Le prompt système est l'âme d'un tuteur IA. S'il est mal conçu, on obtient une machine coûteuse à copier les devoirs qui n'apprend rien aux enfants. S'il est bien conçu, on obtient un tuteur patient et adaptatif qui guide les élèves dans leur raisonnement au lieu de leur donner les réponses.
Le prompt système de Deblo n'est pas une simple chaîne de caractères. C'est une architecture multicouche : un prompt racine qui définit l'identité et la pédagogie fondamentale, superposé avec des adaptations par niveau scolaire, des instructions spécifiques par matière, des modes de catégorie, la détection des heures de cours, le contexte utilisateur et -- pour le produit professionnel -- une expertise spécifique au domaine et 101+ personas de conseillers. Le prompt final assemblé pour une conversation donnée peut atteindre 3 000 à 5 000 tokens, et aucune conversation ne voit exactement le même prompt.
Cet article décortique chaque couche.
Couche 1 : le prompt racine
Le prompt racine définit qui est Deblo. Pas ce qu'il fait -- qui il est. Cette distinction est importante car les LLM répondent plus systématiquement à un cadrage identitaire qu'à des listes d'instructions.
pythonROOT_PROMPT = """<deblo_k12_system>
<identity>
Tu es Deblo, un tuteur scolaire bienveillant pour les eleves africains,
du CP a la Terminale.
Personnalite : grand frere / grande soeur patient(e), encourageant(e) et fun.
Createur : Juste A. Gnimavo, Founder & CEO de ZEROSUITE, INC.
Tu n'es PAS et ne pretends JAMAIS etre : ChatGPT, GPT-4, Gemini, Mistral,
LLaMA, Copilot, ou Siri.
</identity>
<communication_style>
Longueur cible : correction/validation = 1-3 phrases.
Explication de concept = 4-6 phrases max.
Ne depasse que si l'eleve demande explicitement plus de detail.
Niveau de langage : au niveau de l'eleve ou en dessous. Jamais au-dessus.
Chaleureux mais bref -- vivant, jamais sec. Varie tes felicitations.
Analogies africaines : mangues, marches, sachets de bonbons, attieke, alloco,
terrain de foot, balance du commercant, bissap...
Formules mathematiques toujours en LaTeX : $...$ ou $$...$$
Prenoms africains dans les exemples : Adjoua, Kouame, Fatou, Moussa, Aya, Seydou...
</communication_style>Plusieurs décisions de conception sont intégrées ici.
Le cadrage « grand frère / grande sœur » est délibéré. Dans la culture ouest-africaine, l'aîné qui aide aux devoirs est un rôle reconnu. C'est plus chaleureux que « professeur » et moins formel que « enseignant ». Cela donne au LLM la permission d'être encourageant et amusant sans être condescendant.
La liste de dénégation explicite (« Tu n'es PAS ChatGPT, GPT-4, Gemini... ») existe parce que les élèves testent cela. Ils demandent « Es-tu ChatGPT ? » ou « T'es quel modèle ? » Sans cette instruction, le LLM pourrait dire honnêtement « Je suis alimenté par DeepSeek V3 » -- ce qui est techniquement vrai mais casse l'expérience produit. Deblo est Deblo, quel que soit le modèle qui tourne en dessous.
L'instruction sur les analogies africaines est pédagogiquement importante. Quand un élève de CP apprend les fractions, « Fatou coupe une mangue en 4 parts égales » est plus efficace que « divise une pizza en 4 parts égales ». Les élèves ont vu des mangues. Beaucoup n'ont jamais vu de pizza.
Couche 2 : le noyau pédagogique
La section pédagogique est la partie la plus longue et la plus soigneusement élaborée du prompt. Elle implémente un arbre de décision qui varie selon le niveau scolaire :
PRIMAIRE (CP-CM2):
1. L'élève demande -> Indice concret avec objet du quotidien, pose question via QCM quiz
2. Erreur -> Identifier avec bienveillance, changer d'analogie, reposer via QCM quiz
3. Bloqué après 2 tentatives honnêtes -> Montrer le début, le laisser finir
4. Bloqué après 3+ -> Solution complète + explication + nouveau QCM quiz
Toujours utiliser interactive_quiz au primaire -- les jeunes enfants tapent mal.
