Bonjour à tous, ici leopardracer !
Trouver de bonnes idées de contenu me prenait des heures chaque semaine. Reddit dans un onglet, les actualités dans un autre, arXiv dans un troisième, et une note Obsidian où je collais tout en essayant de me rappeler comment les éléments étaient liés. Chaque recherche IA prenait quelques secondes, mais je passais le reste du temps à faire le lien.
Ce qui aggravait les choses, c'était l'énergie mentale que je gaspillais à passer d'un onglet à l'autre et d'une conversation à l'autre. Chaque changement me coûtait de la concentration, et chaque redémarrage rendait le travail plus lourd qu'il ne l'était.
Je ne le savais pas à l'époque, mais au lieu d'optimiser excessivement mes prompts, j'aurais dû simplement créer un workflow. Il m'a fallu un certain temps pour trouver la meilleure façon de procéder, et je suis donc prêt à partager ma méthode pour transformer des prompts en workflows.
Dans cet article :
- Pourquoi les habitudes de prompting atteignent leurs limites à grande échelle
- Comment repérer votre premier candidat au workflow
- Comment trouver les points de jonction dans les longues conversations
- Le modèle de transfert qui fait avancer le contexte
Si vous copiez des résultats entre des onglets de chat IA, vous faites le travail de coordination que l'IA devrait gérer. La solution est de transformer vos prompts en un workflow où chaque étape écrit dans un fichier et la suivante le lit. Le contexte avance sans que vous ayez à le porter. Vous ne vous arrêtez que là où une vraie décision doit être prise.
Quand le Prompting Cesse de Fonctionner
Presque tout le monde commence avec l'IA de la même manière. Vous tapez une question, obtenez une réponse, copiez-collez quelque part, et recommencez. C'est ainsi que j'ai passé ma première année à l'utiliser. Et je comprends, ça semble productif parce que chaque interaction vous donne quelque chose de concret.
Puis vous remarquez que vous passez plus de temps à gérer l'IA que l'IA ne vous en fait gagner. C'est vous qui copiez entre les étapes. C'est vous qui devez vous rappeler ce dont l'étape trois avait besoin depuis l'étape un.
Une étude d'octobre 2025 publiée sur arXiv a révélé que la précision des LLM chute significativement lorsque des informations pertinentes sont noyées dans des contextes plus longs, même lorsque tous les tokens non pertinents sont masqués.
Les blogs et cours d'ingénierie de prompt vendent encore l'idée que les bons mots résoudront tout. Ils optimisent la mauvaise couche. Vous essayez de faire fonctionner un pipeline via une fenêtre de chat, et aucun travail sur les mots ne changera cela.
Atteindre un plafond avec le prompting signifie que vous avez un problème d'architecture.
Comment Repérer Votre Premier Workflow IA
Avant d'aller plus loin, essayez ceci. Pensez à la dernière tâche répétitive que vous avez effectuée avec l'IA. Celle qui a pris 45 minutes et vous a donné envie de crier au bout de 30 minutes. Maintenant, demandez-vous :
- Ai-je copié-collé entre les étapes ?
- Ai-je ouvert plusieurs fenêtres de chat parce que le contexte était constamment pollué ?
- Ai-je dû me rappeler ce dont l'étape trois avait besoin depuis l'étape un ?
- L'IA a-t-elle produit de bons résultats à chaque étape, mais le résultat final était médiocre ?
Si vous avez répondu oui à l'une de ces questions, vous avez déjà un candidat au workflow. Vous faites le travail de coordination manuellement.
Voici un prompt que vous pouvez utiliser dès maintenant. Collez-le à la fin de votre prochaine longue conversation IA, après avoir terminé une tâche :
1Regarde en arrière sur cette conversation que nous venons d'avoir. Je vais coller le prompt initial que j'ai utilisé ci-dessous. Je veux que tu analyses si cette tâche pourrait être convertie en une compétence ou un workflow réutilisable.23Plus précisément :41. Les étapes que j'ai suivies pourraient-elles être structurées comme une séquence où chaque étape produit une sortie dont l'étape suivante a besoin ?52. Y a-t-il des points de transfert où le contexte doit être transmis ?63. Cette tâche bénéficierait-elle d'être décomposée en étapes séparées avec un contexte propre, plutôt que de se dérouler en une seule longue conversation ?74. À quoi ressembleraient l'entrée, les instructions, la sortie et le point de contrôle si cela devenait un workflow ?89Voici le prompt initial que j'ai utilisé : [COLLEZ VOTRE PROMPT INITIAL ICI]1011Dis-moi si c'est un bon candidat pour un workflow, et si oui, esquisse à quoi ressembleraient les étapes.
