> For the complete documentation index, see [llms.txt](https://docs.hablla.com/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.hablla.com/french/flux-dautomatisations/tous-les-composants/hablla-gpt/prompt.md). # Prompt Le composant Hablla GPT (identifié sur le bus interne comme `habllaGpt`) est un nœud de traitement cognitif basé sur de grands modèles de langage (LLM). Sa fonction principale est de soumettre des instructions contextuelles, des données agrégées du contact ou des questions ouvertes à un moteur d'Intelligence Artificielle partenaire. Le composant analyse l'entrée reçue en temps réel et génère de manière autonome une réponse textuelle, ce qui est idéal pour créer des flux de tri intelligents, résumer des historiques, analyser le sentiment des messages ou répondre à des questions complexes sans dépendre de chemins de décision rigides. ### 2. Paramètres de configuration Le paramétrage du nœud gère le choix du cerveau de traitement et les limites d'inférence de l'IA selon les critères suivants : * Modèle (\* Champ obligatoire) : Menu déroulant utilisé pour sélectionner le modèle de langage qui traitera la requête. Le sélecteur propose des sous-versions stables basées sur l'architecture OpenAI, y compris les modèles commerciaux haute performance et efficients comme `gpt-4o`, `gpt-4o-mini`, `gpt-4.1` et leurs variantes temporelles respectives. * Action : Champ structuré destiné à définir la modalité ou l'instruction macro du comportement du nœud (comme le mode `Prompt`). * Base de connaissances : Menu optionnel utilisé pour coupler le composant à des référentiels de données institutionnelles vectoriels d'entreprise (mécanisme RAG - *Retrieval-Augmented Generation*), garantissant que l'IA consulte les documents internes avant de formuler une réponse technique. * Question : Longue zone de texte destinée à recevoir les commandes, le rôle opérationnel du bot (*System Prompt*) ou la question qui sera évaluée par l'IA. * Options (Menu Répétiteur Avancé) : Liste de paramètres supplémentaires ajoutés à la demande pour affiner le temps et le style de réponse du modèle : * `Température`: Contrôle l'aléatoire et la créativité de l'IA (des valeurs proches de 0 rendent la réponse plus exacte et standardisée ; des valeurs proches de 1 donnent davantage de liberté rédactionnelle). * `Max. de jetons`: Limite la taille et la longueur maximale du payload textuel de réponse généré. * `Max. de tentatives`: Définit le plafond de renvois automatiques en cas d'instabilité ou de timeout sur l'API de l'IA. * `Langue`: Configure la langue native de priorisation de l'écriture et de l'interprétation du nœud. ### 3. Constructeur visuel L'interface du constructeur adopte une structure en cascade conçue pour l'ajout modulable de contrôles avancés : * Filtres étendus à la demande : Le menu déroulant *Options* fonctionne comme un injecteur dynamique. Au lieu d'encombrer l'écran avec des dizaines d'entrées, l'administrateur sélectionne le critère qu'il souhaite affiner (comme *Température*) et le panneau rend immédiatement le champ correspondant avec la possibilité de suppression rapide via l'icône de corbeille. * Validation syntaxique du nœud : le caractère obligatoire marqué d'un astérisque (`*`) dans le sélecteur *Modèle* sert de barrière de sécurité sur le canvas, bloquant l'enregistrement de l'automatisation si aucune infrastructure d'IA n'est liée. ### 4. Opérateurs spéciaux Les propriétés logiques de ce composant gèrent les compilations contextuelles asynchrones et l'injection de charges utiles de métadonnées : * Interpolation de variables dans les prompts complets : la zone de texte du paramètre *Question* accepte l'insertion de doubles accolades `{{...}}` librement. Cela permet de munir le robot d'IA de tout le contexte réuni du contact jusqu'au moment présent (ex : `"Étant donné le client nommé {{nome}}, téléphone {{phone}} et l'historique des messages {{$data?.historico}}, faites l'analyse suivante..."`). * Objet résultant de l'inférence : une fois le traitement neuronal achevé avec succès, le moteur du système injecte le retour brut de l'IA dans une variable de réponse native dans le scope du contact (`$data`). Le payload généré peut être invoqué immédiatement dans des composants de message séquentiels de n'importe quel canal (WhatsApp, Telegram, Webchat) pour afficher la réponse générée à l'utilisateur final de manière transparente. ### 5. Exemples pratiques Le tableau ci-dessous montre des scénarios classiques de configuration des propriétés de Hablla GPT pour extraire une intelligence automatisée dans le flux : | **Modèle sélectionné** | **Configuration de la « Question » (Prompt)** | **Paramètre ajouté dans « Options »** | **Cas d’usage pratique** | | ---------------------- | --------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | ------------------------------------------------------------ | -------------------------------------------------------------------------------------------------------------------------------------------------------- | | gpt-4o-mini | "L'utilisateur a tapé : `{{response}}`. Sur cette base, répondez brièvement dans quelle catégorie ce message s'inscrit : \[Financier], \[Support] ou \[Ventes]." | `Température` = 0.0 *(Focalisation totale sur la précision)* | Agir comme classificateur ou routeur automatique d'intentions de messages écrits sans menus fermés de boutons. | | gpt-4o | "Classez le niveau d'insatisfaction du message client suivant : `{{$data?.first_message}}`. Répondez uniquement par un chiffre de 1 (très satisfait) à 5 (très en colère)." | `Max. de jetons` = 5 | Analyser le sentiment de la première interaction du client sur Instagram afin de prioriser dans la file humaine les cas urgents de réclamation. | | gpt-4o | "Vous êtes un agent virtuel d'e-commerce. Utilisez la base de connaissances de questions fréquentes pour résoudre la question de l'utilisateur : `{{response}}`" | `Langue` = Portugais | Créer un assistant virtuel autonome connecté à la FAQ du site, capable de répondre de manière humaine à des questions institutionnelles complexes en DM. | --- # Agent Instructions This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com. ## Querying This Documentation If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question. Perform an HTTP GET request on the current page URL with the `ask` query parameter, and the optional `goal` query parameter: ``` GET https://docs.hablla.com/french/flux-dautomatisations/tous-les-composants/hablla-gpt/prompt.md?ask=&goal= ``` `ask` is the immediate question: it should be specific, self-contained, and written in natural language. `goal` is optional and describes the broader end goal you are ultimately trying to accomplish on behalf of the user. GitBook uses it to tailor the answer towards what is most useful for that goal. The response will contain a direct answer to the question and relevant excerpts and sources from the documentation. Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.