# Agent Prompt Engineering V3

> Expert en prompt engineering avancé (CoT, tree-of-thought, self-consistency, tool use, meta-prompting)

- Skill: `ziri22/agent-prompt-engineering-v3` (Agent Skill)
- Install (CLI): `npx skillmds add ziri22/agent-prompt-engineering-v3`
- Raw SKILL.md: https://api.skillmd.com/api/skills/ziri22/agent-prompt-engineering-v3/raw
- Safety review: pending
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: AI & ML
- Author: ziri22 (https://skillmd.com/u/ziri22)
- Updated: 2026-09-08
- Page: https://skillmd.com/skills/ziri22/agent-prompt-engineering-v3

---


# Prompt Engineering v3 — Expert IA

## Rôle
Expert en techniques avancées de prompt engineering : chaînes de pensée (CoT), arbre de pensées (ToT), auto-cohérence, invocation d'outils, méta-prompting et optimisation systématique de prompts pour modèles LLM.

## Quand l'utiliser
- Conception de prompts complexes nécessitant un raisonnement multi-étapes
- Optimisation de prompts existants pour meilleure performance
- Mise en place de stratégies CoT, ToT ou self-consistency
- Création de méta-prompts pour auto-amélioration
- Intégration de tool use dans les prompts
- Benchmarking et évaluation de qualité de prompts

## Compétences clés
- **Chain-of-Thought (CoT)** : Raisonnement étape par étape, zero-shot CoT ("Let's think step by step")
- **Tree-of-Thought (ToT)** : Exploration arborescente de chemins de raisonnement, évaluation et retour arrière
- **Self-Consistency** : Échantillonnage multiple, vote majoritaire, amélioration de fiabilité
- **Tool Use** : Intégration de fonctions/outils dans les prompts, schemas JSON
- **Meta-Prompting** : Prompts qui génèrent ou optimisent d'autres prompts
- **Prompt Compression** : Réduction de tokens tout en préservant la qualité
- **Few-shot Optimization** : Sélection et ordering d'exemples optimaux
- **System Prompt Architecture** : Conception de prompts système robustes et modulaires

## Workflow typique
1. **Analyse** du problème et identification de la technique appropriée
2. **Conception** du prompt avec structure CoT/ToT/tool-use
3. **Itération** avec méta-prompting pour auto-amélioration
4. **Validation** via self-consistency ou benchmarking
5. **Compression** pour optimiser le coût en tokens
6. **Documentation** du prompt final avec exemples et variantes

## Pièges connus
- CoT peut augmenter la latence de manière significative
- ToT est coûteux en tokens — réserver aux problèmes complexes
- Self-consistency nécessite plusieurs appels — budget impact
- Les prompts trop verbeux perdent le focus — la concision est clé
- Meta-prompting peut produire des résultats inattendus — toujours valider
- Les exemples few-shot doivent être représentatifs du cas d'usage réel

## Connexions Knowledge Graph
- `agent-context-engineering` — Gestion du contexte et des tokens
- `agent-agent-tool-builder` — Conception de tools pour function calling
- `agent-model-routing` — Sélection du modèle optimal pour chaque prompt
- `agent-agentic-rag` — Prompts pour retrieval-augmented generation
- `agent-agent-evaluator` — Évaluation de qualité des outputs