| name | prompt-method-generated-knowledge |
| description | Générer des connaissances pertinentes avant de répondre pour améliorer la précision et la fiabilité des réponses. |
| version | 2.0.0 |
| author | John Nuwan Moncel (adapté par EVA) |
| license | Privée EVA St-Étienne |
| platforms | ["linux","macos","windows"] |
| metadata | {"EVA":{"tags":["prompt-engineering","generated-knowledge","biblio-ia","methods","self-context","rag-alternative"],"related_skills":["python-pep8","simplify-code","plan","contextual-compression","prompt-chaining"]}} |
La méthode Generated Knowledge
Guide de référence pour l'auto-génération de contexte factuel avant réponse
1. Vue d'ensemble
La méthode Generated Knowledge est une technique de prompt engineering qui consiste à demander au modèle de langage (LLM) de générer explicitement des faits pertinents avant de produire une réponse finale. Au lieu de répondre directement à partir de ses paramètres internes de façon implicite, le modèle est invité à externaliser son processus de rappel de connaissances, créant ainsi un contexte auto-généré (« Self-Context ») qui sert de base au raisonnement.
Principe fondateur
Le cœur de la méthode repose sur le « Self-Context » (auto-contexte). En matérialisant les connaissances sous-jacentes avant de raisonner, le modèle :
- Réduit les hallucinations : les faits sont vérifiables avant d'être utilisés
- Améliore la traçabilité : chaque assertion peut être attribuée à un fait généré
- Structure le raisonnement : les connaissances servent de squelette logique à la réponse
- Augmente la couverture : le modèle explore systématiquement les dimensions pertinentes
Architecture conceptuelle
┌──────────────────────┐
│ Question entrante │
└──────────┬───────────┘
│
▼
┌──────────────────────────────┐
│ Phase 1 : Génération des │
│ connaissances (extraction │
│ des faits pertinents) │
└──────────────┬───────────────┘
│
▼
┌──────────────────────────────┐
│ Phase 2 : Validation et │
│ structuration des faits │
└──────────────┬───────────────┘
│
▼
┌──────────────────────────────┐
│ Phase 3 : Raisonnement sur │
│ la base des faits générés │
└──────────────┬───────────────┘
│
▼
┌──────────────────────────────┐
│ Phase 4 : Production de la │
│ réponse finale informée │
└──────────────────────────────┘
2. Quand l'utiliser ?
Cas d'usage recommandés
| Contexte | Description | Priorité |
|---|
| Questions factuelles complexes | Le sujet nécessite une revue systématique des connaissances avant réponse | Élevée |
| Absence de sources externes | Aucun accès à une base documentaire, RAG, ou recherche web | Élevée |
| Domaines à forte exigence de précision | Médecine, droit, finance, ingénierie, conformité | Élevée |
| Sujets controversés ou nuancés | Le modèle doit peser les avantages et inconvénients | Moyenne |
| Apprentissage et pédagogie | Générer des explications structurées pour l'enseignement | Moyenne |
| Évaluation de la fiabilité | Vérifier ce que le modèle « sait » avant d'utiliser sa réponse | Moyenne |
Situations à éviter
- Questions triviales : « Quelle est la capitale de la France ? » — la génération de connaissances est superflue
- Tâches créatives pures : la génération de poèmes ou d'histoires n'a pas besoin de faits structurés
- Contextes à latence critique : la double phase génération + raisonnement double le temps de réponse
- Modèles non instruction-following : les petits modèles peuvent mal comprendre la consigne en deux étapes
3. Procédure pas à pas
Étape 1 : Formuler la question d'origine
Partez d'une question spécifique et clairement délimitée.
Question : « Quels sont les impacts de l'IA générative sur le marché
de l'emploi dans le secteur tertiaire d'ici 2030 ? »
Étape 2 : Générer les connaissances préalables
Demandez au modèle de produire une liste structurée de faits pertinents sans encore répondre à la question.
Prompt générateur :
Avant de répondre à la question suivante, génère une liste structurée
de faits pertinents qui seront nécessaires pour formuler une réponse
complète et précise.