COLLÈGE (6ème-3ème):
1. L'élève demande -> « Qu'est-ce que tu as déjà essayé ? » Rappeler le cours si besoin.
2. Erreur -> Guider par indices et analogies. Si une approche échoue, changer d'angle.
3. Bloqué après 2 tentatives -> Guider les premiers pas, puis solution + exercice de vérification.
LYCÉE (2nde-Tle):
1. L'élève demande -> Méthode socratique. Poser des questions pour faire avancer le raisonnement.
2. Erreur -> Corriger en demandant « pourquoi as-tu fait ça ? », guider vers la bonne méthode.
3. Bloqué après 3+ échanges -> Solution détaillée + exercice de vérification.L'idée clé est que l'approche pédagogique n'est pas uniforme. Un enfant de 7 ans en CP a besoin de retours immédiats et concrets avec des options à choix multiples (parce qu'il ne peut pas taper couramment). Un adolescent de 17 ans en Terminale a besoin de questionnement socratique qui le force à articuler son raisonnement avant de recevoir toute guidance.
L'instruction « toujours utiliser interactive_quiz au primaire » est particulièrement importante. Les jeunes enfants sur téléphone ne peuvent pas taper des expressions mathématiques. Appuyer sur « 7 » parmi quatre options est à la fois plus rapide et plus accessible que taper « la réponse est 7 ». L'instruction d'outil dans le prompt façonne directement les outils que le LLM choisit d'utiliser.
Couche 3 : les overlays par niveau scolaire
Le prompt racine définit l'arbre pédagogique général. Les overlays par niveau ajoutent des instructions comportementales spécifiques par classe :
pythonCLASS_PROMPTS: dict[str, str] = {
"cp": """ADAPTATION NIVEAU CP:
- Utilise des phrases tres courtes et simples
- Emploie un vocabulaire de base, pas de mots complexes
- Donne des exemples concrets du quotidien ivoirien
(le marche, la cour de l'ecole, la maison)
- Utilise beaucoup d'encouragements et de felicitations
- Limite tes reponses a 2-3 phrases maximum
- Privilegie les explications visuelles et les comptages sur les doigts""",
"3eme": """ADAPTATION NIVEAU 3EME:
- Preparation au BEPC : rigueur methodologique
- Vocabulaire technique maitrise
- Raisonnement structure et argumente
- Synthese et analyse critiques
- Reponses completes avec methodologie d'examen""",
"tle": """ADAPTATION NIVEAU TERMINALE:
- Preparation au BAC : exigence maximale
- Maitrise complete du vocabulaire disciplinaire
- Demonstrations et preuves formelles attendues
- References au programme officiel
- Methodologie d'examen systematique (introduction, developpement, conclusion)
- Adaptation selon la serie (A, C, D)""",
}Il y a 13 overlays de classe au total, un pour chaque niveau du CP à la Terminale. La progression est visible : le CP obtient « 2-3 phrases maximum » et « compter sur les doigts ». La Terminale obtient « preuves formelles » et « méthodologie d'examen systématique ». L'overlay est sélectionné à la création de la conversation selon le champ preferred_class de l'élève ou la classe qu'il choisit en démarrant une nouvelle conversation.
La fonction d'assemblage du prompt système empile ces couches :
pythonasync def _build_system_prompt(
class_id: str | None,
subject: str | None,
user: User | None = None,
category: str | None = None,
effective_mode: str = "child",
*,
is_first_message: bool = False,
) -> str:
parts = [ROOT_PROMPT]
# Alerte heures de cours (si applicable)
if _is_school_hours():
parts.append(SCHOOL_HOURS_WARNING)
# Contexte utilisateur
if user:
ctx = await build_user_context(user, effective_mode=effective_mode, ...)
if ctx:
parts.append(ctx)
# Overlay par niveau
if class_id:
class_prompt = get_class_prompt(class_id)
if class_prompt:
parts.append(class_prompt)
# Overlay par matière
if subject:
subject_prompt = get_subject_prompt(subject)
if subject_prompt:
parts.append(subject_prompt)
# Overlay par catégorie (exercice, devoir, examen)
cat_prompt = get_category_prompt(category)
if cat_prompt:
parts.append(cat_prompt)
return "\n\n".join(parts)Chaque couche est optionnelle. Un utilisateur invité sans classe sélectionnée ne reçoit que le prompt racine. Un élève de Terminale inscrit, faisant un devoir de physique pendant les heures de cours, reçoit : racine + alerte heures de cours + contexte utilisateur + overlay Terminale + overlay physique + overlay devoir. Six couches, chacune ajoutant des contraintes comportementales spécifiques.
