Thread Of Thought : Définition et Exemples

Technique de prompting qui demande au modèle de dérouler un fil de raisonnement continu en identifiant et en connectant les informations pertinentes d'un contexte long avant de formuler sa réponse.

Définition complète

Le Thread of Thought (ThoT) est une stratégie de prompting introduite en 2023 par des chercheurs pour améliorer la capacité des grands modèles de langage à traiter des contextes volumineux et complexes. Contrairement au Chain of Thought qui décompose un problème en étapes logiques successives, le Thread of Thought demande au modèle de "parcourir le fil" de l'information disponible, en extrayant et en reliant les éléments pertinents avant de construire sa réponse.

Le principe repose sur une instruction simple mais puissante : on demande au modèle de d'abord passer en revue l'ensemble du contexte fourni, d'identifier les segments d'information qui sont pertinents pour la question posée, puis de tisser ces éléments ensemble dans un raisonnement cohérent. Cette approche est particulièrement efficace lorsque la réponse nécessite de synthétiser des informations dispersées dans un document long ou dans plusieurs sources.

L'avantage majeur du Thread of Thought par rapport à d'autres techniques de raisonnement est sa capacité à gérer le bruit informationnel. Dans un contexte riche contenant à la fois des informations pertinentes et non pertinentes, le ThoT guide le modèle pour qu'il filtre naturellement ce qui compte, réduisant ainsi les hallucinations et les réponses hors sujet.

Cette technique se distingue par sa simplicité d'implémentation : il suffit généralement d'ajouter une instruction du type "Parcours attentivement le contexte ci-dessus, identifie les informations pertinentes segment par segment, puis synthétise ta réponse" pour obtenir des améliorations significatives sur les tâches de compréhension et de question-réponse.

Étymologie

Le terme "Thread of Thought" (littéralement "fil de pensée") fait référence à la métaphore du fil conducteur que l'on déroule à travers un ensemble d'informations. Il a été formalisé dans un article de recherche de 2023 intitulé "Thread of Thought Unraveling Chaotic Contexts" par Yucheng Zhou et al., qui proposait cette technique comme solution au traitement de contextes longs et désordonnés par les LLM.

Exemples concrets

Analyse d'un long document juridique pour répondre à une question précise

Voici un contrat de 15 pages. [contenu du contrat]

Question : Quelles sont les conditions de résiliation anticipée ?

Avant de répondre, parcours attentivement l'ensemble du contrat. Identifie chaque section et clause qui mentionne la résiliation, les pénalités ou la fin du contrat. Relie ces éléments entre eux, puis formule ta réponse complète.

Synthèse d'informations dispersées dans une longue conversation ou réunion

Voici la transcription d'une réunion d'équipe de 2 heures. [transcription]

Déroule le fil de cette conversation du début à la fin. Identifie toutes les décisions prises, les responsables assignés et les échéances mentionnées. Relie les discussions qui reviennent sur un même sujet à différents moments, puis produis un compte-rendu structuré.

Réponse à une question complexe nécessitant de croiser plusieurs sources

Voici trois articles de recherche sur l'impact du sommeil sur la mémoire. [articles]

Parcours chaque article en identifiant les résultats clés, les méthodologies utilisées et les conclusions. Note les points de convergence et de divergence entre les études, puis synthétise une réponse à la question : le sommeil paradoxal est-il plus important que le sommeil profond pour la consolidation mnésique ?

Usage pratique

Pour appliquer le Thread of Thought, ajoutez une instruction explicite demandant au modèle de parcourir l'intégralité du contexte fourni avant de répondre. Cette technique est particulièrement utile lorsque vous travaillez avec des documents longs, des contextes bruités ou des questions nécessitant de croiser plusieurs informations dispersées. Combinez-la avec un formatage clair du contexte (numérotation des sections, séparateurs) pour maximiser son efficacité.

Concepts liés

Chain of ThoughtRetrieval-Augmented GenerationContextual CompressionStep-Back Prompting

FAQ

Quelle est la différence entre Thread of Thought et Chain of Thought ?

Le Chain of Thought décompose un raisonnement en étapes logiques séquentielles pour résoudre un problème. Le Thread of Thought, lui, se concentre sur le parcours et le filtrage d'un contexte long pour en extraire les informations pertinentes avant de formuler une réponse. Le CoT est orienté résolution de problèmes, le ThoT est orienté compréhension et synthèse de contexte.

Quand utiliser le Thread of Thought plutôt qu'une autre technique ?

Le Thread of Thought est particulièrement adapté lorsque vous fournissez un contexte long et dense au modèle (documents, transcriptions, données multiples) et que la réponse nécessite d'identifier et de relier des informations dispersées. Si votre problème est plutôt un raisonnement logique ou mathématique sans contexte volumineux, le Chain of Thought sera plus approprié.

Le Thread of Thought fonctionne-t-il avec tous les modèles de langage ?

Le Thread of Thought fonctionne mieux avec les modèles à grande fenêtre de contexte (Claude, GPT-4, Gemini) capables de traiter de longs documents. Les modèles plus petits ou avec une fenêtre de contexte limitée bénéficieront moins de cette technique, car ils peinent déjà à maintenir la cohérence sur de longs textes. Les résultats sont généralement proportionnels à la capacité du modèle à gérer de longs contextes.

Voir aussi

Chain of Thought Prompt Engineering Few-Shot Prompting Zero-Shot Prompting Retrieval-Augmented Generation Fenêtre de Contexte

Recevez de nouveaux prompts chaque semaine

Rejoignez notre newsletter.