Chain of Thought
Šiame puslapyje
Raisonne étape par étape
La technique Chain of Thought (CoT) demande au modèle de détailler son raisonnement avant de fournir sa réponse finale. Au lieu de sauter directement à la conclusion, le modèle expose chaque étape logique, ce qui améliore considérablement la qualité des réponses pour les tâches nécessitant un raisonnement. Avec les modèles Mistral, cela donne d’excellents résultats en logique, en mathématiques, en analyse et en prise de décision.
Pour comprendre pourquoi cela fonctionne, rappelle-toi comment le modèle génère du texte : token par token, chaque token dépendant de tous les précédents. Lorsqu’un modèle doit répondre directement à une question complexe, il ne dispose que de quelques tokens pour « réfléchir » : la réponse doit émerger presque immédiatement. En lui demandant de détailler son raisonnement, tu lui donnes l’espace nécessaire pour décomposer le problème en sous-problèmes simples, vérifier chaque étape avant de passer à la suivante, identifier les informations pertinentes parmi les données fournies et, finalement, réduire les erreurs de raisonnement comme les hallucinations. Le raisonnement écrit n’est pas une réflexion après coup : c’est là que le calcul a lieu.
CoT simple : une instruction suffit
La forme la plus basique consiste à ajouter une simple phrase d’instruction à la fin de ton prompt :
A restaurant has 15 tables. Each table can seat 4 people.
The restaurant is 80% full. How many people are present?
Reason step by step before giving your answer.
Le modèle produira alors quelque chose comme :
Step 1: Total capacity = 15 tables × 4 people = 60 people
Step 2: Occupancy rate = 80% = 0.80
Step 3: People present = 60 × 0.80 = 48 people
Answer: 48 people are present in the restaurant.
Sans l’instruction « reason step by step », le modèle pourrait donner directement « 48 » — correct ici — mais il pourrait aussi commettre une erreur sur un calcul intermédiaire sans que tu puisses identifier où. C’est le deuxième avantage du CoT, moins connu mais tout aussi précieux : un raisonnement visible est vérifiable. Lorsqu’une réponse te semble étrange, l’étape défectueuse saute aux yeux.
CoT structuré : guide les étapes
Pour des tâches plus complexes, ne te contente pas de demander un raisonnement : prescris-le. Imagine une analyse d’investissement :
Evaluate whether this startup is a good investment.
Data:
- Revenue 2025: €2.3M (growth +45% YoY)
- Burn rate: €180K/month
- Runway: 14 months
- Addressable market: €500M
- Team: 22 people, 3 technical founders
Reason according to these steps:
1. Analyze financial health (revenue, burn, runway)
2. Evaluate market potential (size, current penetration)
3. Evaluate the team (skills, size)
4. Identify key risks (3 max)
5. Provide your conclusion with a confidence score (low/medium/high)
En prescrivant les étapes, tu t’assures que le modèle couvre tous les aspects importants, dans le bon ordre, sans négliger celui qui t’intéresse. Laissé libre, il aurait pu s’étendre longuement sur le marché et bâcler l’analyse financière ; guidé, il traite systématiquement les cinq aspects.
Quand utiliser Chain of Thought — et quand l’éviter
Le CoT est destiné aux tâches où tu peux faire fausse route en cours de route : problèmes mathématiques en plusieurs étapes, estimations, analyse de données (interprétation de métriques, identification de tendances), prise de décision par comparaison d’options, débogage de code ou de journaux d’erreurs, raisonnement logique et déductions. Dans toutes ces situations, chaque étape intermédiaire est un point de contrôle qui empêche la propagation des erreurs.
À l’inverse, le CoT est inutile, voire contre-productif, lorsqu’il n’y a rien à déplier. Pour une question factuelle simple comme « Quelle est la capitale de l’Italie ? », cela ajoute de la latence et des tokens sans rien améliorer. Dans l’écriture créative, un raisonnement structuré peut même étouffer la créativité. La traduction est plus intuitive que logique, et la reformulation ne nécessite aucune déduction. Le bon réflexe : demande-toi si tu rédigerais toi-même des calculs pour cette tâche. Si non, épargne-le au modèle.
CoT avec few-shot
Combiner Chain of Thought avec la technique few-shot de la leçon précédente est particulièrement puissant : au lieu de décrire comment raisonner, tu le montres via un exemple complet de raisonnement réussi.
messages = [
{
"role": "system",
"content": "You are an analyst who reasons step by step."
},
{
"role": "user",
"content": """An e-commerce site has 10,000 visitors/day, a conversion rate
of 2.5% and an average cart value of €65. What is the daily revenue?"""
},
{
"role": "assistant",
"content": """Reasoning:
1. Number of orders/day = 10,000 × 2.5% = 250 orders
2. Daily revenue = 250 × €65 = €16,250
Answer: Daily revenue is €16,250."""
},
{
"role": "user",
"content": """A SaaS has 5,000 active users, a monthly churn rate
of 3% and an average revenue per user of €49/month. What will the MRR
be in 3 months if no new customers arrive?"""
}
]
Le modèle reproduira le même schéma — un bloc « Reasoning » numéroté, puis une ligne « Answer » — pour la nouvelle question. Tu obtiens à la fois la rigueur du CoT et la cohérence de format du few-shot.
Contrôle la verbosité du raisonnement
Parfois, tu veux le raisonnement, mais pas un roman. Tu contrôles le dosage directement dans l’instruction. Pour un raisonnement complet, demande : « Détaille chaque étape de ton raisonnement avant de conclure. » Pour une version plus concise : « Raisonne brièvement (2-3 étapes max) puis donne ta réponse. » Et pour la production, la variante la plus utile sépare le raisonnement et la réponse avec des balises :
Reason within <reasoning></reasoning> tags
then provide your final answer within <answer></answer> tags.
Cette dernière approche t’offre le meilleur des deux mondes : ton code extrait uniquement le contenu de la balise <answer> pour l’afficher à l’utilisateur final, tandis que le raisonnement complet reste disponible dans les journaux pour le débogage. Lorsqu’une réponse en production s’avère erronée, tu ouvres le journal et vois exactement où le raisonnement a déraillé.
Svarbiausi punktai
- Chain of Thought demande au modèle de raisonner avant de répondre — décisif pour la logique, le calcul et l’analyse
- Guide explicitement les étapes pour les tâches complexes
- Combine CoT et few-shot pour une efficacité maximale
- Inutile pour les questions simples ou l’écriture créative
- Utilise des balises XML pour séparer le raisonnement et la réponse en production