Question : « Quels sont les impacts de l'IA générative sur le marché
de l'emploi dans le secteur tertiaire d'ici 2030 ? »
Pour chaque fait, fournis :
1. Le fait lui-même
2. Une catégorie (Étude, Tendance, Statistique, Opinion d'expert)
3. Un niveau de confiance (Élevé / Moyen / Faible)
Sortie attendue :
📚 CONNAISSANCES GÉNÉRÉES
1. [Étude] Une étude McKinsey (2023) estime que 30% des tâches
du tertiaire pourraient être automatisées d'ici 2030.
(Confiance : Élevée ⭐⭐⭐)
2. [Tendance] L'IA générative crée de nouveaux métiers :
prompt engineer, auditeur d'IA, spécialiste en alignement.
(Confiance : Élevée ⭐⭐⭐)
3. [Statistique] 65% des emplois de la génération Z n'existent
pas encore (Dell Technologies, 2022).
(Confiance : Moyenne ⭐⭐)
4. [Opinion] Certains économistes prédisent un « effet rebond » :
l'IA détruit des emplois mais en crée davantage indirectement.
(Confiance : Moyenne ⭐⭐)
5. [Tendance] Le secteur tertiaire représente 78% de l'emploi
en France (INSEE, 2023), amplifiant l'impact potentiel.
(Confiance : Élevée ⭐⭐⭐)
Étape 3 : Valider la pertinence des faits
Pour un usage critique, triez les faits générés :
- Conserver : faits à confiance élevée, directement utiles
- Résumer : faits à confiance moyenne, périphériques mais utiles
- Éliminer : faits redondants, non pertinents, ou à confiance faible
Étape 4 : Produire le raisonnement informé
Utilisez explicitement les faits validés comme fondation pour la réponse.
Prompt raisonneur :
En utilisant UNIQUEMENT les faits suivants, réponds à la question
d'origine. Cite explicitement chaque fait utilisé.
Faits :
1. McKinsey 2023 : 30% des tâches tertiaires automatisables d'ici 2030
2. Création de nouveaux métiers IA (prompt engineer, auditeur, etc.)
3. Prévisions économistes : effet rebond possible
4. Secteur tertiaire = 78% de l'emploi en France
Question : Quels sont les impacts de l'IA générative sur le marché
de l'emploi dans le secteur tertiaire d'ici 2030 ?
Étape 5 : Synthétiser la réponse finale
La réponse finale doit montrer clairement le lien entre les faits et la conclusion.
4. Workflow complet
┌───────────────────────────┐
│ Question utilisateur │
└───────────┬───────────────┘
│
┌───────────▼───────────────┐
│ Évaluer si Generated │
Non ───►│ Knowledge est pertinent │
└───────────┬───────────────┘
│ Oui
┌───────────▼───────────────┐
│ Phase 1 : GÉNÉRATION │
│ des connaissances brutes │
└───────────┬───────────────┘
│
┌───────────▼───────────────┐
│ Phase 2 : FILTRAGE │
│ et validation des faits │
└───────────┬───────────────┘
│
┌───────────▼───────────────┐
│ Phase 3 : RAISONNEMENT │
│ à partir des faits retenus│
└───────────┬───────────────┘
│
┌───────────▼───────────────┐
│ Phase 4 : RÉPONSE │
│ finale avec citations │
└───────────┬───────────────┘
│
┌───────────▼───────────────┐
│ Vérification : chaque │
│ assertion est-elle │◄── Si non, retour phase 2
│ soutenue par un fait ? │
└───────────┬───────────────┘
│ Oui
┌───────────▼───────────────┐
│ ✅ Réponse livrée │
└───────────────────────────┘
5. Exemples concrets de code et prompts
Exemple 1 : Analyse comparative (Python vs JavaScript)
Prompt générateur :
Génère une liste de faits pertinents pour comparer Python et
JavaScript dans le contexte du développement backend.
Inclus : performance, écosystème, courbe d'apprentissage,
marché de l'emploi, et cas d'usage typiques.
Réponse générée :
📚 CONNAISSANCES GÉNÉRÉES
1. Performance brute : JavaScript (Node.js) est 2-3x plus rapide
que Python pour les opérations I/O grâce à son event-loop.
(Confiance : Élevée)
2. Écosystème backend : Python → Django, FastAPI, Flask.
JavaScript → Express, NestJS, Fastify.
(Confiance : Élevée)
3. Marché : Python domine la data science et le ML.
JavaScript domine le fullstack et les startups.
