Context engineering : structurer le contexte d'un LLM

Tu écris un prompt propre, clair, bien tourné, et la réponse arrive à côté de la plaque. Neuf fois sur dix, le problème n'est pas ta phrase : c'est tout ce que le modèle avait (ou n'avait pas) sous les yeux au moment de répondre. Le context engineering, c'est la discipline qui consiste à choisir ces informations, à les ordonner et à les mettre en forme pour que le modèle travaille avec la bonne matière première.

Tu vas voir ici ce que contient réellement le contexte d'un modèle de langage, comment le structurer en cinq couches réutilisables, quelles erreurs le polluent sans que tu t'en aperçoives, et où t'entraîner concrètement. Aucun prérequis technique : si tu sais discuter avec ChatGPT, Claude ou Gemini, tu as le niveau. À la fin, tu auras un modèle de contexte à copier pour tes propres tâches, et tu comprendras enfin pourquoi une conversation trop longue finit presque toujours par dérailler.

Le context engineering, c'est quoi exactement ?

Le context engineering consiste à décider quelles informations entrent dans la fenêtre de contexte d'un modèle, dans quel ordre et sous quelle forme, avant même qu'il commence à répondre.

Un modèle de langage ne se souvient de rien entre deux requêtes. À chaque envoi, il relit l'intégralité de ce qu'on lui donne : les instructions de départ, l'historique de la conversation, les fichiers joints, les résultats d'outils. Cet ensemble s'appelle la fenêtre de contexte. Elle se mesure en tokens, des fragments de mots d'environ trois à quatre caractères (le mot « contexte » pèse un ou deux tokens, une page de texte français environ 400).

Cette fenêtre est large, mais elle est finie. Les modèles Claude récents acceptent 200 000 tokens, soit plusieurs centaines de pages, d'après la documentation officielle sur les fenêtres de contexte. Large ne veut pas dire illimité, et surtout : plus tu remplis la fenêtre d'éléments inutiles, plus les informations décisives se diluent.

Les deux se complètent. Le prompt engineering optimise la demande, le context engineering prépare la matière. Si tu débutes, la méthode complète pour écrire un bon prompt reste la base sur laquelle tout le reste s'appuie.

Ce que contient vraiment le contexte d'un LLM

Le contexte ne se limite pas à ta question : il empile au moins six blocs d'information, et ta question est souvent le plus petit d'entre eux.

1. Les instructions système. Le cadre invisible posé par l'outil ou par toi : rôle, ton, interdits, langue de réponse. Dans ChatGPT ce sont les instructions personnalisées, dans Claude les consignes de projet.
2. L'historique de la conversation. Chaque message précédent, le tien comme celui du modèle, est renvoyé à chaque tour. Un échange de 40 messages se paye à chaque nouvelle question.
3. Les documents et données fournis. PDF, tableur, page web collée, extrait de base de données. C'est là que le volume explose le plus vite.
4. Les exemples. Deux ou trois extraits de ce que tu attends valent dix lignes d'adjectifs. C'est tout le principe du few-shot prompting.
5. Les outils et leurs résultats. Recherche web, exécution de code, appel d'API : chaque résultat revient dans la fenêtre, parfois sur des milliers de tokens.
6. Ta demande du moment. Souvent une seule phrase, noyée à la fin de tout le reste.

Sur 20 000 tokens de contexte, ta question finale en pèse peut-être 40. C'est exactement pour cette raison qu'un modèle « qui n'écoute pas » est le plus souvent un modèle mal nourri, pas un modèle défaillant. L'équipe d'Anthropic décrit d'ailleurs le contexte comme une ressource limitée à budgéter, au même titre que le temps ou l'argent.

Structurer ton contexte : la méthode des cinq couches

Range toujours ton contexte dans le même ordre : rôle et objectif, contraintes, données de référence, exemples, puis tâche et format de sortie.

Cet ordre n'est pas décoratif. Il place le cadre avant la matière, et la consigne d'action juste avant la génération, à l'endroit où le modèle la lit en dernier.

Couche 1 : rôle et objectif. Qui parle, pour qui, dans quel but. Deux phrases suffisent. « Tu es responsable du contenu d'un cabinet comptable qui s'adresse à des artisans. Objectif : rendre des sujets fiscaux compréhensibles sans les simplifier à l'excès. »

Couche 2 : contraintes. Longueur, ton, vocabulaire interdit, obligations légales, public visé. Écris-les comme une liste, pas comme un paragraphe : une contrainte par ligne est bien plus respectée qu'une contrainte cachée dans une phrase.

Couche 3 : données de référence. Les faits que le modèle ne peut pas deviner : tes tarifs, tes chiffres, ta liste de clients, le texte source à reformuler. Encadre-les clairement, par exemple entre deux balises <donnees> et </donnees>, et dis explicitement au modèle qu'il ne doit rien inventer en dehors.

Couche 4 : exemples. Un ou deux extraits représentatifs de ce que tu appelles « bien ». Si tu en as un mauvais, montre-le aussi en expliquant ce qui cloche.

