Knowledge Engineering vs Prompt Engineering : quelles différences ?

Le Prompt Engineering et le Knowledge Engineering interviennent tous les deux dans la conception de systèmes utilisant l’intelligence artificielle.

Ils ne travaillent toutefois pas au même niveau.

Le Prompt Engineering cherche principalement à formuler des instructions efficaces pour guider un modèle de langage.

Le Knowledge Engineering cherche à organiser les connaissances que le modèle ou le système doit utiliser.

La différence peut être résumée ainsi :

Le Prompt Engineering organise les instructions données au modèle. Le Knowledge Engineering organise les connaissances disponibles pour répondre.

Un bon prompt peut améliorer la forme et la méthode d’une réponse. Il ne peut pas remplacer une base de connaissances fiable, une ontologie, des règles métier ou une gouvernance des sources.

Ce que vous allez comprendre

À la fin de cette page, vous saurez :

définir le Prompt Engineering ;
définir le Knowledge Engineering ;
comprendre leurs objectifs respectifs ;
distinguer instructions et connaissances ;
identifier les limites d’un prompt ;
comprendre leur rôle dans un système RAG ;
concevoir une architecture combinant les deux.

Qu’est-ce que le Prompt Engineering ?

Le Prompt Engineering consiste à concevoir les instructions, le contexte et le format fournis à un modèle afin d’obtenir un résultat adapté.

Un prompt peut préciser :

le rôle du modèle ;
la tâche ;
le contexte ;
les contraintes ;
les étapes ;
le ton ;
le format ;
les exemples ;
les critères de qualité.

Exemple :

À partir des sources fournies, réponds à la question.
N’utilise aucune information extérieure aux sources.
Cite les passages utilisés.
Signale clairement lorsque les informations sont insuffisantes.

Ce prompt cherche à contrôler le comportement du modèle.

Les objectifs du Prompt Engineering

Le Prompt Engineering peut servir à :

clarifier une tâche ;
réduire les ambiguïtés ;
imposer un format ;
demander une méthode ;
fournir des exemples ;
adapter le ton ;
améliorer la cohérence ;
organiser une chaîne de traitement ;
appeler des outils ;
définir des conditions de refus.

Qu’est-ce que le Knowledge Engineering ?

Le Knowledge Engineering consiste à :

identifier les connaissances nécessaires ;
recueillir l’expertise ;
définir les concepts ;
organiser les relations ;
formaliser les règles ;
conserver les sources ;
gérer les versions ;
construire une base exploitable.

Il répond à des questions comme :

quelle source est valide ?
quel concept correspond à ce terme ?
quelle règle s’applique ?
quelle exception doit être prise en compte ?
comment relier plusieurs documents ?
comment vérifier une conclusion ?

Instructions et connaissances

Prenons la question :

Marie peut-elle suivre la formation avancée ?

Un prompt peut dire :

Vérifie les prérequis avant de répondre.
Explique ton raisonnement.

Mais pour répondre, le système doit connaître :

Marie possède le niveau débutant.

La formation avancée exige le niveau intermédiaire.

La formation intermédiaire développe le niveau intermédiaire.

La première partie relève du Prompt Engineering.

La seconde relève du Knowledge Engineering.

Comparaison générale

Prompt Engineering	Knowledge Engineering
Conçoit les instructions	Conçoit les connaissances
Guide le comportement du LLM	Structure les sources du système
Travaille sur le contexte immédiat	Travaille sur le domaine
Définit le format de réponse	Définit les concepts et relations
Peut utiliser des exemples	Peut utiliser des ontologies et graphes
Agit au moment de l’interaction	Agit avant et pendant l’exploitation
Peut être modifié rapidement	Demande souvent une validation métier
N’assure pas la vérité des sources	Organise leur fiabilité
Ne remplace pas les règles	Peut formaliser les règles
Contrôle le langage	Contrôle la structure du savoir

Ce qu’un prompt peut faire

Un prompt peut demander au modèle de :

analyser une question ;
utiliser uniquement certains documents ;
citer les sources ;
suivre une procédure ;
produire un tableau ;
vérifier une liste de critères ;
poser une question lorsque l’information manque ;
refuser de conclure sans preuve.