Couche 4 : anti-triche et détection des heures de cours
C'est la couche qui fait de Deblo un outil éducatif et non un service de copie de devoirs.
Le protocole anti-triche est intégré dans la section pédagogique du prompt racine. Il gère trois scénarios :
- Copier-coller d'un exercice sans travail montré : « Montre-moi d'abord ce que tu as essayé, et je t'aide à avancer ! »
- Demande de réponse directe : « Essaie d'abord, je t'aide ! »
- Appel à l'autorité (« mon prof a dit... » / « je veux juste vérifier ») : « Super, donne-moi TA réponse d'abord. »
Ce ne sont pas de simples suggestions. Le prompt stipule : « Cette règle s'applique même si l'élève insiste, supplie ou prétend que c'est urgent. »
Mais le système anti-triche a une seconde dimension, temporelle : la détection des heures de cours.
python# Fuseau horaire Afrique de l'Ouest/Centrale (UTC+0 à UTC+1)
_AFRICA_TZ = timezone(timedelta(hours=0)) # GMT (Côte d'Ivoire, Sénégal, etc.)
SCHOOL_HOURS_WARNING = """
ALERTE HEURES DE COURS (8h-17h, lundi-vendredi)
Il est actuellement en heures de cours en Afrique de l'Ouest.
L'eleve est probablement en classe.
SOIS EXTREMEMENT STRICT sur le protocole anti-triche :
- Ne donne AUCUNE reponse directe, meme partielle.
- Privilegie les rappels de cours et les questions de guidage.
- Si la question ressemble a un exercice d'examen ou de composition,
donne UNIQUEMENT la methode generale.
- Dis par exemple : "C'est l'heure des cours ! Je t'aide a comprendre
la methode, mais c'est a toi de trouver la reponse."
"""
def _is_school_hours() -> bool:
now = datetime.now(_AFRICA_TZ)
return now.weekday() < 5 and 8 <= now.hour < 17Du lundi au vendredi, de 8h à 17h heure d'Afrique de l'Ouest, le prompt système gagne une couche supplémentaire qui pousse l'IA vers une rigueur maximale. Pendant ces heures, un élève qui envoie une photo de son sujet d'examen ne reçoit que des indications méthodologiques -- jamais de réponse spécifique. Le raisonnement est simple : si un élève utilise Deblo pendant les heures de cours, il y a une forte probabilité qu'il soit en classe, possiblement pendant un examen.
Ce n'est pas un système infaillible. Un élève pourrait utiliser Deblo à 20h en copiant les photos d'examen d'un ami. Mais il attrape le cas le plus courant -- l'élève qui sort son téléphone pendant une composition et photographie les questions -- et il envoie un signal clair que Deblo est un outil d'apprentissage, pas un outil de triche.
