Prompt engineering : 15 techniques qui améliorent vraiment vos résultats

Le prompt engineering a longtemps souffert d'une réputation ambiguë, coincé entre l'astuce de comptoir et la discipline scientifique. Pourtant, derrière les recettes qui circulent sur les réseaux se cache un socle de résultats de recherche solides et reproductibles. Dès 2020, l'article « Language Models are Few-Shot Learners » d'OpenAI démontrait qu'un grand modèle pouvait accomplir une tâche simplement en observant quelques exemples glissés dans son prompt, sans le moindre réentraînement. Deux ans plus tard, une simple phrase — « Let's think step by step » — faisait bondir la précision d'un modèle sur des problèmes de mathématiques de 25,5 % à 66,1 %, selon Kojima et al. (2022). Ces chiffres, publiés et vérifiés, changent la donne : rédiger un bon prompt n'est pas de la magie, c'est une compétence qui s'apprend et qui se mesure.

Cet article propose un guide pratique de quinze techniques dont l'efficacité est étayée par la littérature scientifique ou par les recommandations officielles des principaux laboratoires. Chacune est présentée avec son principe, un exemple concret et le contexte où elle brille. L'objectif n'est pas d'accumuler des astuces, mais de comprendre pourquoi elles fonctionnent, afin de les adapter à vos propres besoins. Que vous soyez développeur, rédacteur, analyste ou simplement utilisateur curieux d'un assistant conversationnel, ces méthodes s'appliquent dès aujourd'hui, à adapter au modèle que vous utilisez.

Un mot de méthode d'abord. Le prompt engineering est empirique par nature : ce qui fonctionne sur un modèle peut se comporter différemment sur un autre, et une même technique donne des résultats variables selon la tâche. La bonne posture n'est donc pas de suivre des règles gravées dans le marbre, mais de tester, mesurer et itérer. Les techniques présentées ici sont des points de départ éprouvés, pas des garanties absolues. C'est précisément ce qui rend le sujet passionnant : il reste largement ouvert à l'expérimentation.

Les fondations : parler clairement à une machine

Avant d'aborder les techniques avancées, il faut poser les bases. La majorité des déceptions face à un assistant IA ne viennent pas d'une limite du modèle, mais d'un prompt imprécis. Un modèle de langage ne devine pas votre intention : il complète statistiquement le texte que vous lui soumettez. Plus ce texte est clair, structuré et contextualisé, plus la sortie a de chances de correspondre à votre attente. Les trois premières techniques relèvent de cette hygiène de base, souvent négligée alors qu'elle produit les gains les plus immédiats.

Technique 1 — Être spécifique et descriptif

La recommandation la plus élémentaire est aussi la plus rentable. Les guides de bonnes pratiques des principaux fournisseurs d'API insistent sur un point : soyez aussi spécifique, descriptif et détaillé que possible concernant le contexte souhaité, le résultat attendu, la longueur, le format et le style. Un prompt vague comme « écris un texte sur le climat » laisse le modèle deviner votre intention parmi des milliers de possibilités. Un prompt précis — « rédige un paragraphe de 120 mots, sur un ton pédagogique, expliquant à un public non scientifique le rôle des océans dans la régulation du climat » — cadre la génération et réduit drastiquement les allers-retours.

La logique est simple : chaque contrainte que vous ajoutez élimine une partie de l'espace des réponses possibles, et rapproche la sortie de votre cible. Cela vaut pour le format (liste, tableau, paragraphe), le ton (formel, familier, technique), la longueur (nombre de mots ou de phrases), et le public visé. Un prompt bien cadré, c'est déjà la moitié du travail accompli.

Technique 2 — Placer l'instruction en tête et la séparer du contexte

L'ordre et la structure comptent. Les guides d'OpenAI recommandent de placer les instructions au début du prompt, puis de séparer clairement l'instruction du contexte à l'aide de délimiteurs comme ### ou des triples guillemets """. Pour un document très long, d'autres éditeurs conseillent l'inverse : placer le document en haut et la question à la fin ; testez les deux sur votre modèle. Cette séparation visuelle aide le modèle à distinguer ce qu'il doit faire de ce sur quoi il doit travailler.

Prenons un exemple de résumé. Plutôt que de noyer votre consigne dans un pavé de texte, structurez-le ainsi :

• Instruction en tête : « Résume le texte ci-dessous en trois puces, en français. »
• Un délimiteur clair : trois guillemets ou une ligne de dièses.
• Le contenu à traiter, encadré par ces délimiteurs.

