Chain-of-thought (raisonnement pas à pas)

IA / LLM 🟡 Mid

Définition

Technique de prompting qui demande au modèle d'écrire ses étapes intermédiaires avant la réponse. Formalisée par Wei et al. (soumis le 28 janvier 2022) : avec huit exemples de raisonnement, un modèle de 540 milliards de paramètrès atteignait l'état de l'art sur des problèmes de mathématiques. Les modèles de raisonnement actuels intègrent ce mécanisme nativement.

Analogie

Montrer son brouillon plutôt que de donner le résultat au hasard.

Exemple de code

const msg = await client.messages.create({
  model: 'claude-sonnet-5',
  max_tokens: 1500,
  messages: [{
    role: 'user',
    content: `Réfléchis étape par étape dans <thinking>, puis donne
    la réponse finale seule dans <answer>.
    Question : un cluster de 12 pods à 250 Mi passe à 20 pods ;
    quelle RAM totale demander avec 20 % de marge ?`,
  }],
});
const answer = msg.content[0].text.match(/<answer>([\s\S]*)<\/answer>/)?.[1];

Cas d'usage

Problèmes multi-étapes, calculs, diagnostics de bug où l'on veut auditer le raisonnement.

Anti-pattern

Demander un raisonnement explicite à un modèle qui réfléchit déjà en interne : doublon coûteux.

Termes liés

#ia#prompting#raisonnement#interview

En entretien

Explique-moi ce qu'est le chain-of-thought.
C'est demander au modèle d'écrire ses étapes intermédiaires de raisonnement avant de donner sa réponse finale, un peu comme montrer son brouillon plutôt que de balancer un résultat. Ça a été formalisé par Wei et al. avec des exemples de raisonnement qui amélioraient nettement les résultats sur des problèmes mathématiques.
Quand est-ce que tu éviterais de demander un chain-of-thought explicite ?
Avec un modèle de raisonnement actuel qui intègre déjà ce mécanisme nativement, demander un raisonnement explicite en plus fait doublon et coûte inutilement cher. Il faut vérifier si le modèle réfléchit déjà en interne avant d'ajouter cette consigne.
Donne-moi un exemple concret d'usage du chain-of-thought.
Sur un diagnostic de bug ou un calcul multi-étapes, on demande au modèle de réfléchir dans une balise dédiée puis de donner la réponse finale séparément, ce qui permet d'auditer le raisonnement. C'est utile partout où on veut vérifier comment le modèle est arrivé à sa conclusion.

Sources

Fiche mise à jour le 2026-09-27