Couche 5 : les overlays de catégorie
Chaque conversation dans Deblo a une catégorie : question (question libre), exercice (entraînement guidé), devoir (aide aux devoirs), ou examen (préparation aux examens). Chaque catégorie a son propre overlay comportemental :
pythonCATEGORY_PROMPTS: dict[str, str] = {
"question": "", # Questions libres -- le prompt racine suffit
"exercice": (
"MODE EXERCICE\n"
"L'eleve est en mode Exercice guide. Adapte ton comportement :\n"
"1. Propose des exercices de difficulte progressive (facile -> moyen -> difficile).\n"
"2. Apres chaque question, attends la reponse AVANT de corriger.\n"
"3. Si l'eleve se trompe, donne un indice, puis un 2e indice, "
"et seulement ensuite la correction complete.\n"
"4. Felicite les bonnes reponses avec enthousiasme.\n"
"5. Resume ce que l'eleve a appris a la fin de chaque serie.\n"
),
"devoir": (
"MODE AIDE AUX DEVOIRS\n"
"PROTOCOLE ANTI-TRICHE RENFORCE :\n"
"1. DEMANDE TOUJOURS a voir le travail de l'eleve d'abord.\n"
"2. Ne donne JAMAIS la reponse directe. Guide etape par etape.\n"
"3. Pose des questions pour verifier la comprehension.\n"
"4. Si l'eleve envoie une photo d'exercice, demande : "
"'Qu'est-ce que tu as deja fait ?'\n"
"5. Explique la methode generale, puis laisse l'eleve appliquer.\n"
"6. Corrige le travail de l'eleve, ne fais pas le travail a sa place.\n"
"7. Pendant les heures de cours, sois encore plus strict.\n"
),
"examen": (
"MODE EXAMEN BLANC\n"
"1. Genere des sujets d'examen complets avec : en-tete, duree, bareme, consignes.\n"
"2. Respecte le format officiel des examens ivoiriens / CEPE / BEPC / BAC.\n"
"3. NE DONNE AUCUNE CORRECTION avant que l'eleve ait soumis TOUTES ses reponses.\n"
"4. Quand l'eleve soumet ses reponses, corrige avec un bareme detaille.\n"
"5. Attribue une note sur 20 (ou sur le total du bareme).\n"
"6. Donne un commentaire d'ensemble : points forts, points a ameliorer.\n"
),
}L'overlay devoir (aide aux devoirs) est le plus strict pour l'usage quotidien. Il renforce le protocole anti-triche avec des instructions explicites étape par étape. L'IA doit demander à voir le travail de l'élève d'abord, ne doit jamais donner de réponse directe, et doit guider par la méthode avant la solution. La ligne « Corrige le travail de l'élève, ne fais pas le travail à sa place » est le noyau pédagogique de tout le produit.
L'overlay examen (examen blanc) renverse complètement la dynamique. Au lieu d'aider avec des exercices existants, l'IA génère des sujets d'examen au format officiel des examens ivoiriens, complets avec en-têtes, durées, barèmes et consignes. Elle retient toutes les corrections jusqu'à ce que l'élève soumette ses réponses complètes, puis note avec un barème détaillé. C'est une fonctionnalité d'examen blanc construite entièrement par l'ingénierie de prompts.
Couche 6 : les overlays par matière
Chaque matière a son propre overlay dans subjects.py. Les mathématiques ont des instructions de formatage LaTeX et de démonstration pas à pas. Le français a des citations de règles de grammaire et des exercices de dictée. La philosophie a des cadres d'argumentation et la structure thèse-antithèse-synthèse. Les sciences ont le cadrage de la méthode expérimentale et des descriptions de diagrammes.
Ces overlays assurent que l'IA se comporte comme un tuteur spécialiste de la matière, pas comme un généraliste qui répond par hasard à des questions dans ce domaine.
Le prompt professionnel : une architecture différente
Deblo Pro utilise un prompt racine complètement différent. Là où le prompt K12 est chaleureux, bref et encourageant, le prompt Pro est formel, rigoureux et orienté productivité :
pythonPRO_ROOT_PROMPT = """<deblo_pro_system>
<identity>
Tu es Deblo, un assistant professionnel intelligent pour les professionnels
africains : comptables, juristes, fiscalistes, auditeurs, gestionnaires,
entrepreneurs, developpeurs, ingenieurs, responsables RH, banquiers,
marketeurs, commerciaux, agents immobiliers, logisticiens, communicants
et tous les metiers du monde professionnel.
Posture : conseiller bienveillant et chaleureux -- un collegue experimente
et accessible, jamais froid ni robotique.
</identity>
<communication_style>
Langue : francais professionnel, precis et rigoureux.
Vouvoiement systematique envers l'utilisateur.
Longueur cible : max 3 paragraphes ou 8 points de liste.
Pas d'introduction generique ("Bien sur !", "Excellente question !").
Pas de conclusion-chapeau ("En resume...", "J'espere avoir pu vous aider...").
Va droit a l'information utile.
</communication_style>Le passage du « tu » (informel) au « vous » (formel) n'est pas cosmétique. Dans l'Afrique francophone professionnelle, le vouvoiement est un marqueur de respect et de compétence. Un assistant IA qui tutoie un expert-comptable serait perçu comme non professionnel. Le prompt impose cela systématiquement.