Ce cloisonnement réduit les confusions, notamment le risque que le modèle interprète une portion du texte source comme une nouvelle instruction. Sur des prompts longs ou comportant des données hétérogènes, l'usage de balises de style XML — par exemple <document>...</document> — offre une lisibilité supérieure et un repérage sans ambiguïté des différentes sections.

Technique 3 — Attribuer un rôle au modèle

Donner un rôle au modèle — « Tu es un correcteur juridique méticuleux », « Agis en tant que professeur de physique pour lycéens » — oriente le registre, le vocabulaire et le niveau de détail de la réponse. Cette technique, souvent appelée role prompting ou message système, ne confère évidemment aucune expertise nouvelle au modèle ; elle active en revanche des styles et des conventions associés au rôle décrit dans les données d'entraînement.

L'effet est particulièrement net sur le ton et la structure. Un modèle à qui l'on demande d'endosser le rôle d'un professeur adoptera spontanément une progression pédagogique, des analogies et des vérifications de compréhension. Le même modèle, invité à jouer le rôle d'un relecteur exigeant, produira des critiques plus incisives et détaillées. Les interfaces d'API modernes réservent d'ailleurs un emplacement dédié à cette instruction — le « message système » — dont le contenu conditionne l'ensemble de la conversation qui suit.

Un modèle de langage complète statistiquement le texte qu'on lui soumet. Chaque précision ajoutée — rôle, format, ton, contexte — réduit l'incertitude et rapproche la sortie de l'intention.

Apprendre par l'exemple : le pouvoir du few-shot

Nous entrons ici dans le premier grand résultat scientifique du domaine. En 2020, l'équipe d'OpenAI publiait « Language Models are Few-Shot Learners », l'article qui introduisait GPT-3, un modèle de 175 milliards de paramètres. La découverte fondatrice : un modèle suffisamment grand peut accomplir une nouvelle tâche simplement en observant quelques exemples fournis dans le prompt, sans aucune mise à jour de ses poids ni réentraînement. Ce phénomène, baptisé apprentissage en contexte (in-context learning), a redéfini la manière d'interagir avec les modèles de langage.

Technique 4 — Le zero-shot : bien formuler la tâche seule

Le cas le plus simple est le zero-shot : on demande directement la tâche, sans exemple. C'est le mode par défaut de toute conversation. Il fonctionne remarquablement bien sur les tâches courantes que le modèle a largement rencontrées durant son entraînement — traduction, résumé, réponse à une question générale. La qualité du zero-shot dépend entièrement de la clarté de la consigne : c'est ici que les techniques 1 à 3 prennent tout leur sens.

Le réflexe sain consiste à toujours essayer le zero-shot en premier. S'il suffit, inutile d'alourdir le prompt d'exemples. On ne mobilise les techniques plus coûteuses que lorsque le zero-shot montre ses limites — sur une tâche inhabituelle, un format de sortie très spécifique, ou un domaine de niche.

Technique 5 — Le few-shot : montrer plutôt que décrire

Quand la consigne seule ne suffit pas, le few-shot prend le relais. Le principe : inclure dans le prompt un à quelques exemples de paires entrée-sortie illustrant exactement le comportement attendu. Le modèle infère le motif et l'applique à la nouvelle entrée. Cette approche est particulièrement efficace pour imposer un format précis, un style de rédaction, ou une convention de classification difficile à décrire en mots.

Imaginons que vous vouliez classer des avis clients selon un ton (positif, neutre, négatif) avec un format de sortie strict. Décrire ce format en prose est laborieux et incertain. Montrer trois exemples annotés est immédiat et sans ambiguïté :

• « Livraison rapide, produit conforme. » → positif
• « Correct mais l'emballage était abîmé. » → neutre
• « Article défectueux, service injoignable. » → négatif

Le modèle, ayant saisi la logique et le format, applique le même schéma aux avis suivants. Quelques précautions améliorent les résultats : veillez à la qualité et à la cohérence des exemples, variez-les pour couvrir les cas de figure, et soignez le format, car le modèle imite jusqu'aux détails de présentation. L'article fondateur de 2020 a montré que cette capacité s'améliore fortement avec la taille du modèle : les grands modèles deviennent, sur de nombreuses tâches, compétitifs avec des approches spécialisées entraînées sur des milliers d'exemples.

