Prompting “utilisateur” en JSON

Mode d’emploi pas-à-pas pour dialoguer avec une IA en format structuré
(≈ 3 400 mots – lecture 25 min, ultra-débutant-friendly)

1. Pourquoi un module entier sur « JSON » ?
Quand on tape un prompt dans ChatGPT, on écrit du texte libre.
Mais dès qu’on passe du jouet à l’outil, on veut :

Besoin réel Problème avec le texte libre Solution JSON
Automatiser un même flux (API, Zapier, Make…) Le prompt doit être reconstruit à chaque appel Un objet JSON stable que l’on « remplit »
Obtenir un format de réponse garanti (tableau, coordonnées, code) Le modèle répond parfois « presque » au bon format Le nouveau mode response_format: « json » impose un JSON valide
learn.microsoft.com
Chaîner plusieurs LLM (agent, RAG, assistants) Impossible d’extraire les infos si la syntaxe varie On lit/écrit toujours la même structure JSON

Résultat : JSON devient la prise universelle pour brancher les LLM dans un produit, un script No-Code ou… un simple tableur Google Sheets.

2. Mini-glossaire « aucune notion dev »
Terme Définition “grand public”
JSON Texte à accolades { } qui range les infos en paires clé : valeur (comme “colonne : donnée” dans Excel)
Message Un bloc JSON contenant au minimum role (system, user, assistant) et content (le texte)
Schema / modèle JSON Grille qui décrit les champs attendus (nom, type, longueur, etc.)
JSON mode Option API (« response_format »:{« type »: »json_object »}) obligeant le LLM à renvoyer un JSON valide
Validation Étape où l’on vérifie qu’une réponse suit le schéma (sinon → « corrige » ou « retry »)

Gardez cette table à portée : elle évite 80 % des quiproquos.

3. Ce que vous saurez faire après ce module
Repérer la structure d’un prompt JSON (tableau messages)

Écrire votre premier « template » avec variables faciles à remplir

Contraindre la réponse à un format JSON garanti

Déboguer une conversation (erreurs fréquentes et correctifs)

Suivre un atelier pratique sans écrire une ligne de code : copier / coller un fichier .json, l’envoyer dans Playground ou Make, lire la sortie dans un tableur.

4. Anatomie du prompt JSON (lecture guidée)
json
Copy
Edit
{
« model »: « gpt-4o-mini »,
« messages »: [
{ « role »: « system »,
« content »: « Tu es un expert en art contemporain. Réponds UNIQUEMENT en JSON. » },
{ « role »: « user »,
« content »: « Donne-moi la fiche de Jeff Koons – œuvre la plus chère, date, prix. » }
],
« response_format »: { « type »: « json_object » }
}
4.1 Décryptage ultra-simple
Accolades externes = dossier principal de la requête

model : variante du LLM

messages : la conversation (toujours un tableau [])

chaque message ≥ deux clés : role & content

response_format : ici, on force un retour JSON propre ✨

Aucune virgule finale ➜ sinon erreur « invalid JSON ».

Le LLM reçoit le tout en une seule fois, comprend qu’il doit jouer le rôle demandé, et sait qu’il n’a pas le droit de sortir du cadre.

5. Votre premier template prêt à remplir
Fichier fiche_artiste_template.json :

json
Copy
Edit
{
« model »: « gpt-4o-mini »,
« messages »: [
{ « role »: « system »,
« content »: « Tu es un conservateur de musée. Réponds en JSON conforme au schéma. » },
{ « role »: « user »,
« content »: « Fournis la fiche complète de {{ARTISTE}}. » }
],
« response_format »: { « type »: « json_object » },
« temperature »: 0.3
}
• {{ARTISTE}} = variable à remplacer (Koons, Kusama…).
• Le même fichier sert mille fois : on ne change que la valeur.

📄 Astuce débutant : ouvrez le fichier dans Notepad / TextEdit, n’utilisez pas Word (il ajoute des guillemets “smart”).

6. Élargir avec un schéma (optionnel mais puissant)
Le mode JSON d’OpenAI accepte un mini-schéma :

json
Copy
Edit
« response_format »: {
« type »: « json_object »,
« schema »: {
« type »: « object »,
« properties »: {
« work »: { « type »: « string » },
« sale_price_m »: { « type »: « number » },
« sale_year »: { « type »: « integer » }
},
« required »: [« work », « sale_price_m », « sale_year »] }
}
Le modèle ne peut plus “oublier” un champ ; s’il le fait, l’API signale une erreur
learn.microsoft.com
.
Bien : vous recevez un JSON toujours valide ⇒ votre tableau Excel se charge sans casse.

