9 minutesLangSmith en 10 minutes
Naviguer parmi les traces, les projets et les jeux de données dans LangSmith, puis lire le coût des tokens, la latence, le taux d’erreur et le détail de chaque span.
Lire la vidéoAnthropic. L’équipe Applied AI d’Anthropic construit en direct un prompt consacré à des demandes d’indemnisation. Elle part d’une instruction vague et l’améliore jusqu’à obtenir un résultat qu’un développeur pourrait réellement livrer, en montrant les révisions des couches système et développeur décrites dans l’article. Regardez cette vidéo avant de relire la liste de contrôle de l’article sur les exemples, la structure des sorties et le traitement des refus.
Regardez la vidéo pour son processus d’itération, pas pour le prompt final : l’exemple des demandes d’indemnisation montre les révisions des couches système et développeur formalisées dans la liste de contrôle de l’article.
Voir une instruction vague sur les demandes d’indemnisation devenir un prompt structuré et testable, avec des exemples, des règles de sortie et un comportement de refus plus clairs.
Maîtriser les bases de la rédaction de prompts ; le modèle en couches de l’article fournit le bon angle d’analyse.
Dernière révision : 18 mai 2026
Continuez dans le même parcours d’apprentissage avec les prochaines vidéos d’accompagnement sélectionnées.
9 minutesNaviguer parmi les traces, les projets et les jeux de données dans LangSmith, puis lire le coût des tokens, la latence, le taux d’erreur et le détail de chaque span.
19 minutesAméliorer la conception des outils afin que les agents sélectionnent l'action correcte avec les bons paramètres.
13 minutesChoisir entre l’ingénierie des prompts, le RAG, le fine-tuning ou leur combinaison en fonction du véritable mode de défaillance.
Des cours externes sélectionnés pour approfondir ce sujet.
Isa Fulford · Andrew Ng
Quinze minutes de cours peuvent remplacer une année d'intuition. Si vous avez commencé à écrire du code qui appelle un grand modèle de langage (LLM), ou prévoyez de le faire, c'est le cours en ligne le plus efficace pour passer de « jouer avec ChatGPT » à « déployer une fonctionnalité qui appelle un LLM ».
Microsoft Learn
Prompt engineering, but for the tool most office workers will actually touch first. Microsoft's own four-part prompting framework (goal, context, source, expectation) is a genuinely useful mental model, and unlike the generic ChatGPT prompting courses already in our catalog, this one is grounded entirely in Microsoft 365 Copilot's specific quirks and grounding behavior.