Faire raisonner le modèle : la famille chain-of-thought

Voici sans doute la contribution la plus marquante du prompt engineering. Jusqu'en 2022, on demandait aux modèles une réponse directe. L'idée marquante fut de les inviter à expliciter leur raisonnement avant de conclure. Cette simple invitation transforme les performances sur les tâches complexes.

Technique 6 — Chain-of-thought : dérouler le raisonnement

L'article « Chain-of-Thought Prompting Elicits Reasoning in Large Language Models », publié par Jason Wei et ses collègues et présenté à NeurIPS 2022, a établi le résultat de référence. Le principe : au lieu de fournir des exemples avec seulement la réponse finale, on fournit des exemples où le raisonnement est déroulé étape par étape. Le modèle imite alors cette démarche et décompose le problème avant de répondre.

Le résultat est spectaculaire. En sollicitant un modèle de 540 milliards de paramètres avec seulement huit exemples de chaîne de raisonnement, les auteurs atteignaient l'état de l'art sur GSM8K, un jeu de problèmes mathématiques rédigés — dépassant même une version de GPT-3 affinée et dotée d'un vérificateur. Les gains apparaissaient sur l'arithmétique, le raisonnement de sens commun et la manipulation symbolique. Point crucial souligné par les auteurs : cette capacité de raisonnement émerge avec la taille du modèle. Sur les petits modèles, la chaîne de raisonnement n'aide guère ; sur les grands, elle débloque des performances inaccessibles autrement.

En pratique, la technique consiste à guider le modèle vers une résolution structurée : « Résous ce problème en détaillant chaque étape de calcul avant de donner la réponse finale. » Pour un problème à plusieurs opérations, cette décomposition réduit les erreurs, car le modèle ne tente plus de tout résoudre d'un coup dans une seule prédiction.

Technique 7 — Zero-shot chain-of-thought : la phrase magique

La chaîne de raisonnement demandait de rédiger des exemples détaillés, un travail parfois fastidieux. En 2022, Takeshi Kojima et ses coauteurs ont montré, dans « Large Language Models are Zero-Shot Reasoners », qu'une simple phrase suffit souvent à déclencher le même effet. Il s'agit d'ajouter à la question la formule « Let's think step by step » (« Réfléchissons étape par étape »), puis d'extraire la réponse du raisonnement produit.

Les chiffres sont éloquents. Sur le benchmark MultiArith, avec un grand modèle, la précision passe de 25,5 % à 66,1 % grâce à cette seule instruction. La force de la méthode tient à son universalité : la même phrase fonctionne sur des domaines variés, de la manipulation symbolique à l'inférence logique, sans nécessiter le moindre exemple. C'est probablement la technique au meilleur rapport effort-bénéfice de tout le prompt engineering : un ajout de quelques mots, un gain souvent considérable sur les tâches nécessitant plusieurs étapes. Une réserve, en 2026 : les modèles dits « de raisonnement » déroulent déjà ce raisonnement en interne, et leurs éditeurs indiquent que leur demander de « réfléchir étape par étape » est inutile.

Ajouter « Réfléchissons étape par étape » a fait passer la précision d'un grand modèle de 25,5 % à 66,1 % sur des problèmes arithmétiques — sans le moindre exemple. Rarement quelques mots auront eu autant d'effet.

Technique 8 — Self-consistency : voter entre plusieurs raisonnements

La chaîne de raisonnement peut se tromper de chemin. En 2022, Xuezhi Wang et ses coauteurs ont proposé, dans « Self-Consistency Improves Chain of Thought Reasoning in Language Models », une amélioration élégante. Plutôt que de conserver un unique raisonnement, on en échantillonne plusieurs, diversifiés, puis on retient la réponse la plus fréquente — un vote à la majorité.

L'intuition est solide : un problème de raisonnement complexe admet souvent plusieurs chemins menant à la même bonne réponse. Si différentes tentatives convergent vers un même résultat, la confiance dans ce résultat augmente. La méthode consiste donc à demander au modèle plusieurs raisonnements indépendants (en jouant sur la température d'échantillonnage pour les diversifier), puis à sélectionner la conclusion majoritaire. Le coût est plus élevé — on paie plusieurs générations au lieu d'une — mais le gain de fiabilité sur les tâches critiques peut le justifier pleinement.

