il \u00e9largit l\u00e0 o\u00f9 les autres d\u00e9coupent<\/strong>.<\/li>\n<\/ul>\nReculer d’un pas : le principe en une image<\/h2>\n Le step-back prompting<\/strong> (litt\u00e9ralement \u00ab prompt qui fait un pas en arri\u00e8re \u00bb) s’appuie sur un LLM pour g\u00e9n\u00e9rer, \u00e0 partir de ta question, une requ\u00eate de port\u00e9e plus large, qui correspond \u00e0 un contexte de haut niveau. L’id\u00e9e imite un r\u00e9flexe humain : devant une t\u00e2che difficile, on prend du recul et on abstrait pour retrouver les principes g\u00e9n\u00e9raux.<\/p>\nPourquoi \u00e7a aide une recherche ? Une question qui cite une date, un nom pr\u00e9cis, un d\u00e9tail minuscule se rapproche mal des documents qui parlent du sujet en g\u00e9n\u00e9ral. Une requ\u00eate plus large couvre un \u00e9ventail d’informations plus complet<\/strong>, et la recherche vectorielle (celle qui compare des textes par leur sens) a moins de peine \u00e0 identifier les faits pertinents.<\/p>\n\n\n\n\t\t\t\n\t\t\t\tLis le sch\u00e9ma de gauche \u00e0 droite : la question tr\u00e8s dat\u00e9e (\u00ab quel club en 2007-2008 ? \u00bb) traverse le LLM, et ce qui en sort (\u00ab quels clubs dans sa carri\u00e8re ? \u00bb) est la question qui servira \u00e0 chercher. Le d\u00e9tail dispara\u00eet, le sujet reste.<\/figcaption><\/figure>\n\n\n\n\ud83d\udca1 Intuition<\/strong> Pense \u00e0 une encyclop\u00e9die : plut\u00f4t que de fouiller l’index \u00e0 la recherche d’une phrase exacte, tu cherches d’abord la fiche de la personne, puis tu lis jusqu’au d\u00e9tail qui t’int\u00e9resse. Le step-back prompting fait cette premi\u00e8re d\u00e9marche \u00e0 ta place.<\/p>\n<\/blockquote>\nDans le moteur : un prompt, deux exemples, un appel<\/h2>\n Qui \u00e9crit la question large ? Un LLM, guid\u00e9 par un prompt syst\u00e8me. Ce prompt commence par une instruction simple (\u00ab reformule cette question en une version plus g\u00e9n\u00e9rique et plus facile \u00e0 r\u00e9pondre \u00bb), puis il l’enrichit de quelques exemples. Fournir des exemples dans le prompt s’appelle le few-shot prompting<\/em> ; sans exemple, on parle de zero-shot<\/em>.<\/p>\nVoici le message syst\u00e8me de la technique. Ce que tu vas observer : une consigne en une phrase, puis deux paires entr\u00e9e-sortie, qui montrent au mod\u00e8le le genre de recul attendu.<\/p>\n
stepback_system_message = f"""\nYou are an expert at world knowledge. Your task is to step back\nand paraphrase a question to a more generic step-back question, which\nis easier to answer. Here are a few examples\n\n"input": "Could the members of The Police perform lawful arrests?"\n"output": "what can the members of The Police do?"\n"input": "Jan Sindel's was born in what country?"\n"output": "what is Jan Sindel's personal history?"\n"""\n<\/code><\/pre>\nRegarde la forme des deux exemples. Dans les deux cas, une question \u00e9troite (le droit d’arr\u00eater quelqu’un, le pays de naissance) devient une question sur l’ensemble du sujet<\/strong> : ce que peuvent faire les membres de The Police, l’histoire personnelle de Jan Sindel. C’est ce d\u00e9placement que le mod\u00e8le apprend \u00e0 reproduire sur ta question.<\/p>\nL’appel lui-m\u00eame tient en quelques lignes. chat<\/code> est la fonction qui interroge un mod\u00e8le de conversation, question<\/code> est celle de l’utilisateur, et le r\u00e9sultat est la question reformul\u00e9e.<\/p>\ndef generate_stepback(question: str):\n user_message = f"""{question}"""\n step_back_question = chat(\n messages=[\n {"role": "system", "content": stepback_system_message},\n {"role": "user", "content": user_message},\n ]\n )\n return step_back_question\n<\/code><\/pre>\nLa fonction envoie deux messages : le message syst\u00e8me d\u00e9fini plus haut, puis ta question dans le r\u00f4le de l’utilisateur. Rien d’autre : pas d’entra\u00eenement, pas de nouveau mod\u00e8le.<\/p>\n
Du d\u00e9but \u00e0 la fin avec la blouse d’Einstein<\/h2>\n Reprenons la question de d\u00e9part sur le mod\u00e8le de blouse. La base de connaissances contient un long texte consacr\u00e9 \u00e0 Einstein, d\u00e9coup\u00e9 en gros blocs eux-m\u00eames d\u00e9coup\u00e9s en petits fragments : la recherche compare la question aux petits fragments, mais renvoie le bloc entier dont ils sont issus. Les deux fonctions ci-dessous mettent bout \u00e0 bout recul, recherche et r\u00e9ponse.<\/p>\n
