Les techniques de prompting basiques — donner un rôle, du contexte, une tâche — sont un excellent point de départ. Mais pour obtenir des résultats vraiment exceptionnels avec Claude ou d'autres LLM, il faut maîtriser les techniques avancées. Chain-of-Thought, Few-Shot, Tree-of-Thought : ces méthodes, issues de la recherche en IA, sont devenues des outils pratiques incontournables en 2025.
🧠 Comprendre le raisonnement des LLM
Avant de plonger dans les techniques, comprenons pourquoi elles fonctionnent. Les grands modèles de langage (LLM) ne « pensent » pas comme nous. Ils prédisent le token suivant le plus probable. Quand vous posez une question complexe, le modèle peut « sauter » directement à une réponse sans passer par les étapes intermédiaires — et se tromper.
Les techniques avancées de prompting exploitent une idée simple : en forçant le modèle à expliciter son raisonnement, on améliore considérablement la qualité de ses réponses. C'est comme la différence entre un élève qui écrit directement la réponse d'un problème de maths et un élève qui montre tout son raisonnement.
Le problème du raisonnement implicite
Prompt simple :
"Marie a 3 pommes. Elle en donne la moitié à Jean, puis achète
5 pommes. Combien en a-t-elle ?"
Réponse souvent correcte pour cet exemple simple, mais pour des
problèmes plus complexes avec plusieurs étapes, le modèle peut
facilement se tromper sans raisonnement explicite.
⛓️ Chain-of-Thought (CoT) : penser étape par étape
Le principe
Le Chain-of-Thought (chaîne de pensée), introduit par Wei et al. en 2022, consiste à demander au modèle de décomposer son raisonnement en étapes explicites avant de donner sa réponse finale.
Comment l'utiliser
La forme la plus simple est d'ajouter « Réfléchis étape par étape » à votre prompt :
Prompt SANS CoT :
"Un magasin offre 20% de réduction. L'article coûte 85€.
Avec une TVA de 20%, quel est le prix final ?"
→ Risque d'erreur : le modèle peut appliquer les calculs
dans le mauvais ordre.
Prompt AVEC CoT :
"Un magasin offre 20% de réduction. L'article coûte 85€.
Avec une TVA de 20%, quel est le prix final ?
Raisonne étape par étape :
1. Calcule d'abord le prix après réduction
2. Puis applique la TVA
3. Donne le prix final"
CoT avancé : structurer les étapes
Pour des problèmes complexes, structurez explicitement les étapes de raisonnement :
"Tu es un consultant en stratégie d'entreprise.
Un client veut lancer un produit SaaS en France. Voici les données :
- Marché cible : 50 000 PME
- Prix envisagé : 49€/mois
- Coût d'acquisition client estimé : 200€
- Churn mensuel estimé : 5%
- Budget marketing initial : 100 000€
Analyse la viabilité de ce projet en suivant ces étapes :
Étape 1 — Calcul du marché adressable
Étape 2 — Projection des acquisitions avec le budget marketing
Étape 3 — Calcul de la LTV (Lifetime Value) par client
Étape 4 — Ratio LTV/CAC et interprétation
Étape 5 — Projection de revenus à 12 mois
Étape 6 — Verdict et recommandations
Pour chaque étape, montre tes calculs et ton raisonnement."
Zero-shot CoT vs Manual CoT
| Type | Description | Exemple |
|---|---|---|
| Zero-shot CoT | Ajouter simplement « étape par étape » | « Résous ce problème étape par étape » |
| Manual CoT | Définir explicitement les étapes | « Étape 1 : ... Étape 2 : ... » |
| Auto-CoT | Le modèle génère ses propres étapes | « Décompose ce problème en sous-problèmes » |
Le Manual CoT est généralement le plus fiable car vous contrôlez la structure du raisonnement.
