> For the complete documentation index, see [llms.txt](https://docs.airops.com/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.airops.com/docs/fr/actions/workflow-concepts/workflow-steps/ai-steps/llm.md).

# Prompt du LLM

L'étape LLM d'AirOps : interrogez les modèles d'OpenAI, Anthropic et Google (ou vos propres clés) avec l'ingénierie de prompt, des sorties structurées et l'accès aux outils MCP.

Les grands modèles de langage (LLM) sont une catégorie de modèles d'apprentissage automatique qui génèrent un texte semblable à celui d'un humain. Ils sont entraînés sur de vastes quantités de données et sont capables de comprendre et de générer des réponses à partir d'entrées données, tout en alimentant des expériences conversationnelles

Dans AirOps, l'étape LLM vous permet d'interroger des modèles d'OpenAI, d'Anthropic et de Google (ou vos propres clés de modèle), avec un contrôle sur l'ingénierie de prompt, la température, les sorties structurées et l'accès aux outils MCP.

Nous avons créé AirOps pour faciliter la construction de solutions puissantes avec ces modèles, car ils jouent un rôle croissant dans les opérations commerciales.

## Configuration d'une étape LLM

Lors de la configuration d'une étape LLM, plusieurs paramètres doivent être définis afin de l'adapter au mieux à votre cas d'utilisation. Nous donnerons ici un bref aperçu de chacun d'entre eux.

<figure><img src="https://344527547-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FX2n5yPRPynbnWuO4SH0M%2Fuploads%2Fgit-blob-42eb482ee634cdd104f46ef0414d9709ec3acf1d%2Fllm-step-01-configuration.png?alt=media" alt="Prompt LLM step Summarize SERP themes using GPT-6.1 Sol, with a system prompt and a user message that references the keyword and the Google Search output"><figcaption><p>Configurez le modèle, le prompt système et les messages dans une étape Prompt LLM.</p></figcaption></figure>

### Sélectionner un modèle d'IA

Le choix d'un modèle dépend de la fenêtre de contexte, de la complexité de la tâche, du coût et de la vitesse. En général, les modèles plus performants offrent une meilleure qualité de sortie, mais à un coût plus élevé et avec une vitesse plus lente.

Pour savoir quel modèle choisir, consultez notre page de documentation sur [Choisir un modèle](https://docs.airops.com/docs/fr/actions/workflow-concepts/workflow-steps/ai-steps/llm/choosing-a-model.md).

{% hint style="info" %}
Vous pouvez également choisir d'apporter votre propre modèle affiné en le connectant via notre [Fournisseurs d’API](https://docs.airops.com/docs/fr/votre-espace-de-travail/team.md#api-providers) page.
{% endhint %}

<figure><img src="https://344527547-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FX2n5yPRPynbnWuO4SH0M%2Fuploads%2Fgit-blob-0d7dec4918bef430fa6cfda90b94263aa4eb2ead%2Fllm-step-02-model-picker.png?alt=media" alt="AI Model picker on the Popular tab with GPT-6 Astra, GPT-6.1 Sol, GPT-6.1 Terra, and Claude Fable 5.1, and tabs for OpenAI, Anthropic, Perplexity, and Google"><figcaption><p>Choisissez un modèle pour l'étape Prompt LLM.</p></figcaption></figure>

### Connecteurs MCP

Les connecteurs MCP donnent au LLM accès à des outils externes hébergés sur des [Model Context Protocol](https://modelcontextprotocol.io/) serveurs. Lorsqu'ils sont sélectionnés, le modèle peut appeler ces outils pendant l'exécution pour récupérer des données, déclencher des actions ou interagir avec des services tiers.

