Prompt Chaining

Le prompt chaining est un modèle architectural avancé dans le développement en Artificial Intelligence (AI) où une tâche complexe est décomposée en une séquence de sous-tâches plus petites et gérables. Dans ce workflow, la sortie d'une étape — souvent générée par un Large Language Model (LLM) ou un système de vision par ordinateur — sert d'entrée pour 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 construire des applications plus fiables, testables et performantes. Cette approche modulaire est essentielle pour créer des AI Agents sophistiqués capables de raisonner, de naviguer sur le web ou d'interagir avec des environnements physiques.

La mécanique du chaînage#

À sa base, le prompt chaining répond aux limitations des fenêtres de contexte et des capacités de raisonnement dans les Foundation Models. Lorsqu'il est demandé à un modèle d'effectuer trop d'opérations distinctes en une seule requête (par exemple, « Analyse cette image, extrais le texte, traduis-le en espagnol et formate-le sous forme de facture JSON »), la probabilité d'erreur augmente. En divisant cela en un pipeline, tu peux vérifier la accuracy de chaque étape.

Les chaînes efficaces utilisent souvent du « glue code » écrit en Python ou géré par des bibliothèques d'orchestration comme LangChain pour gérer la transformation des données entre les étapes. Cela permet l'intégration de technologies hétérogènes, comme l'association de l'acuité visuelle de l'Object Detection avec la fluidité linguistique des modèles de texte génératif.

Applications concrètes#

Le prompt chaining est particulièrement puissant lorsqu'il comble le fossé entre différentes modalités de données, permettant aux Multi-Modal Models de fonctionner dans des contextes industriels et commerciaux dynamiques.

1. Rapports visuels automatisés : Dans Smart Manufacturing, un système de contrôle qualité peut chaîner un modèle de vision avec un LLM. D'abord, un modèle ultra-rapide comme Ultralytics YOLO26 scanne les composants sur une ligne d'assemblage. La sortie structurée (par exemple, « Class: Dented_Can, Confidence: 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 basée sur ce défaut », générant un e-mail lisible par l'homme pour le responsable d'atelier.

2. Support client contextuel : Les chatbots intelligents utilisent souvent le chaînage pour naviguer dans des requêtes utilisateur complexes. Le premier maillon de la chaîne peut utiliser le Natural Language Processing (NLP) pour classifier l'intention de l'utilisateur. Si l'intention est technique, le système déclenche un workflow Retrieval-Augmented Generation (RAG) : il génère des embeddings pour la requête, recherche dans une base de données vectorielle la documentation correspondante, et enfin demande à un LLM de synthétiser les segments récupérés en une réponse utile.

Exemple de code Vision-vers-Langage#

L'exemple suivant illustre le premier « maillon » d'une chaîne : l'utilisation de la Computer Vision (CV) pour générer des données structurées servant de contexte pour 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)

Distinguer les concepts apparentés#

Pour implémenter des architectures de Machine Learning (ML) efficaces, il est utile de différencier le prompt chaining de termes similaires dans le paysage de l'IA :

• Vs Chain-of-Thought Prompting : Le Chain-of-Thought (CoT) est une technique utilisée au sein d'un prompt unique pour inciter un modèle à « montrer son raisonnement » (par exemple, « Réfléchis étape par étape »). Le prompt chaining implique plusieurs appels API distincts où l'entrée de l'étape B dépend de la sortie de l'étape A.
• Vs Prompt Engineering : Le prompt engineering est la discipline plus large qui consiste à optimiser les entrées textuelles pour obtenir de meilleures performances du modèle. Le chaînage est un modèle d'ingénierie spécifique qui se concentre sur le flux séquentiel des opérations et le contrôle de la logique.
• Vs Prompt Tuning : Le prompt tuning est une méthode de Model Optimization qui met à jour les paramètres ajustables (prompts doux) lors d'une phase d'entraînement. Le prompt chaining se produit entièrement pendant le Real-time Inference et ne modifie pas les Model Weights du modèle.

En exploitant le prompt chaining, les équipes peuvent créer des applications robustes qui intègrent la logique, la recherche de données et l'Action Recognition. Pour gérer les jeux de données et entraîner les modèles de vision qui alimentent ces chaînes, l'Ultralytics Platform offre une solution centralisée pour l'annotation, l'entraînement et le déploiement.