Qu'est-ce que l'effet de position sérielle (serial position effect) ?	C'est le phénomène où on se souvient mieux des éléments au début (primauté) et à la fin (récence) d'une liste, tandis que les éléments au milieu sont oubliés.
Comment les modèles de langage (LLMs) sont-ils affectés par la dégradation de contexte ?	Ils montrent le même biais que les humains : meilleure précision au début et à la fin du contexte, avec une baisse de 30%+ quand les informations clés sont au milieu.
Pourquoi ajouter plus de contexte ne garantit-il pas de meilleures réponses ?	Parce que chaque élément de contexte ajouté repousse les autres vers le milieu, la "zone morte" où l'attention du modèle est faible.
Quelle étude a démontré la perte de précision quand les faits clés sont au milieu du contexte ?	L'étude "Lost in the Middle" (Liu et al., 2023) a trouvé des baisses de précision de plus de 30%.
Où devriez-vous placer vos instructions les plus importantes dans un prompt ?	Au début et à la fin du contexte, et les répéter si elles sont critiques.
Pourquoi les transformers montrent-ils naturellement ce biais de position ?	Parce que les motifs d'attention des transformers pondèrent naturellement plus lourdement les bords de la fenêtre de contexte.
Quel est le conseil pratique principal pour structurer le contexte ?	Mettre les instructions clés au début du système prompt et les répéter près de la fin, sans compter sur une pondération égale du milieu.
Qu'est-ce que l'ingénierie de contexte (context engineering) ?	L'art de décider non seulement quoi inclure, mais où le placer et ce qu'il faut laisser de côté pour que le modèle comprenne ce qui importe vraiment.
Quel est le principe clé de la dégradation de contexte ?	Plus de contexte ≠ meilleurs résultats ; il faut plutôt être sélectif et stratégique dans le placement des informations.
Comment l'attention finie du modèle affecte-t-elle la gestion du contexte ?	Elle crée une tension : il faut sélectionner impitoyablement, placer stratégiquement, et répéter ce qui compte vraiment.