#### Modèles pris en charge

Les connecteurs MCP sont disponibles avec les modèles suivants :

| Fournisseur | Modèles pris en charge                                                                                                            |
| ----------- | --------------------------------------------------------------------------------------------------------------------------------- |
| OpenAI      | gpt-4o, gpt-4o-mini, gpt-4.1, gpt-4.1-mini, gpt-5, gpt-5.1, gpt-5.2, gpt-5-mini, gpt-5-nano, o3, o3-pro, o4-mini, et plus récents |
| Anthropic   | Claude Sonnet 4, Claude Opus 4, Claude Haiku 4.5, et plus récents                                                                 |

{% hint style="warning" %}
Le menu déroulant des connecteurs MCP n'apparaît dans l'étape LLM que lorsqu'un modèle compatible est sélectionné. Si vous ne voyez pas l'option, passez à l'un des modèles pris en charge listés ci-dessus.
{% endhint %}

#### Sélection des connecteurs

Lorsqu'un modèle pris en charge est sélectionné, un **Connecteurs MCP** menu déroulant apparaît dans la configuration de l'étape. Sélectionnez un ou plusieurs connecteurs pour rendre leurs outils disponibles au modèle.

<figure><img src="https://344527547-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FX2n5yPRPynbnWuO4SH0M%2Fuploads%2Fgit-blob-3ffa6d702b4d0e000c59bce6f30098f90a47c5c7%2Fllm-step-03-mcp-connectors.png?alt=media" alt="Advanced settings of a Prompt LLM step using Claude Sonnet 5.5, with the MCP Connectors dropdown listing AirOps, Linear, Notion, and Sentry, and Linear selected"><figcaption><p>Sélectionnez des connecteurs MCP dans les paramètres avancés pour donner au modèle leurs outils.</p></figcaption></figure>

#### Fonctionnement à l'exécution

1. AirOps transmet les connecteurs sélectionnés comme outils disponibles à l'API LLM.
2. Le LLM décide d'appeler ou non des outils en fonction du prompt et du contexte de la conversation.
3. Lorsque le LLM appelle un outil, AirOps achemine la requête vers le serveur MCP externe correspondant.
4. Le serveur MCP traite la requête et renvoie une réponse.
5. La réponse est renvoyée au LLM, qui l'intègre dans la réponse finale.

Le LLM peut appeler plusieurs outils au cours d'une même exécution d'étape, et il peut choisir de n'appeler aucun outil s'ils ne sont pas pertinents pour le prompt.

#### Afficher les appels d'outils MCP dans les traces

Lorsqu'une étape LLM utilise des connecteurs MCP, la trace de l'étape enregistre chaque appel d'outil avec ses entrées et ses sorties. Cela facilite le débogage et la compréhension de la manière dont le modèle a interagi avec des outils externes.

<figure><img src="https://344527547-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FX2n5yPRPynbnWuO4SH0M%2Fuploads%2Fgit-blob-31ba0c75de5f307179edc18c5f9b8d4e63af901b%2Fllm-step-04-mcp-trace.png?alt=media" alt="Tool Calls tab of a Prompt LLM step in the run Logs, showing a Linear search_issues call with its input and output"><figcaption><p>Chaque appel d'outil MCP apparaît dans l'onglet Appels d'outils de l'étape avec ses entrées et ses sorties.</p></figcaption></figure>

{% hint style="info" %}
Pour ajouter ou gérer des connecteurs MCP pour votre espace de travail, accédez à **Paramètres > Connecteurs MCP**. Consultez le [guide d'installation des connecteurs MCP](broken://pages/0df7b51fe2fc7fd11d970d265a0635bc96e5392b) pour plus de détails.
{% endhint %}

### Température

La température détermine le degré de variabilité de la réponse de l'IA :

* Pour une plus grande variabilité et des réponses plus « créatives », choisissez une température plus élevée.
* Pour moins de variabilité et des réponses plus déterministes, choisissez une température plus basse.

### Longueur max. (facultatif)

Limite le nombre maximal de jetons de sortie. Si laissé vide, aucune limite n'est appliquée.