Couche 5 : tâche et format de sortie. L'action exacte, puis la forme attendue : nombre de mots, structure, tableau, JSON, titres. Termine toujours par là.

Voici à quoi ressemble le résultat, en version courte :

Tu es rédacteur pour une newsletter destinée à des fleuristes indépendants.

Contraintes : 250 mots maximum, tutoiement, aucun jargon marketing, une seule idée par paragraphe.

Données : notre offre de janvier (abonnement bouquets à 24 € par mois, livraison incluse à Lyon, résiliable à tout moment).

Exemple de ton attendu : « Ce mois-ci, on a rentré des renoncules. Elles tiennent huit jours si tu changes l'eau tous les deux jours. »

Tâche : rédige l'édition de février. Format : un titre, trois paragraphes, une phrase de conclusion avec un appel à l'action.

Ce bloc devient un modèle. Tu ne réécris ensuite que les couches 3 et 5, ce qui divise par trois le temps passé à préparer chaque demande.

Les cinq erreurs qui polluent un contexte

La plupart des mauvaises réponses viennent d'un contexte trop chargé, contradictoire ou mal ordonné, pas d'un manque d'intelligence du modèle.

• Le copier-coller massif. Coller un rapport de 80 pages pour en faire résumer deux chapitres, c'est demander au modèle de chercher une clé dans un grenier. Extrais les passages utiles, ou découpe en plusieurs demandes.
• Le contexte périmé. Tu as dit « ton formel » au message 3, puis « détends-toi » au message 25. Les deux consignes coexistent dans la fenêtre et le modèle arbitre tout seul. Quand tu changes d'avis, réécris la consigne complète au lieu de la corriger par petites touches.
• L'information clé enterrée au milieu. Ce qui compte le plus se place au début (le cadre) ou à la fin (la tâche). Le ventre du contexte est la zone où l'attention se relâche.
• Aucun format de sortie demandé. Sans consigne de forme, le modèle choisit la sienne, et elle change à chaque essai. C'est l'une des fautes récurrentes détaillées dans les erreurs de prompting qui ruinent tes résultats.
• La conversation fleuve. Au bout de 50 messages, ton contexte contient surtout des allers-retours, des essais abandonnés et des excuses du modèle. Ouvre une nouvelle conversation et repars de ton bloc de cinq couches mis à jour. C'est souvent le geste qui débloque une session qui tourne en rond.

Où t'entraîner au context engineering : trois méthodes

Trois voies possibles selon ton budget et ton niveau : un programme guidé avec les outils inclus, les fonctions projet de ton IA habituelle, ou les consoles techniques des éditeurs.

Méthode 1 : un programme guidé, outils inclus (Skilzy)

C'est la voie la plus rapide si tu pars de zéro. Le programme context engineering de Skilzy te fait construire tes propres blocs de contexte sur des cas réels (fiche produit, newsletter, support client, automatisation), avec des corrections et des modèles réutilisables. Skilzy est une plateforme française qui compte plus de 15 programmes, de la création d'images et de vidéos à l'automatisation avec n8n, et son Lab IA intégré te donne accès aux vrais outils avec les crédits inclus : tu t'entraînes sans empiler trois abonnements à 20 € par mois.

L'accès démarre à 29,90 € par mois, sans engagement. Deux certifications reconnues par l'État et finançables sont disponibles (RS7439 en marketing de contenus IA, RS6792 en IA et vente). Pour tester avant de payer, la démo découverte ouvre 7 jours avec 1 image, 1 vidéo, 1 musique et 10 messages, sans carte bancaire.

Méthode 2 : les projets et instructions personnalisées de ton IA

Gratuit ou inclus dans ton abonnement actuel. Les Projets de ChatGPT et de Claude, comme les Gems de Gemini, servent exactement à ça : tu y déposes une fois pour toutes tes instructions système, tes documents de référence et tes exemples, et chaque nouvelle conversation démarre avec ce contexte déjà chargé. Idéal pour tester la méthode des cinq couches dès aujourd'hui. Limite : tu avances sans retour extérieur, et il faut plusieurs semaines d'essais pour repérer seul ce qui fonctionne.

Méthode 3 : la documentation officielle et les consoles des éditeurs

C'est la voie la plus précise, et la plus exigeante. Les documentations d'Anthropic, d'OpenAI et de Google détaillent la gestion des fenêtres de contexte, la mise en cache des longs préambules et la structuration des messages. Les consoles de développement permettent de compter les tokens et de comparer deux versions d'un même contexte. Utile dès que tu veux industrialiser, indigeste si tu n'as jamais touché à une API.

Ce qu'il faut retenir

Un bon résultat vient rarement d'une phrase magique. Il vient d'un contexte propre : un rôle clair, des contraintes listées, des données vérifiées, deux exemples, une tâche et un format. Construis ce bloc une fois, réutilise-le, et nettoie-le dès que la conversation s'alourdit. Tu passeras moins de temps à corriger des réponses approximatives qu'à préparer ce que tu donnes à lire au modèle, et c'est exactement le bon équilibre.