Google NotebookLM permet de monter un ingénieur de prompts personnel en 15 minutes

On propose d'utiliser Google NotebookLM non comme un simple outil de prise de notes, mais comme un ingénieur de prompts personnel. L'idée est simple : au lieu d'étudier sans fin les techniques de prompting, constituer sa propre base de connaissances et obliger le modèle à ne répondre qu'à partir d'elle.

Pourquoi les chatbots ratent leur cible

Le principal reproche fait aux chatbots classiques pour ces tâches est qu'ils donnent des réponses moyennes. Si on leur demande un prompt pour Sora, Veo ou la génération de modèles 3D, le modèle mélange souvent des conseils périmés, des paramètres non confirmés et des extraits de guides différents. Dans les scénarios pointus, cela devient vite un problème : un paramètre en trop casse un appel d'API, et une formulation inexacte change le style visuel ou la structure du résultat.

L'enjeu n'est donc pas une « requête magique », mais de cantonner le modèle à un contexte vérifié. En somme, l'auteur propose de voir le prompt engineering comme un travail sur des sources, et non comme une compétition de formulations. Plus le domaine est étroit (vidéo, images, schémas JSON, réglages de RAG), plus il importe que l'assistant s'appuie non sur des connaissances générales, mais sur une documentation précise, des exemples et ses propres modèles de travail. Cela réduit les hallucinations et rend les réponses reproductibles.

Comment fonctionne l'assistant

Dans ce montage, NotebookLM de Google joue le rôle d'une couche RAG allégée, sans code ni API. L'utilisateur crée un nouveau carnet, y charge des PDF, des sites, des textes et des vidéos YouTube, puis donne au modèle un rôle système clair. Ensuite, l'assistant ne répond qu'à partir des documents ajoutés et peut faire plus que livrer un prompt : il peut expliquer pourquoi il a retenu tels paramètres de caméra, de lumière, de structure ou de style. Pour l'utilisateur, cela ressemble à un expert personnel formé sur sa propre bibliothèque.

Le point clé est de ne pas laisser le service en mode « interlocuteur universel ». L'auteur recommande d'indiquer explicitement le profil de senior prompt engineer et l'interdiction d'inventer des faits hors des sources. Le meilleur élément de ce réglage est l'exigence de reconnaître les lacunes plutôt que de les combler d'un ton assuré. La formule est courte mais pratique :

« S'il n'y a pas l'information dans ces sources, dis honnêtement “je

ne sais pas” ».

Ce filtre change davantage la qualité des réponses qu'une énième liste de techniques « secrètes » de prompting.

Quoi mettre dedans

L'efficacité de cet assistant ne dépend pas d'un joli prompt de départ, mais de l'ensemble des documents du carnet. L'article conseille de ne pas tout rassembler, mais seulement les sources sur lesquelles l'utilisateur est réellement prêt à s'appuyer dans son travail. Si l'on charge des vidéos au hasard et des conseils contradictoires, le service reformulera simplement le chaos avec soin. Si l'on constitue un corpus étroit et de qualité, il se met à travailler comme un éditeur rigoureux.

Le minimum pratique se présente ainsi :

• la documentation officielle d'OpenAI, de Google, d'Anthropic et des autres plateformes utiles ;
• des analyses vidéo de modèles précis, que NotebookLM peut transcrire ;
• ses propres prompts réussis, schémas JSON et modèles de travail ;
• des guides vérifiés sur les images, la vidéo et d'autres tâches pointues.

Ensuite, le scénario est très concret : l'utilisateur formule une tâche telle que « fais 10 variantes de prompt pour une vidéo verticale 9:16 dans une ville cyberpunk », et NotebookLM renvoie non seulement un ensemble de formulations, mais aussi une argumentation. Il peut indiquer à quoi sert un certain type de mouvement de caméra, pourquoi la palette néon a été choisie, quelles approches alternatives existent et quels paramètres mieux vaut éviter pour ne pas casser l'intégration. C'est cette explicabilité qui distingue l'assistant d'un dossier de vieilles notes et d'un chatbot ordinaire aux connaissances vastes mais floues.

Ce que cela signifie

L'idée d'un ingénieur de prompts personnel montre où se déplace le travail quotidien avec les modèles : de la chasse à la « requête parfaite » vers la construction de ses propres mini-systèmes RAG vérifiés. Pour les créateurs de contenu, les spécialistes du marketing et les équipes produit, c'est un moyen rapide de standardiser les prompts, de réduire les erreurs et de conserver l'expertise dans une base de connaissances unique et maîtrisée.