<figure><img src="https://344527547-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FX2n5yPRPynbnWuO4SH0M%2Fuploads%2Fgit-blob-2f412b37f2077519f6e5572f09cd5c12def196f1%2Fllm-step-05-model-settings.png?alt=media" alt="Prompt LLM settings for Gemini 3.5 Flash with Temperature, Max Output Length, Output Format, and the Google Search grounding and citation options"><figcaption><p>Définissez la température, la longueur maximale de sortie et le format de sortie pour l'étape.</p></figcaption></figure>

### Diffusion en continu

La diffusion en continu vous permet de voir la sortie générée jeton par jeton, à l'image de l'expérience ChatGPT. Le texte s'affichera en flux continu dans le panneau Test de Workflow Studio ou lorsque vous exécuterez votre workflow dans AirOps.

**Raisons d'utiliser le streaming :**

* **Tester rapidement des prompts :** Si vous souhaitez tester des prompts rapidement, vous pouvez voir votre sortie se générer en temps réel et valider votre prompt plus vite au lieu d'attendre la fin complète de la réponse.
* **Fournir une API avec streaming :** Si l'affichage du texte en temps réel offre une meilleure expérience utilisateur à votre utilisateur final, vous devriez envisager le streaming comme option. En revanche, si vous générez de grandes quantités de texte, le streaming n'est peut-être pas l'option idéale pour votre utilisateur final.
* **SDK frontend AirOps :** Notre SDK vous permet de diffuser les sorties du workflow directement dans votre expérience utilisateur

### Format de sortie

Pour les modèles OpenAI, vous pouvez choisir entre « Text » (par défaut) et « JSON ».

Si vous choisissez JSON, l'étape LLM renverra toujours sa sortie dans un format JSON valide. Vous devez préciser dans votre prompt le format de sortie JSON que vous souhaitez que le LLM suive. Par exemple, si vous voulez que le JSON inclue des clés comme « title » et « content », vous devez le préciser dans le prompt.

### Sorties structurées

Pour les modèles OpenAI, lorsque vous spécifiez un format de sortie JSON, vous pouvez également utiliser l'option « Définir les sorties de colonne » pour préciser le format que suivra le JSON. Il s'agit d'une spécification plus formelle que de simplement écrire dans votre prompt le format de sortie souhaité. Mais elle est aussi plus limitée. À l'heure actuelle, vous ne pouvez utiliser les sorties structurées que pour un JSON plat avec des clés de niveau supérieur et aucun tableau.

### Résultats cohérents

L'activation de « Demander des résultats cohérents » demandera au modèle de faire de son mieux pour produire des résultats cohérents à partir du même input plusieurs fois.

Cela peut être utile à des fins de test, car maintenir la cohérence des résultats est souvent une exigence lorsque vous testez le workflow global.

La fonctionnalité « Demander des résultats cohérents » est uniquement disponible pour les modèles OpenAI.

### Donnez un prompt à votre modèle

Une fois que vous avez sélectionné votre modèle et choisi les paramètres souhaités, la prochaine grande étape consiste à lui fournir un prompt. Les prompts doivent être aussi détaillés et descriptifs que possible, et nous vous recommandons de consulter nos pages de documentation sur la meilleure façon de «[prompter avec GPT](https://docs.airops.com/docs/fr/actions/workflow-concepts/workflow-steps/ai-steps/llm/prompt-with-gpt.md)» et «[prompter avec Claude](https://github.com/airopshq/airops-docs/blob/main/building-workflows/workflow-steps/ai-steps/llm/broken-reference/README.md)."