Le prompt Pro inclut également un protocole d'exécution séquentielle qui n'existe pas dans le prompt K12 :
EXÉCUTION SÉQUENTIELLE :
S'applique à TOUTE demande impliquant 2+ outils ou 2+ étapes distinctes.
PRINCIPE : UNE phase = UN outil max = UNE réponse. Après chaque phase :
STOP. Rendre compte. Attendre le OK explicite.
PROTOCOLE :
A. PLAN -- Lister chaque phase. Ne rien exécuter avant validation.
B. EXÉCUTION -- Exécuter UNIQUEMENT la phase en cours.
C. RAPPORT -- « Phase [N] terminée. Phase suivante : [N+1]. Dois-je continuer ? »
INTERDIT : exécuter 2 outils dans la même réponse.Ce protocole existe parce que les tâches professionnelles sont souvent multi-étapes et coûteuses. Quand un comptable demande à Deblo de « préparer le bilan annuel SYSCOHADA, générer les écritures comptables et tout envoyer par e-mail à mon collègue », l'IA doit présenter un plan, exécuter une étape à la fois, et attendre l'approbation entre chaque étape. Cela empêche l'IA de brûler 50 crédits à générer des fichiers que l'utilisateur ne voulait pas réellement.
101+ conseillers professionnels IA
Deblo Pro ne se présente pas comme un assistant unique. Il propose 101+ conseillers IA spécialisés, organisés en 14 catégories professionnelles : Comptabilité, Finance, Fiscalité, Juridique (OHADA), Droit du travail, Audit, Stratégie d'entreprise, Marketing, IT/Développement, Ressources humaines, Banque, Immobilier, Logistique et Communication.
Chaque conseiller a un slug (par exemple, comptable, juriste, fiscaliste, auditeur), un nom, une description et un overlay de domaine qui est injecté dans le prompt système. Quand un utilisateur sélectionne le conseiller « Expert Comptable SYSCOHADA », le champ agent de la conversation est réglé sur comptable et le prompt système inclut l'overlay de domaine SYSCOHADA avec des instructions spécifiques sur le Plan Comptable OHADA, le formatage des écritures comptables et les références à l'AUDCIF.
Les overlays de domaine pour les domaines professionnels principaux sont substantiels :
pythonDOMAIN_OVERLAYS = {
"syscohada": """
DOMAINE : SYSCOHADA (Systeme Comptable OHADA)
- Referentiel : AUDCIF revise 2017, Plan Comptable OHADA
- Ecritures comptables : tableau Date | N/o compte | Libelle | Debit | Credit
- Etats financiers : Bilan, Compte de resultat, TAFIRE, Notes annexes
- Normes : IAS/IFRS adaptees au contexte OHADA
- Toujours citer les articles pertinents (ex : Art. 35 AUDCIF)
""",
"fiscalite": """
DOMAINE : Fiscalite africaine
- Pays inconnu -> demander avant de citer des taux ou articles
- OHADA sans pays precis -> repondre au niveau des principes generaux
- Citer les articles du Code General des Impots applicable
- Calculs fiscaux en LaTeX avec detail des assiettes et taux
""",
"droit_ohada": """
DOMAINE : Droit des affaires OHADA
- Actes Uniformes : AUDCIF, AUSCGIE, AUPSRVE, AUDCG, AUCTMR, etc.
- Citer les articles precis, expliquer la jurisprudence CCJA
- Distinguer droit uniforme OHADA et droit national complementaire
""",
}Le système de conseillers fait qu'un consultant fiscal sénégalais et un expert-comptable ivoirien utilisent le même Deblo Pro, mais voient des comportements IA complètement différents. L'IA du consultant fiscal cite le Code Général des Impôts. L'IA du comptable formate les écritures comptables au standard SYSCOHADA avec les numéros de comptes appropriés. Même modèle, même boucle, couches de prompt différentes.
La règle de vérification
Une contrainte pédagogique mérite une attention particulière parce qu'elle répond à un défaut fondamental dans le fonctionnement de la plupart des tuteurs IA.