Technique 9 — Generated knowledge : faire produire le contexte au modèle

Sur les questions de sens commun, un modèle bénéficie parfois d'un rappel des faits pertinents avant de répondre. C'est l'idée du generated knowledge prompting, formalisée par Jiacheng Liu et ses coauteurs dans un article présenté à la conférence ACL 2022. La démarche se déroule en deux temps : on demande d'abord au modèle de générer quelques énoncés de connaissance relatifs à la question, puis on lui fournit ces énoncés comme contexte supplémentaire pour formuler sa réponse finale.

Cette technique divise une tâche complexe en deux sous-processus plus simples : d'abord retrouver l'information pertinente, ensuite l'utiliser pour raisonner. Elle met en lumière une propriété remarquable des grands modèles : ils constituent des sources flexibles de connaissances que l'on peut mobiliser de façon explicite pour améliorer le raisonnement de sens commun. En pratique, sur une question ambiguë, demander au modèle « quels faits pertinents devrais-je connaître pour répondre ? » avant de poser la vraie question améliore souvent la justesse de la réponse.

Décomposer et structurer les tâches complexes

Un modèle, comme un humain, gère mieux un problème découpé qu'un problème monolithique. Les techniques suivantes exploitent ce principe de décomposition, dont l'efficacité est bien documentée.

Technique 10 — Diviser une tâche complexe en étapes

Les guides de bonnes pratiques le répètent : face à une tâche impliquant plusieurs étapes, ajoutez explicitement ces étapes dans le prompt. Plutôt que de demander « analyse ce contrat et rédige un résumé exécutif », énumérez : « 1) identifie les parties et la durée ; 2) relève les clauses de résiliation ; 3) signale les points d'attention ; 4) rédige un résumé de dix lignes. » Cette explicitation guide le modèle à travers un processus ordonné et réduit les oublis.

La décomposition peut aussi être architecturale, en chaînant plusieurs appels : la sortie d'un premier prompt devient l'entrée d'un second. On extrait les données dans un appel, on les analyse dans un autre, on rédige la synthèse dans un troisième. Chaque étape est plus simple à contrôler et à corriger que le tout d'un bloc, et l'on peut vérifier la qualité à chaque maillon.

Technique 11 — Least-to-most : du plus simple au plus complexe

Denny Zhou et ses coauteurs ont formalisé en 2022 une stratégie de décomposition nommée least-to-most prompting. Elle procède en deux temps : on demande d'abord au modèle de découper le problème en sous-problèmes, du plus simple au plus complexe, sans les résoudre ; puis on les résout séquentiellement, en ajoutant chaque réponse au contexte, jusqu'à parvenir au résultat final.

Cette méthode a montré des améliorations notables sur les tâches de généralisation compositionnelle et de raisonnement mathématique — précisément les cas où la chaîne de raisonnement classique peine, car le problème est trop composé pour être traité d'un seul élan. En résolvant d'abord les briques élémentaires, le modèle construit progressivement les fondations dont il a besoin pour aborder les questions plus difficiles. C'est une décomposition ascendante, là où le simple découpage en étapes est souvent descendant.

Technique 12 — Tree of thoughts : explorer plusieurs pistes

En 2023, Shunyu Yao et ses coauteurs ont proposé le cadre Tree of Thoughts (arbre de pensées), qui généralise la chaîne de raisonnement. Au lieu de suivre un unique fil linéaire, le modèle maintient plusieurs branches de raisonnement concurrentes, chaque « pensée » constituant une étape intermédiaire cohérente vers la solution. Le système peut évaluer les branches, en abandonner de moins prometteuses et en explorer d'autres — une véritable recherche délibérée dans l'espace des solutions.

La différence avec least-to-most est notable : dans l'arbre de pensées, la stratégie de résolution et le découpage sont laissés au modèle et peuvent évoluer d'une étape à l'autre, ce qui offre davantage de souplesse. Cette approche vise les problèmes où plusieurs chemins méritent d'être explorés avant de trancher — casse-têtes, planification, énigmes logiques. Elle est plus coûteuse à mettre en œuvre, mais ouvre des capacités de résolution que le raisonnement linéaire n'atteint pas.

Raisonner et agir : vers les prompts outillés

Les techniques précédentes restent internes au modèle. Une famille plus récente le connecte à des outils et des sources d'information externes, préfigurant les assistants dits « agentiques ».