Nous vous encourageons également à parcourir notre ensemble de modèles existants. Presque tous incluent une étape LLM, et peuvent vous donner de l'inspiration et des indications sur l'apparence possible de votre prompt, par exemple

#### Prompt utilisateur

Le champ « Prompt utilisateur » fournit au modèle des exemples d'entrées ou de conversation pour obtenir la sortie souhaitée, par exemple

```
Utilisateur : 
Veuillez écrire un poème captivant destiné aux élèves de maternelle avec les éléments suivants :
Titre du poème : Le premier jour d'école
Sujets : la récréation, le cours d'arts plastiques, l'heure du goûter
```

#### Prompt assistant

Le prompt assistant aide le modèle à « apprendre » le format de sortie souhaité. C'est particulièrement utile pour générer des tableaux, du JSON ou du HTML sans texte de « conversation » supplémentaire (*« Bien sûr ! Ceci est un tableau... »*), par exemple

```
Système : Vous produisez un tableau de 5 chaînes de caractères contenant des noms d'objets de cuisine.

Utilisateur : Donnez-moi une sortie de 5 ustensiles

Assistant : ["cuillère", "fourchette", "couteau", "spatule", "baguettes"]

Utilisateur : Maintenant, donnez-moi un tableau de 5 {{my_input}}
```

{% hint style="info" %}
Dans AirOps, vous pouvez inclure plusieurs paires Utilisateur / Assistant afin de donner au LLM des exemples de réponse.
{% endhint %}

## Comment continuer si l'étape LLM échoue

Par défaut, l'étape LLM mettra fin au workflow si elle échoue. Cependant, pour poursuivre le workflow si l'étape échoue, cliquez simplement sur Paramètres et cliquez sur `Continuer` en bas des Paramètres :

<figure><img src="https://344527547-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FX2n5yPRPynbnWuO4SH0M%2Fuploads%2Fgit-blob-750fd87934548e472ba3dedd88330ce908dee439%2Fllm-step-06-continue-on-failure.png?alt=media" alt="Prompt LLM advanced settings with When the step fails set to Continue"><figcaption><p>Sélectionnez Continuer pour maintenir le workflow en cours d'exécution lorsque l'étape échoue.</p></figcaption></figure>

L'étape renverra les clés suivantes :

* `sortie` : ce sera `null`
* `erreur` :
  * `message`: le message renvoyé par l'étape
  * `code` : le code d'erreur représentant l'erreur

<figure><img src="https://344527547-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FX2n5yPRPynbnWuO4SH0M%2Fuploads%2Fgit-blob-42ed8e1d814a64451a4759ec04fab8fc35e89eff%2Fstep-errors-01-error-variable.png?alt=media" alt="Variables Menu previewing the Export pass schedule step, whose output is null and whose error has a message and the code STEP_ERROR"><figcaption><p>Une étape en échec renvoie un objet d'erreur avec un message et un code.</p></figcaption></figure>

## Comment réessayer si l'étape LLM échoue

Pour réessayer l'étape LLM si elle échoue,

1. Sélectionnez `Continuer` au lieu de `Terminer le workflow` si l'étape échoue
2. Ajoutez une condition où la condition vérifie si `erreur` le champ provenant de l'étape existe, par ex. `step_1.error`
3. Ajoutez l'étape que vous souhaitez réessayer s'il y a eu une erreur

<figure><img src="https://344527547-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FX2n5yPRPynbnWuO4SH0M%2Fuploads%2Fgit-blob-0cf37b9938c96511e3d7292034d8f5dc8c74d168%2Fstep-errors-02-retry-condition.png?alt=media" alt="Condition step Retry if export failed that checks step_1.error, with the retry Run Code step on the True branch"><figcaption><p>Vérifiez si l'étape a échoué, puis réessayez.</p></figcaption></figure>

## Générer le prompt avec l'IA

Lors de la configuration de votre étape LLM, vous pouvez utiliser notre outil « Générer avec l'IA » pour vous aider à remplir le prompt :

<figure><img src="https://344527547-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FX2n5yPRPynbnWuO4SH0M%2Fuploads%2Fgit-blob-c0fee067b15c87f57b4763a2b645856f4dd24724%2Fllm-step-07-generate-with-ai.png?alt=media" alt="Prompt LLM step panel with the Generate with AI dropdown at the top right"><figcaption><p>Utilisez Générer avec l'IA pour rédiger le prompt.</p></figcaption></figure>

Nous allons présenter rapidement chacune des options personnalisables de cette fonctionnalité, puis partager un exemple pas à pas ci-dessous.

