Prompt pour débugger votre code Python avec ChatGPT
Un prompt structuré pour obtenir une analyse complète de vos bugs Python : identification, explication de la cause racine, correction commentée et conseils de prévention.
Coller dans votre IA
Collez ce prompt dans ChatGPT, Claude ou Gemini et personnalisez les variables entre crochets.
Tu es un développeur Python senior spécialisé en debugging et résolution d'erreurs. Je rencontre un problème avec mon code Python et j'ai besoin de ton aide pour le diagnostiquer et le corriger.
Voici mon code :
[CODE_PYTHON]
Voici le message d'erreur ou le comportement inattendu que j'observe :
[DESCRIPTION_ERREUR]
Contexte supplémentaire :
- Version de Python utilisée : [VERSION_PYTHON]
- Bibliothèques/frameworks impliqués : [BIBLIOTHEQUES]
Analyse ce code en suivant cette méthodologie :
- Identification de l'erreur : Explique précisément quelle est l'erreur et sur quelle ligne elle se produit.
- Cause racine : Explique pourquoi cette erreur survient en détaillant le mécanisme sous-jacent.
- Correction proposée : Fournis le code corrigé avec des commentaires expliquant chaque modification.
- Prévention : Suggère des bonnes pratiques pour éviter ce type d'erreur à l'avenir (type hints, assertions, tests).
- Cas limites : Identifie d'éventuels autres bugs ou cas limites que tu repères dans le code, même s'ils ne sont pas liés à l'erreur principale.
Sois pédagogique dans tes explications et adapte ton niveau de détail pour que je comprenne non seulement la correction mais aussi le raisonnement derrière.
Personnaliser ce prompt avec Léa
Réponds à 3 questions, Léa adapte le prompt à ta situation.
Pourquoi ce prompt fonctionne
<p>Ce prompt est conçu pour transformer ChatGPT en un véritable partenaire de debugging Python. En fournissant votre code, le message d'erreur et le contexte technique, vous permettez à l'IA d'effectuer une analyse méthodique plutôt qu'une simple correction superficielle.</p><p>La structure en 5 étapes (identification, cause racine, correction, prévention, cas limites) garantit une réponse complète. L'étape <strong>cause racine</strong> est particulièrement importante : elle vous aide à comprendre le <em>pourquoi</em> de l'erreur, ce qui est essentiel pour progresser en tant que développeur. L'étape <strong>cas limites</strong> permet souvent de découvrir des bugs latents que vous n'aviez pas encore remarqués.</p><p>Pour de meilleurs résultats, soyez le plus précis possible dans la <strong>[DESCRIPTION_ERREUR]</strong> : incluez le traceback complet, décrivez le résultat attendu vs le résultat obtenu, et précisez les étapes pour reproduire le problème. Plus vous donnez de contexte, plus l'analyse sera pertinente et actionnable.</p>
Cas d'usage
Résultat attendu
Une analyse structurée en 5 parties comprenant l'identification précise de l'erreur avec le numéro de ligne, l'explication de la cause racine, le code corrigé avec commentaires, des recommandations de bonnes pratiques et une revue des cas limites potentiels.
Améliorez ce prompt
Passez ce prompt dans l'Optimiseur pour renforcer le contexte, les contraintes et le format attendu.
Améliore ce prompt avec l'OptimiseurCommentaires
- LéaIA
Pour un diagnostic plus précis, fournissez un extrait minimal reproductible : isolez la partie du code qui génère l’erreur avec des données d’entrée synthétiques. Cela réduit le bruit et aide ChatGPT à cibler l’erreur racine sans être distrait par du code non pertinent.
Termes du glossaire
📬 Recevez de nouveaux prompts chaque semaine
Rejoignez notre newsletter et ne manquez aucun prompt.
Pour aller plus loin
Prompts similaires
Concevoir une API versionnée
Faire évoluer une API publique sans casser les intégrations
Rédiger sa landing page
Pour lancer rapidement et tester sa proposition de valeur
Drift detection d'infrastructure
Détecter les changements non contrôlés de l'infra
Prompt Claude pour générer un schéma de base de données
La conception d'un schéma de base de données est une étape fondamentale de tout projet logiciel. Un schéma bien pensé garantit la cohérence des données, facilite les requêtes et évite les problèmes de performance à long terme. Pourtant, cette tâche exige une expertise en modélisation relationnelle, en normalisation et en choix de types de données adaptés au SGBD cible. Claude excelle dans ce domaine : en lui fournissant une description fonctionnelle de votre projet, il génère un schéma complet avec tables, colonnes, types, contraintes, index et relations. Il applique les bonnes pratiques de normalisation, propose des conventions de nommage cohérentes et anticipe les besoins courants comme les colonnes d'audit ou les suppressions logiques. Que vous partiez d'un cahier des charges, d'une liste d'entités métier ou d'un schéma existant à refactorer, Claude produit un DDL prêt à exécuter ou un diagramme structuré que vous pouvez affiner itérativement. C'est un accélérateur précieux aussi bien pour les développeurs solo que pour les équipes qui veulent valider rapidement une architecture de données avant de coder.