Quand utiliser le CoT
- ✅ Problèmes mathématiques et logiques
- ✅ Analyse multi-facteurs
- ✅ Débogage de code
- ✅ Prise de décision complexe
- ✅ Raisonnement juridique ou médical
- ❌ Pas nécessaire pour les tâches simples (traduction, reformulation)
- ❌ Peut ralentir les tâches créatives
🎯 Few-Shot Prompting : apprendre par l'exemple
Le principe
Le Few-Shot prompting consiste à fournir des exemples concrets de paires entrée/sortie avant de poser votre question. Le modèle comprend le pattern et l'applique à votre cas.
Les variantes du Few-Shot
| Variante | Nombre d'exemples | Cas d'usage |
|---|---|---|
| Zero-shot | 0 exemple | Tâches simples, instructions claires |
| One-shot | 1 exemple | Pattern simple à reproduire |
| Few-shot | 2-5 exemples | Tâches spécifiques, format précis |
| Many-shot | 5+ exemples | Tâches très spécialisées |
Few-Shot en pratique
Exemple 1 : Classification de sentiment
"Classifie le sentiment de chaque avis client.
Exemples :
Avis : 'Livraison rapide, produit conforme, je recommande !'
Sentiment : Positif
Catégorie : Satisfaction générale
Avis : 'Deux semaines d'attente pour recevoir un produit cassé.'
Sentiment : Négatif
Catégorie : Livraison + Qualité produit
Avis : 'Le produit est correct pour le prix.'
Sentiment : Neutre
Catégorie : Rapport qualité-prix
Maintenant classifie :
Avis : 'Interface magnifique mais plante toutes les 5 minutes.'
Sentiment : ?
Catégorie : ?"
Exemple 2 : Transformation de format
"Convertis ces descriptions produit en fiches techniques.
Exemple :
Description : 'Notre sac à dos urbain de 25L est fait en nylon
recyclé résistant à l'eau, avec un compartiment laptop 15 pouces
rembourré et des bretelles ergonomiques ajustables.'
Fiche technique :
| Caractéristique | Valeur |
|----------------|--------|
| Type | Sac à dos urbain |
| Capacité | 25L |
| Matière | Nylon recyclé |
| Résistance eau | Oui |
| Compartiment laptop | 15 pouces, rembourré |
| Bretelles | Ergonomiques, ajustables |
Maintenant convertis :
Description : 'Cette enceinte Bluetooth portable offre 20h
d'autonomie, un son 360° grâce à ses 4 haut-parleurs, une
certification IP67 et un poids plume de 300g. Se connecte
en Bluetooth 5.3.'"
Exemple 3 : Style d'écriture spécifique
"Réécris ces phrases techniques en langage accessible pour
un blog grand public.
Exemple 1 :
Technique : 'L'architecture microservices découple les composants
applicatifs pour permettre un scaling horizontal indépendant.'
Blog : 'Au lieu d'avoir un gros logiciel monolithique, on le
découpe en petits modules indépendants. Résultat : si une partie
a besoin de plus de puissance, on ne scale que celle-là.'
Exemple 2 :
Technique : 'Le modèle utilise l'attention multi-tête pour
pondérer les tokens pertinents dans la fenêtre de contexte.'
Blog : 'L'IA lit votre texte et identifie automatiquement quels
mots sont les plus importants pour comprendre votre demande,
un peu comme quand vous surlignez les passages clés d'un livre.'
Maintenant réécris :
Technique : 'Le fine-tuning par RLHF aligne les sorties du LLM
avec les préférences humaines via un modèle de récompense entraîné
sur des comparaisons par paires.'"
Astuces Few-Shot
- Choisissez des exemples diversifiés — couvrant les cas limites
- Gardez une cohérence de format entre les exemples
- Ordonnez du simple au complexe — le modèle comprend mieux la progression
- 3-5 exemples suffisent généralement — au-delà, les rendements diminuent
- Testez avec différents exemples — certains fonctionnent mieux que d'autres
🌳 Tree-of-Thought (ToT) : explorer plusieurs chemins
Le principe
Le Tree-of-Thought (arbre de pensée), proposé par Yao et al. en 2023, va plus loin que le CoT. Au lieu de suivre un seul chemin de raisonnement, le modèle explore plusieurs pistes en parallèle, évalue chacune, et sélectionne la meilleure.