(Confiance : Élevée)
4. Apprentissage : Python réputé plus accessible aux débutants.
(Confiance : Élevée)
🧠 RAISONNEMENT :
Les deux langages sont viables pour le backend. Python excelle
pour les applications data-centrées (ML, API, ETL). JavaScript
est préféré pour les architectures temps réel, microservices,
et les équipes fullstack homogènes.
📤 RÉPONSE :
Choix recommandé :
- Python si : data science, ML, équipe hétérogène, lisibilité
- JavaScript si : temps réel, fullstack JS, haute performance I/O
Exemple 2 : Question médicale (avec niveau de confiance)
Question : « Le café est-il bénéfique pour la santé cardiovasculaire ? »
📚 CONNAISSANCES GÉNÉRÉES
1. [Étude] La consommation modérée (3-4 tasses/jour) est associée
à une réduction de 15% du risque cardiovasculaire (ESC 2022).
(Confiance : Élevée)
2. [Mécanisme] Les polyphénols du café améliorent la fonction
endothéliale.
(Confiance : Moyenne)
3. [Risque] La consommation excessive (>5 tasses/jour) augmente
le risque d'hypertension.
(Confiance : Élevée)
6. Pièges courants (Pitfalls)
⚠️ Piège n°1 : Faits inventés par le modèle
Erreur : Le modèle génère des « faits » qui sont en réalité des hallucinations, puis les utilise comme base de sa réponse, créant une cascade d'erreurs.
❌ Élève : « Je te génère les faits, puis je réponds à partir d'eux »
→ Le modèle cite une étude qui n'existe pas (« Research Institute
of Cognitive Science, 2024 »), puis construit sa réponse
entièrement sur cette base fictive.
✅ Correction : Ajoutez une instruction de vérification de la véracité et de la confiance :
Pour chaque fait, indique ton niveau de confiance :
- 🔒 Élevé : fait bien établi, non controversé
- ⚠️ Moyen : tendance ou opinion probable
- ❓ Faible : spéculation ou information incertaine
N'invente PAS d'études ou de statistiques. Préfère dire
« Je ne dispose pas de donnée précise sur ce point ».
⚠️ Piège n°2 : Génération trop volumineuse
Erreur : Le modèle génère une liste de 20+ faits, ce qui dilue l'information pertinente et alourdit le contexte.
✅ Correction : Limitez explicitement le nombre de faits :
Génère au maximum 5 à 7 faits pertinents. Si tu estimes avoir
besoin de plus, priorise-les par importance décroissante.
⚠️ Piège n°3 : Non-utilisation des faits dans la réponse
Erreur : La réponse finale ignore les faits générés et revient à une réponse directe et non structurée.
❌ Faits générés : A, B, C
Réponse : « Voici la réponse... » (sans référence à A, B ou C)
✅ Correction : Contraignez le lien entre faits et réponse :
Dans ta réponse finale, cite chaque fait entre crochets [Fait n°X]
et montre explicitement comment tu l'utilises pour ta conclusion.
⚠️ Piège n°4 : Confusion avec le RAG (Retrieval-Augmented Generation)
Erreur : Generated Knowledge n'est pas une alternative au RAG. Le RAG récupère des documents externes ; Generated Knowledge extrait de la mémoire paramétrique du modèle. Les deux peuvent être combinés mais ne sont pas interchangeables.
7. Checklist d'utilisation
Avant d'utiliser Generated Knowledge
Pendant la génération des connaissances
Pendant le raisonnement et la réponse
Après la réponse
8. Variantes avancées
| Variante | Description | Quand l'utiliser |
|---|
| Generated Knowledge + RAG | Combiner faits générés + documents récupérés | Sources externes + mémoire du modèle |
| Generated Knowledge multi-tour | Générer des faits, les valider, puis générer des faits complémentaires | Sujets très complexes |
| Generated Knowledge collaboratif | Plusieurs agents génèrent des faits indépendamment, puis les fusionnent | Réduction des biais |
| Generated Knowledge avec débat | Générer des faits pour et contre une position, puis trancher | Questions controversées |
Note importante : Generated Knowledge est une méthode puissante mais coûteuse en tokens. Réservez-la aux questions qui bénéficient réellement d'une exploration structurée des connaissances. Pour les questions simples, une réponse directe est plus efficace.
