il n'y a pas d'exécution de code.

Organisation des Composants :
- main_instruction.md : Configuration JSON centrale
- context/context.md : Contexte spécifique au domaine
- commands/commands.md : Toutes les commandes disponibles
- profiles/ : Profils d'agents et de flux de travail
- templates/ : Modèles de prompts

Aperçu de la Démo

Vous pouvez voir le Custom GPT en direct via Prompt Engineer / Prompt Generator.

Vues de la Plateforme : Web (OpenAI ChatGPT Custom GPT)
Fonctionnalité Montrée :
- Sélection interactive de tâches, formats, techniques et paradigmes.

Note sur l'Hébergement :
Le Custom GPT en direct est disponible sur OpenAI. Le code source et la documentation sont sur GitHub ; aucun système d'exécution de code n'est présent.