Pour aller plus loin sur ce sujet, consultez notre guide Le guide ultime du prompt engineering en 2025.
C'est comme un joueur d'échecs qui considère plusieurs coups possibles avant d'en choisir un.
Pour aller plus loin sur ce sujet, consultez notre guide System prompts : l art de cadrer son IA.
Comment l'implémenter
"Tu dois résoudre ce problème de planification :
Organiser une conférence tech de 200 personnes en 3 mois
avec un budget de 30 000€ à Paris.
Explore 3 approches différentes :
APPROCHE A — Lieu premium, contenu basique
[Développe cette approche : lieu, format, budget détaillé]
Évalue : avantages, risques, score sur 10
APPROCHE B — Lieu modeste, speakers de haut niveau
[Développe cette approche : lieu, format, budget détaillé]
Évalue : avantages, risques, score sur 10
APPROCHE C — Format hybride (présentiel + streaming)
[Développe cette approche : lieu, format, budget détaillé]
Évalue : avantages, risques, score sur 10
Synthèse : compare les 3 approches dans un tableau et
recommande la meilleure avec justification."
ToT avec auto-évaluation
"Propose 3 stratégies marketing différentes pour lancer
une application mobile de méditation en France.
Pour chaque stratégie :
1. Décris l'approche en détail (canaux, budget, timeline)
2. Identifie 3 forces et 3 faiblesses
3. Estime le ROI potentiel
4. Attribue un score de faisabilité /10
Après avoir exploré les 3 stratégies :
- Élimine la plus faible en expliquant pourquoi
- Propose une stratégie hybride combinant les meilleurs
éléments des deux restantes
- Détaille le plan d'action final"
Quand utiliser le ToT
| Situation | CoT suffit ? | ToT nécessaire ? |
|---|---|---|
| Calcul mathématique | ✅ | ❌ |
| Choix stratégique | ⚠️ | ✅ |
| Résolution de problème unique | ✅ | ❌ |
| Planification complexe | ⚠️ | ✅ |
| Créativité / brainstorming | ❌ | ✅ |
| Arbitrage entre options | ⚠️ | ✅ |
📊 Tableau comparatif global
| Technique | Complexité | Tokens utilisés | Meilleur pour | Fiabilité |
|---|---|---|---|---|
| Zero-shot | ⭐ | Faible | Tâches simples | Variable |
| Few-shot | ⭐⭐ | Moyen | Format précis, classification | Haute |
| CoT | ⭐⭐ | Moyen-élevé | Raisonnement logique | Haute |
| Few-shot + CoT | ⭐⭐⭐ | Élevé | Problèmes complexes avec pattern | Très haute |
| ToT | ⭐⭐⭐⭐ | Très élevé | Décisions stratégiques | Très haute |
Coût vs Qualité
Un point crucial en 2025 : ces techniques consomment plus de tokens (et donc coûtent plus cher). Utilisez OpenRouter pour optimiser vos coûts en routant automatiquement vers le modèle le plus adapté.
| Technique | Tokens moyens (prompt) | Coût relatif |
|---|---|---|
| Zero-shot | 50-200 | 1x |
| Few-shot (3 exemples) | 300-800 | 3-4x |
| CoT détaillé | 200-500 | 2-3x |
| ToT (3 branches) | 500-1500 | 5-8x |
🔬 Techniques bonus : au-delà des classiques
Self-Consistency
Exécutez le même prompt CoT plusieurs fois et prenez la réponse majoritaire. Particulièrement utile pour les problèmes mathématiques.
