Le prompting en chaîne de pensée : demander à un modèle de raisonner étape par étape

Ce que fait réellement demander un raisonnement étape par étape

Un prompt comme « travaille cela étape par étape » ou « montre ton raisonnement avant de donner une réponse finale » demande au modèle d’exposer les étapes intermédiaires plutôt que de sauter directement à une conclusion. Pour un problème à plusieurs étapes, cela peut faire apparaître une erreur dans une étape intermédiaire qui serait autrement enfouie dans une réponse finale unique et d’apparence sûre d’elle — et cela vous donne quelque chose de concret à vérifier plutôt qu’un simple résultat à croire sur parole.

Quand cela aide, et quand c’est inutile

Le prompting étape par étape tend à aider le plus sur des problèmes avec plusieurs étapes dépendantes, plusieurs contraintes à satisfaire à la fois, ou un calcul qui mérite d’être revérifié — un problème en plusieurs parties, une décision avec plusieurs facteurs, un enchaînement logique qui doit tenir. Une question courte et à une seule étape en bénéficie rarement, et le demander quand même ajoute de la longueur sans changer la réponse. Voir choisir un modèle pour un raisonnement complexe, cité ci-dessous, pour comment cela se relie au choix d’un modèle conçu précisément pour ce type de tâche.

Ce que cela ne garantit pas

Demander à un modèle de raisonner étape par étape ne garantit pas une réponse correcte, et une chaîne d’étapes sûre d’elle-même et bien structurée peut quand même aboutir à la mauvaise conclusion — les étapes supplémentaires rendent une erreur plus facile à repérer, pas impossible à commettre. Cela concorde avec pourquoi l’IA hallucine, cité ci-dessous : un modèle peut produire un raisonnement fluide et d’apparence plausible qui reste faux, donc une réponse étape par étape mérite d’être vérifiée sur tout ce qui compte, et non prise sur parole parce qu’elle a l’air méthodique.

Questions fréquentes

Le prompting en chaîne de pensée garantit-il une réponse correcte ?

Non — il ne garantit pas un raisonnement correct, et une réponse étape par étape peut quand même aboutir à une mauvaise conclusion. Il tend à rendre une erreur plus facile à repérer dans les étapes intermédiaires, ce qui est différent de l’empêcher.

Quand devrais-je demander à un modèle de montrer son raisonnement ?

Sur des problèmes avec plusieurs étapes ou contraintes dépendantes, où une erreur intermédiaire serait autrement cachée dans une réponse finale unique. Une question courte et à une seule étape en a rarement besoin.

Est-ce la même chose qu’utiliser un modèle axé sur le raisonnement ?

Lié mais pas identique — ce guide porte sur la façon de formuler un prompt pour n’importe quel modèle ; choisir un modèle pour un raisonnement complexe, cité ci-dessous, porte sur quel modèle est conçu pour travailler par étapes par défaut. Les deux peuvent être combinés.