Chain-of-Thought (CoT) : Définition et Exemples
Le Chain-of-Thought (CoT) pousse le modèle à décomposer son raisonnement en étapes explicites avant la réponse finale, améliorant significativement la qualité sur les tâches de logique.
Définition complète
Le CoT, introduit par Google Research en 2022, est une avancée majeure. L'idée : demander au modèle de réfléchir étape par étape.
Pourquoi ça marche ? Les LLM génèrent token par token. Le raisonnement à voix haute permet à chaque étape de servir de contexte pour la suivante, réduisant les erreurs de logique.
Le CoT est efficace pour les maths, le raisonnement logique, l'analyse multi-critères et la planification. Sur les benchmarks maths, +20-40% de performance.
Deux variantes : CoT explicite ('Raisonne étape par étape' — zero-shot CoT) et CoT par exemples (few-shot avec raisonnement complet).
Étymologie
Formalisé dans 'Chain-of-Thought Prompting Elicits Reasoning in LLMs' (Wei et al., Google Brain, 2022). L'analogie : une chaîne de pensée où chaque maillon renforce le suivant.
Exemples concrets
Problème mathématique
Un magasin offre 20% sur un article à 85€, puis une remise fidélité de 5€. Prix final ? Raisonne étape par étape.
Analyse de décision complexe
Compare 3 offres d'emploi étape par étape (salaire, lieu, perspectives, culture). A: 55K€ Paris startup | B: 48K€ Lyon grand groupe | C: 60K€ remote scale-up US Analyse chaque critère puis recommande.
Debugging de code
Ce code Python a un bug. Analyse le flux ligne par ligne, identifie l'erreur, propose la correction.
Usage pratique
Ajoutez 'Raisonne étape par étape' à vos prompts complexes. Pour les calculs, demandez de montrer chaque opération.
Concepts liés
FAQ
Le CoT marche-t-il avec tous les modèles ?
Le CoT consomme plus de tokens ?
CoT vs Tree-of-Thought ?
Voir aussi
Recevez de nouveaux prompts chaque semaine
Rejoignez notre newsletter.