7. Stratégies : parler clair, parler JSON
Situation Formulation “texte libre” Formulation JSON (recommandée)
LLM doit répondre par trois puces « Donne-moi trois raisons… » {« format »: »bullet3″} ou préciser le schéma {« reason1 »:…}
Vous voulez du code réutilisable « Écris-moi du Python » Ajoutez champ « language »: »python » et forcez « response_format »: »json_object »
Vous parsez la réponse dans un Zap Aucune contrainte → échec Exigez des clés simples (« title », « summary »)

Bonne pratique : toujours finir la consigne par “Réponds exclusivement avec un JSON valide, sans commentaire hors du JSON.”
help.openai.com

8. Erreurs fréquentes & correctifs
Message API Explication Correctif rapide
invalid_request_error: JSON must be an object Vous avez laissé traîner un texte avant { Supprimez les retours ligne vides ou commentaires
schema_violation Le modèle n’a pas respecté votre schéma ① Redemandez ; ② simplifiez le schéma
Réponse contient \n hors guillemets LLM a tenté un “joli format” Ajoutez « sans newlines non échappés »
Le JSON est bon, mais manque un champ Champ non “required” Ajoutez-le dans required ou vérifiez vos majuscules

Règle d’or : relancez la même requête → un second appel corrige souvent le tir (stochastique).

9. Bonnes pratiques (cheat-sheet A5)
python
Copy
Edit
# Envoyer
POST chat/completions
Content-Type: application/json

# Structure minimale
{
« model »: »gpt-4o-mini »,
« messages »:[{…}],
« response_format »:{« type »: »json_object »}
}

# Consignes clés
✅ Clarifier le rôle (system)
✅ Définir un schema simple
✅ Dire “Réponds uniquement en JSON valide”
✅ Vérifier la réponse (try / except json.loads)
Imprimez-la ; fixez-la à votre écran.

10. Mini-atelier guidé (30 min)
Téléchargez le pack formation_resources (lien plus bas)

Ouvrez Playground ou Make/OpenAI ➔ raw mode

Chargez fiche_artiste_template.json, remplacez {{ARTISTE}} par “Banksy”

Cliquez Run → observez la sortie JSON

Copiez-collez le résultat dans Excel > Données > À partir du JSON

Rejouez avec “Yayoi Kusama” ; comparez les prix

Pas une ligne de code, juste copier-coller.

11. Sécurité & gouvernance express
PII : si la réponse doit contenir des données perso, chiffrez‐les avant stockage.

Logs : masquez les clés API dans vos plateformes No-Code.

Contrôle de version : gardez vos prompts JSON dans Git ou Google Drive ; ajoutez un champ « version »: « 2025-06-17 ».

Audit : les schémas JSON sont autodocumentants ; joignez-les à la fiche de conformité IA.

12. FAQ ultra-condensée
Question débutant Réponse courte
“Dois-je apprendre la syntaxe complète JSON ?” Les quatre règles : { } ; clés en « snake_case » ; pas de virgule finale ; guillemets doubles seulement.
“Pourquoi l’IA m’envoie quand même du texte libre ?” Oubliez pas response_format. Vérifiez aussi qu’aucun message assistant précédent ne brise l’instruction.
“Puis-je imbriquer du Markdown ?” Non : JSON ou Markdown, pas les deux dans le même corps si vous voulez parser.
“Comment valider le JSON sans coder ?” copiez-collez la réponse dans jsonlint.com (gratuit).

13. Ressources gratuites
Docs OpenAI – Prompt Engineering Guide (section JSON mode)
platform.openai.com

“Best practices” – OpenAI Help
help.openai.com

Azure OpenAI JSON mode (pas-à-pas)
learn.microsoft.com

Google 68-page white-paper (avril 2025) : PDF complet sur la structuration des prompts JSON
reddit.com

14. Fichiers : starter-kit pratique 🚀
Fichier Contenu Lien
fiche_artiste_template.json Template paramétrable {{ARTISTE}} Inclus dans le pack
schema_fiche_artiste.json Schéma JSON (work, price, year) Inclus
prompt_debug_examples.json 5 cas d’erreurs + corrections Inclus
fiche_artiste_banksy_result.json Exemple de sortie valide Inclus

Téléchargez le nouveau pack “json_prompt_resources.zip” (créé pour vous).

15. Rappel-éclair (10 s)
Toujours envoyer un tableau messages, imposer response_format, bannir le blabla hors JSON, valider avant d’exploiter.

16. Et maintenant… testez !
Ouvrez prompt_debug_examples.json

Prenez l’erreur #2 « virgule finale »

Corrigez-la → relancez

Constatez que l’API ne renvoie plus d’erreur.

En 30 minutes, vous aurez :

écrit votre premier prompt JSON,

forcé un LLM à répondre dans un format garanti,

importé le résultat dans un tableur.

Vous voilà armé pour brancher n’importe quelle IA dans vos outils sans craindre la casse – le pouvoir du JSON à portée de copier-coller !

Sources