Quel est l'objectif principal du prompt personnalisé dans ce workflow ?	Aider les utilisateurs à écrire du code spécifique pour les cas d'usage AWS.
Quelles sont les trois types de sortie autorisées par le prompt ?	Python, configuration JSON, ou expression régulière brute.
Quelle contrainte doit être respectée par la réponse du prompt ?	Ne fournir que le code/la sortie, sans explication, en-tête ou pied de page.
Qu'est-ce qu'un "data set" (ensemble de données) dans ce contexte ?	Un ensemble d'entrées que l'on fournit au prompt pour évaluer sa performance.
Quelle est la structure attendue des entrées dans le data set ?	Un tableau d'objets JSON, où chaque objet possède une propriété "task".
Comment peut-on assembler un data set ?	Soit manuellement, soit automatiquement en utilisant un LLM (comme Claude).
Quel modèle est suggéré pour générer automatiquement le data set ?	Un modèle plus rapide, tel que Haiku.
Quel rôle jouent les séquences d'arrêt (stop sequences) dans le code d'évaluation ?	Elles garantissent que le modèle génère une sortie JSON propre et complète.
Comment le data set final est-il sauvegardé ?	En utilisant une fonction d'écriture de fichier (comme `json.dump`) dans un format JSON.