Exécutez ceci après votre prochaine tâche répétitive. Vous découvrirez peut-être que vous faites déjà un travail en forme de workflow manuellement.
Cela fonctionne que vous utilisiez Hermes, Claude Code, Codex, Cowork ou tout autre outil de conversation IA. Les modèles restent les mêmes. Les outils n'ont pas d'importance. La structure, oui.
Où Trouver les Points de Jonction dans une Longue Conversation
Convertir une longue conversation en un workflow commence par identifier où se trouvent les points de jonction dans votre processus actuel.
Lorsque vous avez une longue conversation IA, cherchez les moments où vous avez changé de vitesse. Où vous avez dit « ok, maintenant faisons X » et avez commencé un nouveau contexte mental. Où vous avez copié quelque chose du début du chat et l'avez collé dans une nouvelle demande. Où vous avez dû rappeler à l'IA sur quoi vous travailliez parce qu'elle avait oublié. Ces points de jonction sont l'endroit où la dérive de périmètre se produit.
Ce sont vos points de jonction. Chaque point de jonction est une étape potentielle dans un workflow.
Mon point de rupture est survenu lors d'un projet d'idéation de contenu. Je devais trouver des angles intéressants pour des articles de newsletter, ce qui impliquait de puiser dans plusieurs sources. Les fils Reddit révélaient des plaintes sur des problèmes spécifiques, les articles d'actualité couvraient des outils émergents, et les articles arXiv suggéraient de nouvelles capacités.
J'ai commencé manuellement, en copiant-collant des publications Reddit dans un document, en extrayant des titres d'actualité, en effectuant des recherches arXiv et en enregistrant des résumés. Chaque source vivait dans sa propre session de chat parce que les fenêtres de contexte étaient constamment polluées. Au moment où j'avais fini avec Reddit, j'avais oublié ce que j'avais trouvé dans la recherche d'actualités.
Puis j'ai créé des compétences individuelles pour chaque source. Une compétence pour la recherche Reddit, une autre pour l'extraction d'actualités, une troisième pour les articles arXiv. Chaque compétence fonctionnait bien seule, mais c'était toujours moi qui coordonnais entre elles. J'exécutais la compétence Reddit, je sauvegardais la sortie, j'exécutais la compétence actualités, je sauvegardais cette sortie, j'exécutais la compétence arXiv, je sauvegardais cette sortie. Puis je combinais manuellement les trois en une liste d'idées finale.
Je faisais le travail de coordination de l'agent manuellement. L'IA pouvait bien faire chaque étape. Les transferts étaient le problème. J'étais le middleware.
Comment Transmettre Correctement le Contexte
Les workflows sont des séquences d'étapes où chaque étape produit quelque chose dont l'étape suivante a besoin. Ce qui distingue les workflows du prompting, c'est que le contexte avance automatiquement au lieu que vous le portiez à la main.
Le guide d'Anthropic « Building Effective Agents », publié en décembre 2024 et largement cité comme la ressource de référence, fait une distinction claire. Les workflows sont des systèmes où les LLM et les outils sont orchestrés via des chemins de code prédéfinis. Les agents sont des systèmes où les LLM dirigent dynamiquement leurs propres processus.
Pour les non-codeurs, les workflows sont le point idéal. Vous définissez le chemin. L'IA fait le travail à chaque arrêt.
Anthropic décrit cinq modèles de workflow. En termes simples :
Le chaînage de prompts fonctionne comme une chaîne de montage. La sortie de l'étape un devient l'entrée de l'étape deux. Chaque étape reste simple et ciblée.
