Prompt d’extraction vers JSON avec schéma, validation et nouvelles tentatives

Prompt

Agis comme ingénieur LLM spécialisé dans l'extraction de données structurées pour des systèmes en production.

Contexte :
- Type de document en entrée : {{document}}
- Champs à extraire (nom, type, obligatoire ou non) : {{champs}}
- Langage et bibliothèque de validation : {{langage}}
- Exemple réel d'entrée (anonymisé) :
```
{{exemple}}
```

Livrables :
1. Un JSON Schema complet avec types, formats (dates ISO 8601, montants en nombre et devise dans un champ séparé), énumérations et champs obligatoires.
2. Un prompt système d'extraction avec des règles explicites : renvoyer uniquement du JSON valide, utiliser null quand une valeur n'apparaît pas (jamais la déduire), ne pas normaliser les noms propres, comment traiter plusieurs valeurs candidates et un texte ambigu.
3. Deux exemples entrée/sortie (few-shot), dont un avec des champs absents.
4. Du code en {{langage}} qui appelle le modèle, active la sortie structurée ou le mode JSON si le fournisseur le propose, valide par rapport au schéma et retente au maximum deux fois en renvoyant l'erreur de validation.
5. Un champ facultatif de confiance ou de preuve (citation littérale du texte) pour chaque valeur, et quand il est utile.
6. Dix cas de test : documents incomplets, formats de date différents, langues mélangées, valeurs contradictoires et instructions malveillantes cachées dans le texte.
7. Comment mesurer la qualité : exactitude par champ sur un jeu annoté à la main.

Contraintes :
- N'invente pas de paramètres d'API : si une option dépend du fournisseur, indique [À VÉRIFIER dans la documentation officielle].
- Le modèle ne doit jamais remplir un champ sans preuve dans le texte.
- Si les champs sont ambigus ou l'exemple manquant, demande-moi d'abord.

Format : sections numérotées avec blocs de code JSON et {{langage}}.

Comment l'utiliser

Exemple d'utilisation

Exemple de résultat

from enum import Enum
from pydantic import BaseModel, Field, ValidationError

class TypeTravaux(str, Enum):  # valeurs définitives : [À COMPLÉTER]
    salle_de_bains = "salle_de_bains"
    cuisine = "cuisine"
    renovation_complete = "renovation_complete"
    autre = "autre"

class DemandeDevis(BaseModel):
    nom: str
    telephone: str | None = None
    ville: str | None = None
    type_travaux: TypeTravaux | None = None
    budget_max_eur: float | None = Field(default=None, ge=0)

def extraire(texte: str, max_tentatives: int = 2) -> DemandeDevis:
    messages = [{"role": "user", "content": texte}]
    for _ in range(max_tentatives + 1):
        # Mode JSON / sortie structurée selon le fournisseur : [À VÉRIFIER dans la doc officielle]
        brut = appeler_modele(SYSTEM_PROMPT, messages)
        try:
            return DemandeDevis.model_validate_json(brut)
        except ValidationError as erreur:
            messages += [
                {"role": "assistant", "content": brut},
                {"role": "user", "content": f"JSON invalide : {erreur}. Renvoie uniquement le JSON corrigé."},
            ]
    raise ValueError("Le modèle n'a pas renvoyé de JSON valide")

{"nom": "Claire", "telephone": "06 00 00 00 00", "ville": "Nantes",
 "type_travaux": "salle_de_bains", "budget_max_eur": 7000}

Informations clés

Catégorie

Programmation et développement · Agents IA

Type de résultat

Code

Niveau

Avancé

Conçu pour

ChatGPT, Claude et Gemini

Vérifié sur

En attente de vérification éditoriale

Variables

Type de document, Champs à extraire, Langage et validation et Exemple d’entrée

Langue

Français

Prix

Gratuit, sans inscription

Mis à jour

07/11/2026

Questions fréquentes