La Chaîne de Pensée

Raisonner étape par étape

La chaîne de pensée (Chain-of-Thought, ou CoT) est une technique qui consiste à demander au modèle de détailler son raisonnement avant de donner sa réponse finale. Au lieu de sauter directement à la conclusion, le modèle explicite chaque étape logique, ce qui améliore significativement la qualité des réponses sur les tâches nécessitant du raisonnement.

Cette technique est particulièrement efficace avec les modèles Mistral pour les tâches de logique, de mathématiques, d’analyse et de prise de décision.

Pourquoi la chaîne de pensée améliore les résultats

Les modèles de langage génèrent du texte token par token. Lorsqu’un modèle doit répondre directement à une question complexe, il n’a que quelques tokens pour « réfléchir ». En lui demandant de détailler son raisonnement, vous lui donnez l’espace nécessaire pour :

• Décomposer un problème complexe en sous-problèmes simples
• Vérifier chaque étape avant de passer à la suivante
• Identifier les informations pertinentes parmi les données fournies
• Réduire les erreurs de raisonnement et les hallucinations

Le CoT simple : une instruction suffit

La forme la plus basique consiste à ajouter une instruction de raisonnement :

Un restaurant a 15 tables. Chaque table peut accueillir 4 personnes.
Le restaurant est plein à 80%. Combien de personnes sont présentes ?

Raisonnez étape par étape avant de donner votre réponse.

Le modèle produira alors quelque chose comme :

Étape 1 : Capacité totale = 15 tables × 4 personnes = 60 personnes
Étape 2 : Taux de remplissage = 80% = 0.80
Étape 3 : Personnes présentes = 60 × 0.80 = 48 personnes

Réponse : 48 personnes sont présentes dans le restaurant.

Sans l’instruction « raisonnez étape par étape », le modèle pourrait donner directement « 48 » (correct ici) ou se tromper sur un calcul intermédiaire sans que vous puissiez identifier l’erreur.

Le CoT structuré : guider les étapes

Pour des tâches plus complexes, vous pouvez guider explicitement les étapes du raisonnement :

Évaluez si cette startup est un bon investissement.

Données :
- CA 2025 : 2.3M€ (croissance +45% YoY)
- Burn rate : 180K€/mois
- Runway : 14 mois
- Marché adressable : 500M€
- Équipe : 22 personnes, 3 fondateurs techniques

Raisonnez selon ces étapes :
1. Analysez la santé financière (CA, burn, runway)
2. Évaluez le potentiel marché (taille, pénétration actuelle)
3. Évaluez l'équipe (compétences, taille)
4. Identifiez les risques principaux (3 max)
5. Donnez votre conclusion avec un score de confiance (faible/moyen/élevé)

En prescrivant les étapes, vous vous assurez que le modèle couvre tous les aspects importants et dans le bon ordre.

Quand utiliser la chaîne de pensée

Situations idéales pour le CoT

• Problèmes mathématiques : calculs multi-étapes, estimations
• Analyse de données : interprétation de métriques, identification de tendances
• Prise de décision : comparaison d’options, évaluation de risques
• Débogage : analyse d’un code ou d’un log d’erreur
• Raisonnement logique : déductions, résolution de puzzles

Situations où le CoT est inutile

• Questions factuelles simples : « Quelle est la capitale de l’Italie ? »
• Rédaction créative : le raisonnement structuré peut brider la créativité
• Traduction : le processus est plus intuitif que logique
• Reformulation : pas besoin de raisonner pour paraphraser

Le CoT avec few-shot

Combiner la chaîne de pensée avec le few-shot est particulièrement puissant. Vous montrez au modèle comment raisonner via un exemple :

messages = [
    {
        "role": "system",
        "content": "Vous êtes un analyste qui raisonne étape par étape."
    },
    {
        "role": "user",
        "content": """Un e-commerce a 10 000 visiteurs/jour, un taux de conversion
de 2.5% et un panier moyen de 65€. Quel est le CA quotidien ?"""
    },
    {
        "role": "assistant",
        "content": """Raisonnement :
1. Nombre de commandes/jour = 10 000 × 2.5% = 250 commandes
2. CA quotidien = 250 × 65€ = 16 250€

Réponse : Le chiffre d'affaires quotidien est de 16 250€."""
    },
    {
        "role": "user",
        "content": """Un SaaS a 5 000 utilisateurs actifs, un taux de churn mensuel
de 3% et un revenu moyen par utilisateur de 49€/mois. Quel sera le MRR
dans 3 mois si aucun nouveau client n'arrive ?"""
    }
]

Le modèle reproduira le même schéma de raisonnement structuré pour la nouvelle question.

Contrôler la verbosité du raisonnement

Parfois, vous voulez le raisonnement mais pas un roman. Voici comment doser :

Raisonnement complet :

Détaillez chaque étape de votre raisonnement avant de conclure.

Raisonnement concis :

Raisonnez brièvement (2-3 étapes max) puis donnez votre réponse.

Raisonnement interne :

Raisonnez entre les balises <raisonnement></raisonnement>
puis donnez votre réponse finale entre <réponse></réponse>.

Cette dernière approche est utile en production : vous pouvez extraire uniquement la balise <réponse> pour l’utilisateur final tout en conservant le raisonnement pour le débogage.

Points clés à retenir

• La chaîne de pensée demande au modèle de raisonner avant de répondre
• Elle améliore les résultats sur les tâches de logique, calcul et analyse
• Guidez les étapes explicitement pour les tâches complexes
• Combinez CoT et few-shot pour un maximum d’efficacité
• Inutile pour les questions simples ou la rédaction créative
• Utilisez des balises XML pour séparer raisonnement et réponse en production