Automatic Reasoning and Tool-use (ART)
Un framework qui combine le chain-of-thought prompting avec l’utilisation d’outils externes, permettant aux LLMs de générer automatiquement des étapes de raisonnement intermédiaires et d’appeler des outils comme un programme.
Qu’est-ce qu’ART ?
La combinaison du chain-of-thought (CoT) prompting et de l’utilisation d’outils s’est révélée être une approche solide et robuste pour traiter de nombreuses tâches avec les LLMs. Ces approches nécessitent généralement de concevoir manuellement des démonstrations spécifiques à chaque tâche et d’entrelacer soigneusement les générations du modèle avec l’utilisation d’outils.
Automatic Reasoning and Tool-use (ART) propose un nouveau framework qui utilise un LLM gelé pour générer automatiquement des étapes de raisonnement intermédiaires sous forme de programme. ART va au-delà du prompting traditionnel en laissant le modèle décider quand et comment utiliser des outils externes durant son processus de raisonnement.
ART a été introduit par Paranjape et al. (2023) et représente une étape importante vers un raisonnement IA plus autonome. Il s’appuie sur des travaux antérieurs en chain-of-thought prompting et en modèles de langage augmentés d’outils.
Comment fonctionne ART
ART suit un processus structuré qui combine la sélection de tâches, la génération de programmes et l’intégration d’outils :
Sélectionner des exemples depuis une bibliothèque de tâches
Pour une nouvelle tâche, ART sélectionne des démonstrations de raisonnement multi-étapes et d’utilisation d’outils depuis une bibliothèque de tâches préconstruite. Ces exemples servent de modèles montrant au modèle comment décomposer des problèmes similaires.
Exécuter le programme avec un LLM gelé
Lors de l’inférence, le modèle génère un programme de raisonnement. Il met en pause la génération chaque fois que des outils externes sont appelés (comme des moteurs de recherche, des interprètes de code ou des calculatrices), intègre leurs résultats, puis reprend la génération.
Corriger les erreurs (optionnel)
ART est extensible. Les humains peuvent corriger les erreurs dans les étapes de raisonnement ou ajouter de nouveaux outils en mettant simplement à jour les bibliothèques de tâches et d’outils. Cela rend l’amélioration continue simple et accessible.
Avantages clés
- Généralisation zero-shot : ART encourage le modèle à généraliser à partir des démonstrations pour décomposer une nouvelle tâche et utiliser les outils aux endroits appropriés, sans entraînement spécifique à la tâche.
- Extensibilité humaine : Lorsque le modèle commet des erreurs, les humains peuvent corriger les étapes de raisonnement ou ajouter de nouveaux outils à la bibliothèque. Cela crée une boucle de rétroaction pour une amélioration continue.
- Intégration d’outils : ART intègre de manière transparente les appels à des outils externes (recherche, exécution de code, calculs) dans la chaîne de raisonnement, produisant des résultats plus précis et mieux ancrés.
- LLM gelé : Aucun ajustement fin requis. ART fonctionne avec le modèle tel quel, ce qui signifie qu’il peut être appliqué à n’importe quel LLM capable sans réentraînement.
ART en pratique
Voici un exemple simplifié de ce à quoi pourrait ressembler un prompt de style ART pour une tâche de recherche :
TâcheTrouvez la population du Canada et de la France, puis calculez la différence. Étape 1 : Recherche[SEARCH] “Population du Canada 2025” → Résultat : 40,1 millions Étape 2 : Recherche[SEARCH] “Population de la France 2025” → Résultat : 68,2 millions Étape 3 : Calcul[CALC] 68,2 - 40,1 → Résultat : 28,1 millions RéponseLa France compte environ 28,1 millions d’habitants de plus que le Canada.
Même si vous n’implémentez jamais ART directement, comprendre cette technique vous aide à rédiger de meilleurs prompts. L’insight fondamental : décomposer les tâches en étapes et savoir quand utiliser des outils externes est un principe que vous pouvez appliquer à n’importe quelle interaction IA dès aujourd’hui.
Quand utiliser ART
- Les tâches qui nécessitent plusieurs étapes de raisonnement combinées à des recherches factuelles
- Les flux de travail où la précision est essentielle et où le modèle doit vérifier les informations de manière externe
- Les situations où vous avez besoin d’un raisonnement reproductible et structuré que les humains peuvent auditer et corriger
- La construction de systèmes d’agents IA qui doivent décider de manière autonome quand appeler des outils
Pour aller plus loin
Pour approfondir ART et les techniques associées, explorez ces ressources :
- Guide de prompt engineering : ART (référence originale)
- Chain-of-Thought Prompting (technique fondatrice)
- ReAct : Reasoning + Acting (approche connexe)