Technique 13 — ReAct : entrelacer réflexion et action

Le cadre ReAct (pour « Reason + Act »), présenté par Shunyu Yao et ses coauteurs à la conférence ICLR 2023, combine le raisonnement et l'action de manière entrelacée. Le modèle alterne entre des traces de raisonnement — qui l'aident à établir, suivre et ajuster un plan — et des actions concrètes, comme interroger une base de connaissances ou un moteur de recherche pour recueillir de l'information manquante.

Cette synergie est puissante : le raisonnement guide les actions, et les actions rapportent des faits qui nourrissent le raisonnement suivant. Sur deux benchmarks de décision interactive, ReAct dépassait les méthodes concurrentes avec seulement un ou deux exemples en contexte. Pour l'utilisateur, la leçon est transposable même sans infrastructure d'agent : structurer un prompt en alternant « ce que je sais / ce que je dois vérifier / ce que je conclus » aide le modèle à ne pas partir sur de mauvaises pistes. C'est le fondement conceptuel des assistants capables d'utiliser des outils.

Technique 14 — Ancrer la réponse dans un texte de référence

Une source majeure d'erreurs factuelles vient du fait qu'un modèle génère à partir de sa mémoire paramétrique, faillible et datée. La parade recommandée par les guides officiels : fournir un texte de référence et demander au modèle de fonder sa réponse dessus, en citant les passages utilisés. On passe ainsi d'un modèle qui « se souvient » à un modèle qui « lit et cite ».

Concrètement, on colle le document pertinent dans le prompt (encadré par des délimiteurs, technique 2) et l'on instruit : « Réponds uniquement à partir du texte ci-dessus. Si l'information ne s'y trouve pas, indique-le. » Cette consigne réduit fortement les inventions et permet à l'utilisateur de vérifier chaque affirmation. C'est le principe qui sous-tend les architectures de génération augmentée par récupération, où un système fournit automatiquement au modèle les documents pertinents avant qu'il ne rédige. Même en usage manuel, coller la source pertinente et exiger l'ancrage est l'un des gestes les plus efficaces pour fiabiliser une réponse.

Technique 15 — Itérer : le prompt engineering est un processus

La dernière technique n'en est pas vraiment une : c'est une méthode de travail. Les guides de tous les grands fournisseurs convergent sur ce point : le prompt engineering requiert une approche itérative. On part d'un prompt initial, on examine la réponse, on ajuste, et on recommence. Rares sont les prompts parfaits du premier coup.

Concrètement, cela signifie repérer où le modèle a dévié — format incorrect, ton inadapté, oubli d'une contrainte — et corriger le prompt en conséquence. On ajoute une contrainte manquante, on reformule une consigne ambiguë, on insère un exemple qui lève le doute. Pour un usage sérieux, il est même recommandé de constituer un petit jeu de cas de test représentatifs et de mesurer l'effet de chaque modification, plutôt que de se fier à une impression sur un seul essai. Le prompt engineering rejoint alors une démarche d'ingénierie classique : hypothèse, test, mesure, amélioration.

Rares sont les prompts parfaits du premier coup. La compétence ne réside pas dans la formule magique, mais dans la boucle : essayer, observer où ça dévie, corriger, recommencer.

Les pièges à éviter

Connaître les techniques ne suffit pas ; encore faut-il éviter quelques erreurs récurrentes. La première est la surcharge : empiler dix techniques sur un prompt simple le rend illisible et n'améliore rien. Chaque méthode a son domaine ; la chaîne de raisonnement est précieuse pour un problème de logique, superflue pour une traduction courte. Le bon réflexe est de commencer minimal et d'ajouter de la complexité seulement si le résultat le justifie.

La deuxième erreur est de confondre style et exactitude. Un prompt qui donne un rôle prestigieux au modèle ne le rend pas plus savant ; il modifie le ton, pas le fond. Pour améliorer l'exactitude factuelle, ce sont l'ancrage sur une source (technique 14) et le raisonnement explicite (techniques 6 à 9) qui comptent, pas la mise en scène.

La troisième erreur est d'oublier la variabilité. Un même prompt peut donner des réponses différentes selon les exécutions, surtout à température élevée. Un prompt qui fonctionne « une fois » n'est pas nécessairement robuste. C'est tout l'intérêt de tester sur plusieurs cas et, pour les tâches critiques, de recourir à la self-consistency ou à une vérification humaine.

