Prompta un modèle de raisonnement
På denna sida
Leçon réécrite le 2 novembre 2026. Cette leçon couvrait auparavant le prompt système Magistral, qui a été retiré le 31 juillet 2026. La documentation actuelle sur le raisonnement (Reasoning) ne requiert plus de prompt système dédié :
reasoning_effortsuffit. Les sections suivantes distinguent ce que stipulait la documentation Magistral, ce qui a changé et les règles de prompting qui restent utiles.
Ce qui a changé depuis Magistral
Magistral offrait ses meilleures performances avec un prompt système par défaut, que la documentation reproduisait (désormais archivé sur la page Native reasoning (deprecated)). Pour l’essentiel, il instruisait le modèle de rédiger d’abord son raisonnement, comme un monologue interne, suivi d’une réponse autonome ; d’écrire en Markdown, d’utiliser LaTeX pour les équations et de répondre dans la langue de la requête. Il incluait même un modèle de raisonnement, sous la forme d’un fragment thinking placé dans le message système. Un paramètre, prompt_mode, permettait de forcer ce prompt par défaut ("reasoning") ou de le désactiver (None).
Avec les modèles actuels, rien de tout cela n’est nécessaire : la page sur le raisonnement ne mentionne ni prompt système dédié ni prompt_mode. Tu actives le raisonnement avec reasoning_effort, et ton prompt système redevient un prompt système classique, dédié au rôle, à la méthode et au format attendu. Si tu migres depuis Magistral, supprime le modèle de raisonnement de tes messages système et prompt_mode de tes appels, puis compare les résultats (Leçon 8).
Séparer le raisonnement de la réponse
Le modèle dispose désormais de deux espaces distincts : le raisonnement, que l’utilisateur ne voit souvent pas, et la réponse finale. Un bon prompt en tient compte. Il décrit la méthode attendue, ce qu’un expert du domaine vérifierait, et il définit le format de réponse : la réponse doit être compréhensible sans le raisonnement, car celui-ci sera généralement masqué.
import os
from mistralai.client import Mistral
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
system_prompt = """You are a senior Python debugging expert.
METHOD
- Read all the code before formulating a diagnosis.
- Formulate at least two hypotheses before concluding.
- Verify that your fix does not create a new problem.
FINAL RESPONSE
1. The precise diagnosis
2. The root cause
3. The corrected code
4. A test that proves the fix"""
response = client.chat.complete(
model="mistral-small-2603",
messages=[
{"role": "system", "content": system_prompt},
{"role": "user", "content": "My code crashes with a RecursionError: def fibonacci(n): return fibonacci(n-1) + fibonacci(n-2)"},
],
reasoning_effort="high",
)
Sur cette fonction fibonacci dépourvue de cas de base, l’exigence de deux hypothèses écarte le diagnostic réflexe « augmenter la limite de récursion » et conduit à la cause réelle.
Adapter par domaine
La même ossature, méthode puis format de réponse, s’adapte au domaine spécifique. En mathématiques, la méthode se concentre sur les hypothèses et le type de preuve :
math_prompt = """You are a rigorous mathematician.
METHOD
- State the hypotheses before every proof.
- Explicitly choose between induction, contradiction, or direct calculation.
- Verify the result on a specific case.
FINAL RESPONSE
Formal proof: hypotheses, justified steps, conclusion."""
En analyse stratégique, elle se concentre sur les parties prenantes et la quantification, et la réponse attendue devient une recommandation accompagnée d’un plan :
strategy_prompt = """You are a strategy consultant.
METHOD
- Evaluate each option based on feasibility, impact, and risk.
- Quantify whenever possible, even if only as an order of magnitude.
- Seek the strongest objection to your own recommendation.
FINAL RESPONSE
A clear recommendation, the pros and cons of each option, an action plan with dated steps."""
Trois erreurs courantes
Le prompt est trop vague. « Tu es un assistant utile » ne dit rien sur la méthode : le modèle raisonne selon ses habitudes plutôt que selon les tiennes. Décris ce qu’un expert vérifierait.
Le prompt est contradictoire. « Sois très concis. Détaille chaque étape en profondeur. » place le modèle face à une injonction impossible. Résous la contradiction en répartissant les rôles : le détail appartient au raisonnement, la concision à la réponse finale.
good_prompt = """Be concise in your final response: conclusions and essential figures only.
Explore details in your reasoning, not in the response."""
Demander le processus dans la réponse. Demander de « raisonner étape par étape » dans la réponse visible pousse le modèle à écrire une seconde fois ce qu’il a déjà fait dans son raisonnement : la réponse s’allonge et tu paies deux fois les mêmes étapes en jetons de sortie. Ne demande les étapes dans la réponse que si l’utilisateur a besoin de les lire, par exemple dans un tuteur pédagogique.
Viktiga punkter
- Le prompt système par défaut et
prompt_modeétaient spécifiques à Magistral : ils ne sont plus nécessaires - Active le raisonnement avec
reasoning_effortet garde le prompt système dans son rôle classique - Décris la méthode attendue et le format d’une réponse lisible sans le raisonnement
- Répartis les rôles : détail dans le raisonnement, concision dans la réponse
- Ne fais pas réécrire le processus dans la réponse si personne n’a besoin de le lire