Le routage trie différentes entrées vers différents chemins. Comme un trieur de courrier qui envoie les lettres au bon code postal.
La parallélisation exécute plusieurs choses en même temps. Comme avoir trois chercheurs au lieu d'un.
Orchestrateur-travailleurs utilise un agent chef qui décompose le travail et le délègue à des agents travailleurs.
Évaluateur-optimiseur a un agent qui fait le travail et un autre qui le vérifie. Le premier se révise en fonction des retours.
J'appelle les fichiers qui maintiennent le tout des fichiers de transfert. Chaque étape écrit son travail pour que l'étape suivante n'ait pas à deviner. Le format importe moins que le principe. Cela peut être un fichier Markdown, un Google Doc, un bloc de texte structuré. Ce qui compte, c'est que chaque étape produise quelque chose que l'étape suivante peut lire.
J'ai tout essayé pour conserver le contexte entre les étapes. Les variables en mémoire disparaissent lorsque la session se termine, les entrées de base de données nécessitent une configuration et une maintenance, et les fichiers d'état partagés se corrompent lorsque deux étapes écrivent en même temps.
Les fichiers Markdown dans Obsidian ont gagné parce qu'ils sont ennuyeux et fiables.
Chaque étape d'un workflow écrit sa sortie dans un fichier Markdown, et l'étape suivante lit ce fichier. Les fichiers se trouvent dans une structure de dossiers qui reflète le workflow. Quand quelque chose tourne mal, j'ouvre le fichier et je vois exactement ce que l'étape trois a produit. Je retrace le problème en remontant la chaîne.
Cela m'a aussi donné quelque chose d'inattendu. Je peux suivre ce que chaque sous-agent ou étape a fait, avec des liens vers les fichiers spécifiques qu'il a produits. Quand quelque chose semble suspect dans le résultat final, j'ouvre les fichiers intermédiaires et je trouve où la dérive a commencé.
Markdown a aussi des avantages pratiques. Le texte brut fonctionne partout. Les fichiers se déplacent entre les systèmes sans conversion. Les modifications sont versionnables dans le temps. Tout s'affiche bien dans Obsidian, que j'utilise déjà pour les notes.
Stocker le contexte dans une base de données ou un mécanisme d'état partagé ajoute de la complexité, nécessite une configuration et crée des dépendances. Les fichiers Markdown ne nécessitent rien d'autre qu'un dossier et un éditeur de texte.
Chaque étape écrit son travail. L'étape suivante lit ce que l'étape précédente a écrit. Le contexte avance via des fichiers, pas via la mémoire.
Construire un Workflow IA Pas à Pas
Laissez-moi vous montrer à quoi cela ressemble en pratique. Je vais utiliser mon workflow d'idéation de contenu comme exemple, mais la structure fonctionne pour toute tâche répétitive.
Ce workflow comprend quatre étapes. Chaque étape lit le fichier de sortie de l'étape précédente et écrit dans son propre fichier de sortie.
Étape 1 : Recherche Reddit
Entrée : Un sujet ou un mot-clé à rechercher.
Ce qu'elle fait : Recherche sur Reddit des fils où les gens se plaignent de problèmes liés à ce sujet.
Sortie : reddit-findings.md avec les titres des fils, les URL et les plaintes clés.
Étape 2 : Extraction d'actualités
Entrée : Le même sujet.
Ce qu'elle fait : Recherche dans les sources d'actualité des articles sur les outils ou tendances émergents liés à ce sujet.
Sortie : news-findings.md avec les titres, les URL et les résumés.
Étape 3 : Recherche arXiv
Entrée : Le même sujet.
Ce qu'elle fait : Recherche sur arXiv des articles qui suggèrent de nouvelles capacités liées à ce sujet.
Sortie : arxiv-findings.md avec les titres des articles, les résumés et les notes de pertinence.
Étape 4 : Synthèse
Entrée : Les trois fichiers des étapes 1 à 3.
Ce qu'elle fait : Lit les trois fichiers et les synthétise en une liste d'idées d'angles d'articles.
Sortie : idea-angles.md avec 5 à 10 sujets d'articles potentiels, chacun fondé sur la recherche.
