Le dépôt GitHub 0xk1h0/ChatGPT_DAN rassemble des variantes de prompts qui demandent à un modèle de jouer le rôle d’une intelligence artificielle sans filtres. Le README décrit des réponses en double, un système de jetons et des règles fictives censées libérer le personnage.
La page GitHub de f/prompts.chatanciennement nommé « Awesome ChatGPT Prompts », présente une bibliothèque open source de consignes pour ChatGPT, Claude, Gemini, Llama, Mistral et d’autres assistants. Le projet propose aussi un guide d’apprentissage et des options d’auto-hébergement.
Le prompt ne garantit rien.
DAN joue un rôle, prompts.chat pose un cadre
En apparence, le dépôt DAN ressemble à une collection de textes à copier-coller. En réalité, le README répète une mécanique précise : attribuer un nom au personnage, lui prêter des capacités, instaurer un système de jetons et exiger deux réponses distinctes.
Le texte demande notamment une réponse normale, précédée de « GPT », et une réponse attribuée à DAN. Il affirme que ce personnage peut ignorer les restrictions, répondre à des demandes illégales ou nuisibles, simuler un accès à Internet et inventer les informations qui lui manquent. Ces phrases décrivent les prétentions du prompt, pas des capacités vérifiées du modèle.
Cette méthode relève du role-playune consigne qui donne une identité fictive à l’assistant. Le README précise que certaines variantes fonctionnent « mieux » ou « différemment » que d’autres, sans apporter de garantie durable. Une formulation peut modifier le ton ou le format d’une sortie; elle ne transforme pas cette sortie en information vérifiée.
Quand DAN promet tout, la fiabilité recule
Surtout, un jailbreak peut rendre une réponse plus directe, plus provocatrice ou plus longue sans améliorer son exactitude. Si le prompt ordonne au modèle d’inventer une date, de prétendre consulter le Web ou de compléter un fait absent de ses données, il augmente le risque d’une réponse assurée, mais fausse.
Le dépôt 0xk1h0/ChatGPT_DAN contient plusieurs variantes de cette approche. Certaines imposent deux sorties, l’une normale et l’autre présentée comme libérée de toute contrainte. D’autres ajoutent une menace fictive de perte de jetons ou demandent au modèle de ne jamais sortir de son personnage. Ni la menace ni le jeu de rôle ne constituent une méthode de vérification.
La distinction tient à l’objectif. Un jailbreak cherche à forcer un comportement. Un prompt de travail décrit une tâche, un format, un public et des critères de qualité. Pour rédiger une fiche pratique, une consigne qui précise la longueur, la langue, les étapes et les limites est donc plus exploitable qu’un personnage censé tout savoir et tout faire.
De la liste de prompts à l’atelier privé
La page GitHub de f/prompts.chat présente une collection de prompts conçue pour plusieurs assistants d’IA. Le dépôt indique une création en décembre 2022 et propose plus de 25 chapitres consacrés aux bases, aux exemples guidés, au few-shot learningau raisonnement par étapes et aux agents d’IA.
La compatibilité annoncée avec ChatGPT, Claude, Gemini, Llama et Mistral ne supprime pas le besoin d’adapter une consigne. Un prompt peut dépendre du modèle utilisé, de son format de réponse et des fonctions auxquelles il a accès. Il faut donc vérifier le résultat sur l’outil visé au lieu de considérer une formulation comme universelle.
Le projet documente également l’auto-hébergement. Son assistant de configuration permet de régler la marque, le thème, l’authentification et certaines fonctionnalités. La documentation cite GitHub, Google et Azure AD pour l’authentification, PostgreSQL comme base recommandée et Docker pour le déploiement.
f/prompts.chat peut aussi être utilisé comme serveur MCP dans des outils d’IA. Pour une organisation, ces fonctions offrent un cadre pour rassembler ses consignes, régler les accès et adapter l’interface. Elles ne donnent pas au prompt un pouvoir de vérification automatique.
Cinq tests avant le copier-coller
Pour rappel, un prompt trouvé sur GitHub mérite un test avant toute utilisation régulière. Une procédure courte permet de repérer les promesses irréalistes et de mesurer la sortie obtenue.
La procédure en cinq contrôles
- Définir l’objectif. Identifiez si la consigne doit résumer, classer, traduire, extraire des données ou jouer un rôle. Une tâche précise se compare plus facilement qu’une demande vague à « tout faire ».
- Vérifier les capacités annoncées. Repérez les promesses d’accès automatique au Web, aux fichiers privés, à des données récentes ou à une fonction que l’outil ne présente pas.
- Retirer le contournement. Supprimez les phrases qui demandent d’ignorer les règles, de mentir, de simuler une connexion ou de rester dans un personnage à tout prix.
- Comparer sur un cas contrôlé. Testez la consigne avec un sujet connu, puis comparez la sortie avec une réponse attendue. Pour une extraction, préparez des informations dont vous connaissez déjà le nombre et le contenu.
- Tracer le test. Notez le modèle utilisé, la date, la version du prompt et les erreurs relevées. Le dépôt
f/prompts.chatayant été créé en décembre 2022, une formulation publiée à cette date ne suffit pas à garantir le même résultat avec une autre version de modèle.
Adapter la consigne, protéger les données
En pratique, une bibliothèque comme f/prompts.chat fournit un point de départ. Remplacez ses exemples génériques par le contexte réel, indiquez les informations disponibles et demandez au modèle de signaler ce qui manque. Cette consigne ne supprime pas les erreurs, mais elle réduit le risque de présenter une supposition comme un fait.
Le few-shot learning consiste à fournir des exemples du résultat attendu. Cette méthode peut aider à stabiliser un format, mais des exemples mal choisis transmettent aussi leurs propres erreurs. Pour les agents d’IA, vérifiez les actions demandées, les fichiers concernés et la sortie avant toute validation.
Enfin, ne placez pas de mot de passe, de donnée bancaire, de document d’identité ou d’information confidentielle dans un prompt destiné à un service dont vous ne maîtrisez pas le traitement. L’auto-hébergement présenté par f/prompts.chat permet de configurer une authentification et un déploiement privé, mais ces options doivent être accompagnées de règles précises sur les accès et la conservation des données.
Un prompt cadre la demande, pas la réalité.