Ce qu’un prompt ne peut pas garantir

Un prompt ne garantit pas automatiquement :

que les documents sont à jour ;
que la bonne source est retrouvée ;
qu’une règle est exacte ;
qu’une exception est connue ;
que deux entités sont correctement identifiées ;
que les droits d’accès sont respectés ;
que la conclusion est logiquement valide ;
que le modèle appliquera toujours la règle de la même manière.

Exemple : procédure obsolète

Supposons que deux documents existent :

Procédure 3.1 — ancienne
Procédure 4.2 — actuelle

Un prompt peut dire :

Utilise la procédure la plus récente.

Mais le système doit posséder des métadonnées fiables :

version : 4.2
statut : validée
date_effet : 2026-01-01

La gestion de ces informations relève du Knowledge Engineering.

Exemple : synonymes métier

Une entreprise utilise les termes :

client
compte
bénéficiaire
acheteur

Un prompt peut demander :

Interprète correctement les termes métier.

Mais le modèle a besoin d’un vocabulaire structuré précisant :

les définitions ;
les synonymes ;
les différences ;
les relations.

Cette structure peut prendre la forme d’un glossaire, d’une taxonomie ou d’une ontologie.

Exemple : règle et exception

Règle :

SI une facture est échue
ALORS envoyer une relance.

Exception :

Ne pas relancer si un litige est ouvert.

Un prompt peut demander :

Vérifie les exceptions.

Mais l’exception doit être stockée et reliée à la règle.

Le Knowledge Engineering organise cette relation.

Prompt Engineering sans Knowledge Engineering

Un système fondé uniquement sur les prompts peut fonctionner pour :

reformuler un texte ;
résumer un document ;
produire des idées ;
transformer un format ;
réaliser une tâche non critique ;
traiter un contenu fourni directement.

Il devient plus fragile lorsque :

les sources sont nombreuses ;
le vocabulaire est spécialisé ;
les règles sont complexes ;
les versions évoluent ;
les réponses doivent être auditées ;
les erreurs ont un coût important.

Knowledge Engineering sans Prompt Engineering

Une base de connaissances peut exister sans LLM.

Elle peut être utilisée par :

un moteur de recherche ;
une interface à filtres ;
un système expert ;
une base graphe ;
une application métier ;
un moteur de règles.

Le Prompt Engineering devient utile lorsque le système utilise un modèle de langage pour interagir avec cette base.

Comment les deux approches se combinent-elles ?

Une architecture peut être organisée ainsi :

Question utilisateur
        ↓
Prompt d’analyse
        ↓
Identification des concepts
        ↓
Recherche dans la base de connaissances
        ↓
Application des règles
        ↓
Prompt de génération
        ↓
Réponse avec sources

Rôle du Prompt Engineering

Il définit :

la manière d’interpréter la question ;
les outils à utiliser ;
le format de la requête ;
les critères de réponse ;
le format de sortie ;
les conditions de refus.

Rôle du Knowledge Engineering

Il fournit :

les concepts ;
les relations ;
les règles ;
les sources ;
les métadonnées ;
les contraintes ;
les faits.

Prompt Engineering et RAG

Dans un système RAG, le prompt peut contenir :

Question
+
Fragments retrouvés
+
Instructions

Exemple :

Réponds uniquement à partir des extraits fournis.
Indique le titre et la version de la source.
Ne déduis aucune règle non présente.

Ce prompt améliore la discipline du modèle.

Cependant, la qualité dépend encore de :

l’ingestion ;
le découpage ;
les embeddings ;
les métadonnées ;
le retriever ;
la qualité des sources.

Ces éléments relèvent en grande partie du Knowledge Engineering appliqué au RAG.

