Prompt Chaining

Le chaînage de prompts est un modèle architectural avancé utilisé dans le développement de l’intelligence artificielle (AI), où une tâche complexe est décomposée en une séquence de sous-tâches plus petites et faciles à gérer. Dans ce workflow, la sortie d’une étape — souvent générée par un grand modèle de langage (LLM) ou un système de vision par ordinateur — sert d’entrée à l’étape suivante. Contrairement à un prompt monolithique unique qui tente de résoudre un problème aux multiples facettes en une seule fois, le chaînage permet aux développeurs de créer des applications plus fiables, testables et performantes. Cette approche modulaire est essentielle pour créer des agents IA sophistiqués capables de raisonner, de naviguer sur le Web ou d’interagir avec des environnements physiques.

Mécanismes du chaînage#

À la base, le chaînage de prompts répond aux limites des fenêtres de contexte et des capacités de raisonnement des modèles de fondation. Lorsqu’on demande à un modèle d’effectuer trop d’opérations distinctes dans une seule requête (par exemple : « Analyse cette image, extrais le texte, traduis-le en espagnol et formate-le comme une facture JSON »), la probabilité d’erreur augmente. En divisant cette tâche en pipeline, les développeurs peuvent vérifier l’exactitude de chaque étape.

Les chaînes efficaces utilisent souvent du « code de liaison » écrit en Python ou géré par des bibliothèques d’orchestration comme LangChain afin de traiter la transformation des données entre les étapes. Cela permet d’intégrer des technologies disparates, par exemple en combinant l’acuité visuelle de la détection d’objets avec la fluidité linguistique des modèles de génération de texte.

Applications concrètes#

Le chaînage de prompts est particulièrement puissant lorsqu’il comble l’écart entre différentes modalités de données, permettant aux modèles multimodaux de fonctionner dans des environnements industriels et commerciaux dynamiques.

1. Rapports visuels automatisés : Dans le cadre de la fabrication intelligente, un système de contrôle qualité peut chaîner un modèle de vision avec un LLM. Tout d’abord, un modèle haute vitesse comme Ultralytics YOLO26 analyse les composants sur une chaîne d’assemblage. La sortie structurée (par exemple : « Classe : Boîte_enfoncée, Confiance : 0.92 ») est convertie en chaîne de texte. Ce texte est ensuite transmis à un modèle de langage avec un prompt tel que « Rédige une demande de maintenance à partir de ce défaut », ce qui génère un e-mail lisible par un responsable d’atelier.

2. Assistance client sensible au contexte : Les chatbots intelligents utilisent souvent le chaînage pour traiter des requêtes utilisateur complexes. Le premier maillon de la chaîne peut utiliser le traitement automatique du langage naturel (NLP) pour classifier l’intention de l’utilisateur. Si l’intention est technique, le système déclenche un workflow de génération augmentée par récupération (RAG) : il génère des représentations vectorielles pour la requête, recherche la documentation dans une base de données vectorielle, puis invite un LLM à synthétiser les extraits récupérés en une réponse utile.

Exemple de code de la vision au langage#

L’exemple suivant illustre le premier « maillon » d’une chaîne : utiliser la vision par ordinateur (CV) pour générer des données structurées servant de contexte à un prompt en aval.

from ultralytics import YOLO

# Load the YOLO26 model (natively end-to-end and highly efficient)
model = YOLO("yolo26n.pt")

# Step 1: Run inference to 'see' the environment
results = model("https://ultralytics.com/images/bus.jpg")

# Step 2: Format visual detections into a natural language string
det_names = [model.names[int(c)] for c in results[0].boxes.cls]
prompt_context = f"The scene contains: {', '.join(det_names)}. Please describe the likely activity."

# The 'prompt_context' variable is now ready to be sent to an LLM API
print(prompt_context)

Distinction entre concepts connexes#

Pour mettre en œuvre des architectures efficaces d’apprentissage automatique (ML), il est utile de distinguer le chaînage de prompts de termes similaires dans le domaine de l’IA :

• Par rapport au prompting par raisonnement en chaîne : Le raisonnement en chaîne (CoT) est une technique utilisée au sein d’un prompt unique pour encourager un modèle à « montrer son raisonnement » (par exemple : « Réfléchis étape par étape »). Le chaînage de prompts implique plusieurs appels distincts à l’API, où l’entrée de l’étape B dépend de la sortie de l’étape A.
• Par rapport à l’ingénierie des prompts : L’ingénierie des prompts est la discipline générale qui consiste à optimiser les entrées textuelles afin d’obtenir de meilleures performances du modèle. Le chaînage est un modèle d’ingénierie spécifique axé sur le flux séquentiel des opérations et le contrôle de la logique.
• Par rapport au réglage des prompts : Le réglage des prompts est une méthode d’optimisation de modèle qui met à jour des paramètres apprenables (prompts souples) au cours d’une phase d’entraînement. Le chaînage de prompts intervient entièrement pendant l’inférence en temps réel et ne modifie pas les poids du modèle.

En tirant parti du chaînage de prompts, les équipes peuvent créer des applications robustes qui intègrent la logique, la récupération de données et la reconnaissance d’actions. Pour gérer les jeux de données et entraîner les modèles de vision qui alimentent ces chaînes, l’Ultralytics Platform propose une solution centralisée pour l’annotation, l’entraînement et le déploiement.