Choisir la bonne technique selon la tâche

Un repère pratique pour s'orienter parmi ces quinze techniques :

• Tâche courante et bien définie : zero-shot soigné (techniques 1 à 4) suffit généralement.
• Format ou style précis à respecter : few-shot avec exemples représentatifs (technique 5).
• Problème de logique ou de calcul : chain-of-thought, éventuellement en zero-shot (techniques 6 et 7).
• Réponse critique à fiabiliser : self-consistency (technique 8) ou ancrage sur source (technique 14).
• Tâche longue et composée : décomposition en étapes ou least-to-most (techniques 10 et 11).
• Exploration de plusieurs pistes : tree of thoughts (technique 12).
• Besoin d'information externe : logique ReAct et ancrage documentaire (techniques 13 et 14).

Aucune de ces techniques n'est exclusive : les meilleures pratiques combinent souvent plusieurs approches. Un prompt de production typique associe un rôle clair, un ou deux exemples, une invitation au raisonnement, et un texte de référence à respecter. L'art consiste à doser, en gardant toujours en tête le principe directeur : la clarté d'abord, la sophistication ensuite.

Ce qu'il faut retenir

Le prompt engineering n'est ni de la magie ni du bricolage : c'est une discipline empirique appuyée sur des résultats de recherche vérifiables. Les fondamentaux — spécificité, structure, rôle — produisent les gains les plus immédiats. Les techniques d'apprentissage par l'exemple, du zero-shot au few-shot, exploitent la capacité d'apprentissage en contexte démontrée dès 2020. La famille de la chaîne de raisonnement, du simple « réfléchissons étape par étape » à la self-consistency, transforme les performances sur les tâches complexes, avec des gains chiffrés et reproductibles. Les méthodes de décomposition et les approches outillées comme ReAct ouvrent enfin la voie aux usages les plus ambitieux.

La bonne nouvelle, pour tout utilisateur, est que ces techniques sont accessibles sans compétence technique particulière. Elles ne demandent qu'un peu de méthode et l'habitude d'itérer. Le fil rouge qui les relie toutes est constant : réduire l'incertitude du modèle en lui donnant plus de clarté, plus de structure, plus de contexte pertinent. Un modèle de langage est un outil d'une grande puissance, mais il reste un outil : sa performance dépend largement de la qualité de ce qu'on lui demande.

Reste une invitation à la modestie et à la curiosité. Le prompt engineering est un domaine jeune, qui évolue avec les modèles. Certaines techniques d'aujourd'hui seront intégrées demain nativement dans les modèles, d'autres émergeront. La meilleure disposition n'est donc pas de mémoriser des recettes figées, mais d'adopter l'esprit qui les a fait naître : observer ce qui fonctionne, comprendre pourquoi, et tester sans relâche. C'est cet esprit expérimental, plus qu'aucune formule, qui distingue durablement ceux qui tirent le meilleur de ces outils.

Sources

Cet article s'appuie sur des travaux de recherche et des guides publics vérifiables :

• Brown et al., « Language Models are Few-Shot Learners » (GPT-3), NeurIPS 2020 — papers.nips.cc (apprentissage en contexte, few-shot).
• Wei et al., « Chain-of-Thought Prompting Elicits Reasoning in Large Language Models », NeurIPS 2022 — arXiv 2201.11903 (chaîne de raisonnement, GSM8K).
• Kojima et al., « Large Language Models are Zero-Shot Reasoners », 2022 — « Let's think step by step » (zero-shot CoT, MultiArith).
• Wang et al., « Self-Consistency Improves Chain of Thought Reasoning in Language Models », 2022 — arXiv 2203.11171 (vote majoritaire sur raisonnements).
• Liu et al., « Generated Knowledge Prompting for Commonsense Reasoning », ACL 2022 — ACL Anthology (génération de connaissances).
• Zhou et al., « Least-to-Most Prompting Enables Complex Reasoning in Large Language Models », 2022 — arXiv 2205.10625 (décomposition ascendante).
• Yao et al., « Tree of Thoughts: Deliberate Problem Solving with Large Language Models », 2023 — arXiv 2305.10601 (exploration en arbre).
• Yao et al., « ReAct: Synergizing Reasoning and Acting in Language Models », ICLR 2023 — arXiv 2210.03629 (raisonnement et action).
• OpenAI, « Best practices for prompt engineering with the OpenAI API » — help.openai.com (spécificité, délimiteurs, décomposition, itération).