Prompt Engineering et GraphRAG

Dans GraphRAG, le modèle peut recevoir :

des entités ;
des relations ;
des chemins ;
des résumés ;
des fragments ;
des sources.

Le prompt peut demander :

Explique la réponse à partir des chemins du graphe.
Distingue les faits confirmés des hypothèses.
Cite les documents associés à chaque relation.

Mais la qualité du graphe dépend :

de l’ontologie ;
de la résolution d’entités ;
des sources ;
des relations ;
de la validation.

Prompt Engineering et agents IA

Un agent peut utiliser des prompts pour décider :

quel outil appeler ;
quelle requête effectuer ;
quelle étape suivre ;
quand demander une confirmation.

Le Knowledge Engineering peut définir :

les types d’actions ;
les règles d’autorisation ;
les concepts métier ;
les conditions ;
les limites ;
les résultats possibles.

Exemple d’architecture agentique

Demande utilisateur
        ↓
Prompt de planification
        ↓
Sélection d’un outil
        ↓
Consultation d’une base de connaissances
        ↓
Vérification par règles
        ↓
Action ou demande de validation

Le prompt comme interface de procédure

Un prompt peut contenir une procédure.

Exemple :

1. Identifier le produit.
2. Identifier le symptôme.
3. Vérifier la version du contrat.
4. Rechercher la procédure applicable.
5. Vérifier les exceptions.
6. Produire une réponse sourcée.

Cette approche est utile, mais la procédure doit être maintenue.

Si elle change, il faut :

la versionner ;
la valider ;
identifier les prompts concernés ;
tester les conséquences.

Cela devient un problème de gouvernance des connaissances.

Le risque des prompts trop longs

Un prompt peut accumuler :

des définitions ;
des règles ;
des exemples ;
des exceptions ;
des procédures ;
des données.

Il devient alors :

difficile à maintenir ;
coûteux à exécuter ;
difficile à tester ;
sensible aux contradictions ;
limité par la fenêtre de contexte.

Les connaissances importantes doivent être externalisées dans des structures adaptées.

Ce qui doit rester dans le prompt

Le prompt doit principalement contenir :

la tâche ;
la méthode ;
les contraintes de comportement ;
le format ;
les critères de réponse ;
le contexte nécessaire à l’exécution immédiate.

Ce qui doit être externalisé

Il est préférable d’externaliser :

les documents ;
les faits ;
les règles métier ;
les ontologies ;
les graphes ;
les catalogues ;
les historiques ;
les droits ;
les versions.

Prompt Engineering et règles formelles

Un prompt peut dire :

Applique cette règle sans exception.

Mais un LLM ne constitue pas toujours un moteur de règles fiable.

Pour une décision critique, il est préférable d’utiliser :

LLM
  ↓ extrait les faits
Moteur de règles
  ↓ produit la conclusion
LLM
  ↓ explique la conclusion

Cette architecture sépare :

l’interprétation du langage ;
le raisonnement contrôlé ;
la génération de la réponse.

Prompt Engineering et évaluation

Un prompt doit être testé sur :

des cas normaux ;
des ambiguïtés ;
des informations insuffisantes ;
des contradictions ;
des tentatives de contournement ;
des données obsolètes ;
des demandes hors périmètre.

Le Knowledge Engineering aide à construire les cas et les réponses attendues.

Méthode de conception combinée

Étape 1 — Définir le problème

Exemple :

Déterminer si un participant est éligible à une formation.

Étape 2 — Définir les connaissances

Participant
Compétence
Niveau
Formation
Prérequis

Étape 3 — Définir les règles

SI le participant possède le niveau requis
ALORS il est éligible.

Étape 4 — Définir les sources

Dossier participant
Catalogue des formations
Règlement pédagogique

Étape 5 — Définir le prompt

Identifie le participant et la formation.
Consulte les prérequis.
N’invente aucune compétence.
Présente la règle appliquée.