{% hint style="info" %}
Remarque : « Générer avec l'IA » est actuellement compatible uniquement avec OpenAI
{% endhint %}

### Type de tâche

Vous devez d'abord définir votre type de tâche. La liste des types actuellement pris en charge inclut :

1. **Création de contenu** -- un bon choix si vous souhaitez générer du contenu, par exemple un article de blog, une image, un e-mail marketing, etc.
2. **Question + réponse** -- choisissez cette option si vous prévoyez que votre entrée soit une question et votre sortie la réponse
3. **Extraction d'entités** -- choisissez cette option si vous souhaitez extraire des valeurs spécifiques d'un texte ou d'une image
4. **Extraction de texte** -- similaire à l'extraction d'entités, cela peut être utile pour extraire des valeurs de texte spécifiques
5. **Classification** -- choisissez cette option si vous souhaitez que votre sortie regroupe différentes valeurs de votre entrée en catégories similaires

### Type de sortie

Une fois que vous avez défini votre type de tâche, la prochaine décision à prendre concerne la manière dont vous souhaitez que l'étape LLM affiche les résultats. La liste des types de sortie actuellement pris en charge inclut :

1. Texte brut
2. Markdown
3. HTML
4. JSON
5. YAML

En sélectionnant une valeur ici, vous pouvez vous éviter l'effort supplémentaire de préciser le type de sortie dans votre prompt (ou d'imposer une étape Texte ultérieure pour reformater la sortie)

### Prompt

La section Prompt est similaire à ce que nous avons abordé plus haut dans [« Prompter votre modèle. »](#prompt-your-model) Cependant, la différence clé ici est que nous pouvons compter sur notre IA pour étoffer davantage la description. Donc, si vous ne savez pas exactement comment formuler votre prompt, OpenAI tentera de le développer.

### Paramètres avancés

* **Exemple de sortie (facultatif)** -- si l'IA a du mal à produire les résultats dans le format spécifié, vous pouvez saisir manuellement ici un exemple sur lequel elle pourra se baser. Cela ressemble aux prompts Utilisateur/Assistant ci-dessus.
* Variables sélectionnées -- se remplit avec toutes les variables d'entrée que vous avez en amont de l'étape

### Exemple

À titre d'exemple, passons en revue l'utilisation de la fonctionnalité « Générer avec l'IA » pour aider à créer un workflow de base. Nous imiterons l'avis sur le restaurant que nous avons créé dans notre [Démarrage rapide du workflow](https://github.com/airopshq/airops-docs/blob/main/building-workflows/workflow-steps/ai-steps/llm/broken-reference/README.md).

{% @arcade/embed url="<https://app.arcade.software/share/wwLuvhmlXoRTKETSBYPy>" flowId="wwLuvhmlXoRTKETSBYPy" %}


---

# 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 by asking a question.

Perform an HTTP GET request on the following URL with the `ask` and `goal` query parameters:

```
GET https://docs.airops.com/docs/fr/actions/workflow-concepts/workflow-steps/ai-steps/llm.md?ask=<question>&goal=<user_goal>
```

`ask` is the immediate question: it should be specific, self-contained, and written in natural language.
`goal` is what the user is ultimately trying to achieve, the reason they need the answer. Sharing it helps GitBook give you a better, more relevant answer. A goal is most helpful when it describes the outcome the user wants rather than restating the question. For example, with `ask=how do I create an API token`, a goal like `automate deployments from our CI pipeline` lets GitBook tailor the answer to that use case.

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.
