Empiler les techniques sans réflexion
CoT + few-shot + ReAct + self-refine sur la même requête : c'est du bruit. Choisissez la ou les deux techniques pertinentes.
Mis à jour le
Sur cette page
Prompting avancé
Cinq techniques qui résistent.
Patterns documentés depuis 2022. Connaître les cinq, savoir laquelle activer selon le modèle.
⏱ 6 min de lecture🧰 5 techniques validées🎯 1 règle par modèle
ChatGPTClaudeGeminiVibe
2026 est l'année des modes Thinking. Mais les techniques avancées restent décisives sur les modèles légers et pour la reproductibilité.
Promesse
À la fin de cette leçon
Vous saurez appliquer 5 techniques avancées de prompt et reconnaître quand chacune fait vraiment la différence.
Pourquoi maintenant
L'abondance des modèles raisonnement
GPT-5.6 (26 juin 2026) propose un mode Pro Thinking. Claude Opus 5 (24 juillet) intègre l'adaptive thinking nativement. Gemini 3.1 Pro Reasoning et Mistral Medium 3.5 (fin avril) suivent. Beaucoup en concluent que les techniques avancées ne servent plus. C'est une erreur.
Sur un modèle Thinking, le raisonnement long est intégré : demander « raisonne étape par étape » devient redondant. Mais sur Mistral Small, Gemini Flash, GPT-5.6 Luna, la chaîne de pensée n'est pas systématique. Et même sur Opus 5, le few-shot et l'output structuré restent indispensables pour obtenir un format reproductible.
Le concept central
Cinq techniques validées
Cinq patterns ont été validés par la recherche depuis 2022. Ils ne se substituent pas, ils s'empilent ou se combinent selon le besoin.
-
Few-shot
2-3 exemples concrets avant la demande. Calibre le format de sortie sans le décrire en prose.
-
Chain-of-thought
« Raisonne étape par étape avant ta réponse finale. » Massive sur modèles légers, redondante sur Thinking.
-
ReAct
Alternance « je réfléchis » / « j'exécute » (recherche, calcul, vérif). Socle des agents.
-
Self-refine
Draft puis polish. Critique + amélioration en 2 passes. Excellent sur Claude, moyen sur Gemini Flash.
-
Output structuré
JSON, XML, Markdown rigide. Élimine la dérive vers la prose, parseable automatiquement.
Pour les décisions ouvertes qui demandent d'explorer plusieurs chemins en parallèle (et pas un seul comme CoT), passez à Tree-of-Thoughts. Pour la version express du few-shot (un seul exemple bien choisi), cf. 10 hacks prompts.
Multi-IA
Qui fait quoi en 2026
| Technique | GPT-5.6 Sol | Claude Opus 5 | Gemini 3.1 Pro | Mistral Medium 3.5 |
|---|---|---|---|---|
| Few-shot | Très efficace | Très efficace | Efficace | Très efficace |
| CoT explicite | Souvent redondant | Souvent redondant | Utile sur Flash | Utile hors mode raisonnement |
| ReAct | Natif (agent) | Natif (Computer use) | Natif (workspace) | Natif (agents distants Vibe) |
| Self-refine | Bon | Très efficace | Moyen | Bon |
| Output JSON/XML | Strict mode dispo | Très fiable | Bon | Bon |
Lecture rapide : sur les modèles Thinking, n'empilez pas CoT par-dessus, c'est redondant. Few-shot et output structuré restent payants partout. Self-refine prend toute sa valeur sur Claude. ReAct est l'épine dorsale des modes agents.
Méthode
Choisir selon le besoin
- Format de sortie strict. Few-shot ou output structuré, ou les deux empilés. Vous économisez la description en prose.
- Raisonnement complexe sur modèle léger. CoT explicite. Indispensable sur Mistral Small, Gemini Flash, GPT-5.6 Luna.
- Raisonnement complexe sur modèle Thinking. Aucune technique additionnelle. En empiler ajoute du bruit.
- Recherche, vérification, action externe. ReAct, généralement via un mode agent natif.
- Réponse à enjeu, qualité maximale. Self-refine en deux passes. Surtout sur Claude.