"Résous ce problème 3 fois avec des approches différentes.
Si les 3 réponses concordent, c'est la bonne.
Si elles divergent, analyse pourquoi et détermine la plus fiable.
Problème : [votre problème]
Approche 1 : résolution algébrique
Approche 2 : résolution par estimation/vérification
Approche 3 : résolution par décomposition"
Prompt Chaining (chaînage)
Plutôt qu'un seul mega-prompt, décomposez en une série de prompts qui s'enchaînent. C'est exactement ce que permet OpenClaw de faire automatiquement.
Prompt 1 : "Analyse ce brief client et extrais les 5 points clés"
→ Résultat stocké
Prompt 2 : "À partir de ces 5 points, génère 3 propositions créatives"
→ Résultat stocké
Prompt 3 : "Évalue ces 3 propositions et développe la meilleure
en plan détaillé"
→ Résultat final
ReAct (Reasoning + Acting)
Combine raisonnement et actions. Le modèle pense, agit, observe le résultat, puis pense à nouveau.
"Pour répondre à cette question, alterne entre réflexion et action :
Question : [votre question complexe]
Pensée 1 : Qu'est-ce que je dois trouver/comprendre ?
Action 1 : [Ce que tu ferais pour obtenir l'info]
Observation 1 : [Ce que tu obtiendrais]
Pensée 2 : Que m'apprend cette observation ?
Action 2 : [Prochaine étape]
...
Réponse finale : [Synthèse]"
🎯 Guide de choix rapide
Utilisez cet arbre de décision :
Votre tâche est-elle simple (traduction, résumé court) ?
→ OUI : Zero-shot suffit
→ NON : ↓
Avez-vous un format précis à reproduire ?
→ OUI : Few-shot (2-5 exemples)
→ NON : ↓
La tâche nécessite-t-elle du raisonnement logique ?
→ OUI : Chain-of-Thought
→ NON : ↓
Devez-vous comparer plusieurs options/stratégies ?
→ OUI : Tree-of-Thought
→ NON : ↓
La tâche est-elle multi-étapes avec dépendances ?
→ OUI : Prompt Chaining (OpenClaw)
→ NON : Combinez Few-shot + CoT
💡 Combiner les techniques
La vraie puissance vient de la combinaison. Voici un exemple qui mélange Few-shot + CoT + auto-évaluation :
"Tu es un expert en UX design.
Voici comment j'analyse les problèmes d'interface :
Exemple :
Problème : 'Les utilisateurs ne trouvent pas le bouton d'inscription'
Étape 1 — Diagnostic : Le bouton est en bas de page, couleur
similaire au fond, pas de contraste
Étape 2 — Principe UX violé : Visibilité (Nielsen #1)
Étape 3 — Solution : Bouton en haut, couleur contrastée, taille
augmentée
Évaluation : Impact estimé → +40% de visibilité, effort → faible
Maintenant analyse ce problème avec la même méthode :
Problème : 'Le taux d'abandon du panier est de 78%'
Propose 3 solutions, évalue chacune, et recommande la meilleure."
Les techniques avancées de prompting ne sont pas de la théorie abstraite — ce sont des outils concrets qui produisent des résultats mesurables. Commencez par le CoT pour vos tâches de raisonnement, ajoutez le Few-shot quand vous avez un format à reproduire, et passez au ToT pour vos décisions stratégiques.
Avec de la pratique, ces techniques deviendront aussi naturelles que d'écrire un email. Et avec des outils comme OpenClaw pour orchestrer des chaînes de prompts, vous pourrez automatiser des workflows complexes qui combinent toutes ces approches.
📚 Articles liés
- Le guide ultime du prompt engineering en 2025 — Maîtrisez les bases avant de passer aux techniques avancées
- System prompts : l'art de cadrer son IA — Combinez ces techniques avec un system prompt bien construit
- Prompt debugging — Quand ces techniques ne donnent pas le résultat attendu