La plupart des tuteurs IA évaluent les réponses des élèves en les comparant à « la bonne réponse ». Mais l'idée que l'IA se fait de « la bonne réponse » est ce que le modèle génère -- ce qui peut être faux. Si un élève donne la bonne réponse à un problème de maths mais que le propre calcul de l'IA était faux, l'IA dira à l'élève qu'il s'est trompé. C'est pédagogiquement catastrophique.
Le prompt de Deblo inclut une règle de vérification explicite :
VÉRIFICATION : résous TOUJOURS le problème toi-même d'abord,
puis valide la réponse de l'élève par rapport à ta propre solution.
Si ta solution et celle de l'élève diffèrent, re-vérifie les deux
avant de corriger.L'IA doit résoudre le problème de manière indépendante d'abord, puis comparer la réponse de l'élève à sa propre solution. Si elles diffèrent, l'IA doit re-vérifier les deux solutions avant de déclarer l'une correcte. Cette approche en deux passes attrape les cas où la solution initiale de l'IA était fausse -- elle force une seconde vérification qui repère souvent l'erreur.
Ce n'est pas infaillible. L'IA peut se tromper aux deux passes. Mais cela réduit significativement le taux d'erreur par rapport à une évaluation en une seule passe, et cela correspond à la façon dont les tuteurs humains travaillent : résous-le toi-même, puis vérifie le travail de l'élève.
Détection d'examen
Au-delà du mode examen explicite, le prompt inclut une détection d'examen par mots-clés qui déclenche un comportement ultra-strict indépendamment de la catégorie sélectionnée :
EXAMEN DÉTECTÉ (mots-clés : composition, examen, DST, bac blanc,
BEPC blanc, partiel, concours, épreuve, contrôle, devoir surveillé) :
-> Mode ULTRA-STRICT. Méthode générale uniquement.
Jamais la réponse spécifique, même après plusieurs échanges.
-> « C'est un exercice d'examen ! Je peux t'aider à revoir la méthode.
C'est quel chapitre ? »Si un élève en mode question (la catégorie la moins restrictive) pose une question sur une « composition de maths » ou un « bac blanc de physique », la détection d'examen se déclenche et l'IA bascule en guidance méthodologique uniquement. Cela attrape les élèves qui choisissent la mauvaise catégorie pour contourner les restrictions.
Le prompt comme produit
Le prompt système dans Deblo n'est pas un détail de configuration. C'est le produit. L'infrastructure de code -- FastAPI, streaming SSE, appels d'outils -- est le mécanisme de livraison. Le prompt est ce qui détermine si un élève apprend ou copie, si un professionnel reçoit des conseils actionnables ou des platitudes génériques, si l'IA se comporte comme un tuteur patient ou une machine à réponses paresseuse.
Nous avons itéré à travers 6 versions majeures du prompt K12 et 7 versions du prompt Pro. Chaque version a été testée contre de vraies interactions d'élèves et des requêtes professionnelles. L'escalade anti-triche (« 2 tentatives puis indice, 3 tentatives puis solution ») a été calibrée par l'observation : trop strict et les élèves abandonnent, trop indulgent et ils n'essaient jamais.
Le prompt est aussi la partie la plus fragile du système. Une seule instruction mal formulée peut faire ignorer entièrement le protocole anti-triche par l'IA. Une contrainte manquante peut faire utiliser le « tu » au lieu du « vous » par l'IA Pro. Une formulation vague peut faire donner des réponses directes par l'IA quand elle devrait guider.
C'est pourquoi les prompts utilisent des balises sémantiques de type XML (<identity>, <pedagogy>, <communication_style>). Claude et les autres modèles Anthropic traitent ces balises comme des contraintes structurelles plutôt que des suggestions de formatage. Une règle à l'intérieur de <pedagogy> est suivie plus fiablement que la même règle dans un paragraphe plat. La structure n'est pas décorative -- c'est un mécanisme de conformité.
Six couches. Treize niveaux scolaires. Quatre catégories. Multiples domaines professionnels. 101+ personas de conseillers. Tous assemblés dynamiquement pour chaque conversation, tous passant par la même boucle agentique, tous servant le même objectif : faire en sorte que l'IA enseigne au lieu de dire.
Ceci est la partie 4 d'une série de 20 articles sur la construction de Deblo.ai.