Exemple concret
Extraction depuis un compte rendu
Vous avez un compte rendu de réunion en texte libre, vous voulez en extraire les décisions actées et les responsables, dans un JSON exploitable.
Prompt baseline : « Extrait les décisions et les responsables du compte rendu suivant. » → Sortie : prose narrative, format incohérent d'une exécution à l'autre.
Prompt enrichi (few-shot + output structuré) :
Voici 2 exemples du format JSON attendu :
Exemple 1 :
[{"decision": "Reporter le lancement à juin", "responsable": "Sophie M.", "deadline": "2026-06-15"}]
Exemple 2 :
[{"decision": "Recruter un product designer", "responsable": "Marc D.", "deadline": "2026-07-01"}]
Extrais les décisions et responsables du compte rendu suivant en JSON strict, même format. Aucun texte hors JSON.
[CR]Sortie : JSON exploitable, identique à chaque exécution, parseable automatiquement. Trois exemples + contrainte de format suffisent à passer d'une sortie aléatoire à une sortie reproductible.
À éviter
Les pièges courants
CoT sur un mode Thinking
Redondant. Le raisonnement long est déjà actif. Vous payez deux fois la latence pour rien.
Sortie JSON tronquée
Une sortie JSON longue peut être tronquée. Précisez max_tokens côté API ou bornez la longueur dans le prompt.
Few-shot biaisé
Si vos exemples sont biaisés, l'IA reproduit le biais à grande échelle. Vérifiez vos exemples avant de les figer.
Quiz de validation
Quiz de validation
8 questions. 60 % de bonnes réponses pour valider la leçon.
Synthèse
À retenir
Cinq points pour ancrer la leçon
Cinq techniques de référence 2026. Few-shot, CoT, ReAct, self-refine, output structuré. Empilables avec discernement.
Le modèle dicte la technique. Thinking = pas de CoT explicite. Modèle léger = CoT indispensable.
Few-shot et output structuré gagnent partout. Les deux techniques universelles à connaître par cœur.
ReAct = colonne vertébrale des agents. Si vous utilisez un mode agent natif, ReAct est déjà dedans.
Self-refine s'épanouit sur Claude. Auto-critique sincère, gain massif en deux passes.
Mise en pratique
10 minutes pour éprouver
Reprenez le dernier prompt complexe que vous avez envoyé. Identifiez la technique avancée la plus pertinente pour votre cas (format strict, raisonnement complexe, vérification, qualité maximale). Réécrivez le prompt en l'appliquant. Comparez les deux sorties sur la même IA.
Critère de réussite : vous savez nommer la technique appliquée et chiffrer le gain en exploitabilité (format respecté, raisonnement explicite, critique intégrée).
Questions fréquentes
Quelles techniques de prompt maîtriser en 2026 ?
Cinq : few-shot, chaîne de pensée, ReAct, auto-affinage et sortie structurée. Elles s'empilent, mais avec discernement. Few-shot et sortie structurée sont les deux à connaître par cœur, elles fonctionnent partout.
Faut-il demander à l'IA de réfléchir étape par étape ?
Cela dépend du modèle. Sur un modèle de raisonnement, la chaîne de pensée explicite est inutile ; sur un modèle léger, elle est indispensable.
Faut-il encore écrire « raisonne étape par étape » ?
Plus sur les modèles à raisonnement, où c'est redondant et parfois contre-productif : ils le font déjà, et l'instruction ajoute du bruit. La consigne garde tout son intérêt sur un modèle léger, qui ne raisonne pas par défaut.
Combien de techniques peut-on combiner dans un même prompt ?
Une ou deux, rarement plus. Empiler chaîne de pensée, few-shot, ReAct et auto-critique sur la même requête produit un prompt long que le modèle applique mal. Choisissez la technique qui traite votre difficulté principale, et mesurez avant d'en ajouter une seconde.
Quelle technique donne le meilleur rapport effort-résultat ?
Le few-shot, deux ou trois exemples du résultat attendu. Il calibre le format sans avoir à le décrire, ce qu'aucune consigne en prose ne fait aussi bien, et il fonctionne sur toutes les plateformes.