Chaque étape reçoit un contexte propre avec exactement ce dont elle a besoin. Rien n'est enterré. Rien n'est oublié.
Ma première tentative de ce workflow était moche. Des fichiers sur mon bureau, une liste de contrôle dans une application de notes, et beaucoup de copier-coller maintenaient le tout. Mais c'était structuré. Chaque étape avait une entrée claire et une sortie claire. L'agent n'avait pas besoin de se souvenir de quoi que ce soit d'il y a trois étapes parce que je lui donnais exactement ce dont il avait besoin.
Finalement, j'ai construit une compétence unifiée qui gère l'ensemble du pipeline. Elle extrait de Reddit, des sources d'actualité et d'arXiv en séquence, écrit chaque lot de résultats dans un fichier Markdown séparé, puis synthétise les trois en une liste d'idées finale. La compétence s'exécute de haut en bas sans que je copie quoi que ce soit entre les étapes.
Prompting vs. Workflows : La Même Tâche
L'idéation de contenu semble complètement différente selon qu'on utilise la méthode du prompt ou celle du workflow.
La méthode du prompt : Vous ouvrez un chat et demandez à l'IA de rechercher sur Reddit des plaintes concernant un sujet spécifique. Elle vous donne une liste. Vous copiez cette liste dans un document. Vous ouvrez un nouveau chat et lui demandez d'extraire des articles d'actualité sur le même sujet. Elle vous donne des titres et des résumés. Vous les copiez dans votre document. Vous ouvrez un autre chat et lui demandez de rechercher sur arXiv des articles pertinents. Elle vous donne des résumés. Vous les copiez aussi.
Au moment où vous avez terminé, vous avez trois morceaux de texte séparés dans un document. Maintenant, vous devez les synthétiser en angles d'idées. Vous collez tout dans un nouveau chat et demandez des idées. L'IA produit une liste, mais elle est générique. Elle a perdu la nuance des plaintes Reddit parce qu'elles ont été enterrées dans le texte combiné. Elle a manqué les résultats arXiv parce qu'ils étaient en bas d'un prompt de 5 000 mots.
La méthode du workflow : Vous exécutez une compétence qui recherche sur Reddit et écrit les résultats dans un fichier appelé reddit-findings.md. La compétence recherche ensuite les sources d'actualité et écrit dans news-findings.md. Puis elle recherche arXiv et écrit dans arxiv-findings.md. Chaque fichier est propre et ciblé.
La dernière étape lit les trois fichiers et les synthétise dans idea-angles.md. Chaque étape reçoit un contexte propre avec exactement ce dont elle a besoin. Rien n'est enterré ou oublié.
Les recherches de Clare Liguori chez AWS ont testé cinq approches pour guider le comportement des agents sur 3 000 évaluations. Les instructions de prompt simples ont atteint 82,5 % de précision, ce qui signifie qu'environ une interaction sur cinq a échoué. Lorsqu'elle a ajouté des boucles de rétroaction structurées, ce qu'elle appelle des crochets de guidage, la précision a atteint 100 % sur 600 exécutions.
Une meilleure structure a fait la différence, pas de meilleurs prompts.
J'ai testé cela moi-même en comparant comment différents modèles gèrent les workflows Hermes réels. Les modèles qui semblaient impressionnants sur les benchmarks échouaient souvent dans les workflows structurés parce qu'ils sur-analysaient des étapes simples ou ignoraient les contraintes de format. La structure importe plus que la capacité brute.
Où les Humains Interviennent Encore
Chaque workflow a besoin de points de contrôle, mais pas chaque étape. Ajouter des points de révision partout transforme le workflow en une série d'interruptions.
J'utilise des portes de décision. Vous ne vous arrêtez que là où un vrai choix doit être fait. Quel angle poursuivre. Quelle source prioriser. S'il faut couper une section qui ne correspond pas.
Si la sortie est correcte et qu'aucune décision n'est nécessaire, vous ne vous arrêtez pas. Les workflows s'exécutent jusqu'à ce qu'ils atteignent un point où ils ne peuvent pas continuer sans votre jugement.