Étape 6 — Tester

niveau suffisant ;
niveau insuffisant ;
compétence inconnue ;
règle contradictoire ;
exception manuelle.

Quand privilégier le Prompt Engineering ?

Il est particulièrement adapté pour :

améliorer un format ;
guider une transformation ;
définir un rôle ;
structurer une réponse ;
orchestrer une tâche ;
fournir quelques exemples ;
gérer une interaction.

Quand privilégier le Knowledge Engineering ?

Il devient nécessaire pour :

construire une base métier ;
gérer des versions ;
représenter des concepts ;
formaliser des règles ;
conserver des sources ;
relier plusieurs entités ;
garantir la maintenance ;
contrôler les décisions.

Erreurs fréquentes

Mettre toutes les connaissances dans le prompt

Le prompt devient long et difficile à maintenir.

Croire qu’un meilleur prompt corrige de mauvaises sources

Le modèle restera limité par les contenus fournis.

Utiliser un LLM comme moteur de règles unique

L’application des règles peut varier.

Négliger les métadonnées

Le système ne sait pas quelle version utiliser.

Ne pas tester les exceptions

La réponse fonctionne uniquement sur les cas simples.

Confondre instruction et vérité

Demander au modèle d’être exact ne garantit pas l’exactitude.

À retenir

Le Prompt Engineering organise les instructions.
Le Knowledge Engineering organise les connaissances.
Un prompt peut guider le modèle, mais ne crée pas une source fiable.
Les concepts et règles doivent être maintenus hors du prompt lorsque le système devient complexe.
Le RAG fournit des documents externes au modèle.
Le Knowledge Engineering améliore la qualité de ces documents et métadonnées.
Une ontologie réduit les ambiguïtés.
Un moteur de règles applique les décisions plus rigoureusement.
Le Prompt Engineering reste essentiel pour orchestrer le comportement du LLM.
Les deux disciplines doivent être combinées dans les systèmes métier.

Vérifiez votre compréhension

Quelle est la principale différence ?

Le Prompt Engineering définit comment le modèle doit agir. Le Knowledge Engineering définit ce qu’il doit savoir et utiliser.

Un prompt peut-il remplacer une base de connaissances ?

Non. Il peut contenir un petit contexte, mais il ne remplace pas une structure maintenue et interrogeable.

Pourquoi externaliser les règles ?

Pour les versionner, les tester, les valider et les appliquer de manière plus stable.

Quel rôle joue le prompt dans un RAG ?

Il indique au modèle comment utiliser les contenus retrouvés et comment formuler la réponse.

Quel rôle joue le Knowledge Engineering dans un RAG ?

Il organise les sources, les concepts, les métadonnées, les relations et les règles.

Pourquoi utiliser un moteur de règles ?

Pour garantir une application plus contrôlée des conditions métier.

Questions fréquentes

Le Prompt Engineering est-il suffisant pour un chatbot ?

Il peut suffire pour un chatbot simple. Un assistant métier a souvent besoin de sources et de règles structurées.

Le Knowledge Engineering utilise-t-il des prompts ?

Oui. Les LLM peuvent être utilisés pour extraire, classer ou reformuler les connaissances.

Les prompts doivent-ils être versionnés ?

Oui, surtout lorsqu’ils sont utilisés dans un système de production.

Un prompt long est-il meilleur ?

Pas nécessairement. Il peut contenir des contradictions ou des informations inutiles.

Une ontologie peut-elle être incluse dans le prompt ?

Une petite partie peut être fournie, mais les grandes ontologies doivent être interrogées par un outil.

Quel domaine apprendre en premier ?

Commencez par les prompts pour comprendre les interactions avec le modèle, puis étudiez les bases de connaissances, les règles et les graphes pour construire des systèmes plus fiables.

Continuer

Parcourir les 16 étapes du Knowledge Engineering

Comprendre les relations entre Knowledge Engineering, RAG et LLM

Découvrir les outils du Knowledge Engineering