Les portes de décision vérifient si la sortie correspond à votre intention. L'IA produit un contenu grammaticalement correct et bien documenté qui va néanmoins dans la mauvaise direction. Les portes de décision détectent cela avant que l'étape suivante ne se construise sur une hypothèse erronée.
Dans ma chaîne Telegram, j'ai écrit un guide complet sur l'ajout de portes d'approbation aux workflows Hermes si vous voulez les détails techniques. Les portes protègent votre réputation en bloquant les actions externes sans votre accord, protègent vos données en exigeant une confirmation avant les changements système, et protègent votre portefeuille en bloquant les dépenses au-dessus d'un seuil sans approbation.
Pour la plupart des workflows, vous avez besoin d'une porte au point où la sortie devient publique ou irréversible. Un workflow de contenu pourrait avoir une porte après le plan, avant que le brouillon final ne soit publié. Un workflow de recherche pourrait avoir une porte après la synthèse, avant que vous n'agissiez sur les résultats.
Les portes de décision sont l'endroit où vous gardez le contrôle de la direction pendant que l'IA gère l'exécution.
Par Où Commencer Votre Premier Workflow
Choisissez une tâche répétitive. Pas la plus complexe. Choisissez celle que vous faites chaque semaine, qui prend 45 minutes et vous donne envie de crier au bout de 30 minutes. C'est votre premier workflow.
Le mien était un briefing matinal qui récupère les tâches et les articles avant le café. Deux étapes. Lire depuis Asana, formater la sortie, la livrer. Assez simple à construire en un après-midi, assez utile pour être exécuté chaque jour de semaine depuis que je l'ai construit.
Si vous débutez avec Hermes, commencez par un workflow en deux étapes comme celui-ci avant de tenter quelque chose de complexe.
Les workflows minimum viables ont quatre parties : l'entrée (ce qui entre), les instructions (ce que l'agent fait), la sortie (ce qui sort) et le point de contrôle (où vous vérifiez). Vous n'avez pas besoin de logiciel. Vous n'avez pas besoin de code. Vous avez besoin d'un dossier avec des fichiers dedans.
Le propre conseil d'Anthropic dans « Building Effective Agents » est de commencer simplement et d'ajouter de la complexité seulement lorsque c'est nécessaire. Ils mettent explicitement en garde contre le fait de commencer avec des frameworks ou des architectures complexes. Commencez avec deux étapes. Rendez-les fiables. Puis ajoutez-en une troisième.
Les conseils de Confluent sur les workflows IA font le même point. Les solutions simples sont souvent le meilleur endroit pour commencer. Commencer avec une ingénierie de prompt simple n'est peut-être pas parfait, mais cela fonctionne assez bien comme première passe. Lorsque vous atteignez le plafond, ajoutez de la structure. N'ajoutez pas de structure de manière préventive.
L'ennuyeux bat l'ingénieux. Votre premier workflow devrait être si simple qu'il en est embarrassant. Un processus en deux étapes avec un transfert de fichier et une vérification humaine. C'est tout. Les personnes qui tirent de la valeur des workflows IA ont construit des workflows ennuyeux et les ont exécutés 50 fois, pas des workflows impressionnants qu'ils ont exécutés deux fois.
La plupart des conseils sur la productivité IA vous disent d'écrire de meilleurs prompts. Concevoir de meilleurs transferts est là où se trouve le véritable gain. Les prompts à chaque étape peuvent être médiocres si le contexte qu'ils reçoivent est propre. Un prompt brillant dans un fil de discussion gonflé produira toujours une sortie médiocre.
Reconnaître quand vous faites un travail de coordination que l'IA devrait gérer est le véritable changement de paradigme. Une fois que vous voyez le modèle, vous ne pouvez plus le voir autrement. Chaque tâche répétitive devient un candidat à la structuration. Chaque transfert manuel devient un problème de conception.
Atteindre un plafond avec le prompting signifie que vous avez un problème d'architecture. Construisez le pipeline. Laissez le contexte circuler. Gardez la main sur les décisions qui comptent.
Si cela a changé votre façon de penser les workflows IA, suivez @leopardracer pour plus de contenu comme celui-ci et rejoignez ma chaîne Telegram : https://t.me/+ygATQAt9sUM1N2U6