def generate_answer(question: str, documents: List[str]) -> str:\n user_message = f"""\n Use the following documents to answer the question that will follow:\n {documents}\n ---\n The question to answer using information only from the above\ndocuments: {question}\n """\n result = chat(\n messages=[\n {"role": "system", "content": system_message},\n {"role": "user", "content": user_message},\n ]\n )\n print("Response:", result)\n\ndef rag_pipeline(question: str) -> str:\n stepback_prompt = generate_stepback(question)\n print(f"Stepback prompt: {stepback_prompt}")\n documents = parent_retrieval(stepback_prompt)\n answer = generate_answer(question, documents)\n return answer\n<\/code><\/pre>\nDans generate_answer<\/code>, documents<\/code> est la liste des textes retrouv\u00e9s et system_message<\/code> la consigne syst\u00e8me du mod\u00e8le qui r\u00e9dige la r\u00e9ponse, pos\u00e9e avant l’appel. La partie qui compte est rag_pipeline<\/code>, en quatre lignes : on fabrique la question large, on la donne \u00e0 parent_retrieval<\/code> (la fonction qui calcule l’embedding<\/em> de la question, sa repr\u00e9sentation sous forme de nombres, et renvoie les textes les plus proches), puis on r\u00e9pond. Remarque quelle question est transmise \u00e0 chaque \u00e9tape.<\/p>\nLa recherche re\u00e7oit stepback_prompt<\/code>, la question large. Mais generate_answer<\/code> re\u00e7oit question<\/code>, la question d’origine, intacte<\/strong>. Le pipeline cherche large et r\u00e9pond pr\u00e9cis, et c’est tout l’int\u00e9r\u00eat du dispositif.<\/p>\nSur \u00ab When was Einstein granted the patent for his blouse design ? \u00bb, la reformulation produit \u00ab What are some notable achievements in Einstein’s life ? \u00bb. Le pipeline r\u00e9pond alors correctement : \u00ab Einstein was granted the patent for his blouse design on October 27, 1936. \u00bb La question plus g\u00e9n\u00e9rale a retrouv\u00e9 le bon document parent, qui contenait tout le contexte n\u00e9cessaire pour r\u00e9pondre \u00e0 la question initiale, bien plus sp\u00e9cifique : le 27 octobre 1936<\/strong> n’a pas eu besoin d’\u00eatre mentionn\u00e9 dans la recherche pour \u00eatre trouv\u00e9.<\/p>\nChercher avec la question large, avec les deux, ou autrement<\/h2>\n Le pipeline pr\u00e9c\u00e9dent cherche avec la seule question large. Ce n’est pas la seule fa\u00e7on de s’en servir. Dans une autre version, on calcule l’embedding de la requ\u00eate de haut niveau et celui de la requ\u00eate de l’utilisateur, on lance les deux recherches, et les deux contextes trouv\u00e9s<\/strong> sont donn\u00e9s au LLM pour la g\u00e9n\u00e9ration.<\/p>\nImagine deux filets. Le premier, large, ram\u00e8ne les passages qui parlent du sujet ; le second, \u00e9troit, ram\u00e8ne ceux qui ressemblent \u00e0 la question mot pour mot. Le mod\u00e8le de r\u00e9ponse re\u00e7oit alors les deux prises. Ce qui change d’une version \u00e0 l’autre, c’est ce qui atterrit sous les yeux du mod\u00e8le, pas le principe du recul.<\/p>\n
Dans les deux cas, la phase de recul vient avant tout le reste. Dans une cha\u00eene avanc\u00e9e de recherche, elle occupe la premi\u00e8re \u00e9tape, celle qui pr\u00e9c\u00e8de la r\u00e9cup\u00e9ration.<\/p>\n\n\n\n\t\t\t\n\t\t\t\tCherche la case \u00ab Transformation de requ\u00eate \u00bb tout \u00e0 gauche : c’est l\u00e0 que se loge le step-back, avant que la moindre recherche ne parte. Tout ce qui suit (recherche hybride, reranking, compression) travaille ensuite sur ce qu’elle a produit.<\/figcaption><\/figure>\n\n\n\u00c0 c\u00f4t\u00e9 des autres fa\u00e7ons de retoucher une question<\/h2>\n Le step-back n’est pas la seule retouche possible : toutes s’appuient sur un LLM pour am\u00e9liorer la r\u00e9cup\u00e9ration, mais chacune fait autre chose de la question.<\/p>\n
\n\n\nRetouche<\/th>\n Ce qu’on fait de la question<\/th>\n Exemple donn\u00e9<\/th>\n<\/tr>\n<\/thead>\n \n\nStep-back<\/td>\n La remplacer par une version plus g\u00e9n\u00e9rale, conceptuelle<\/td>\n \u00ab achievements in Einstein’s life \u00bb \u00e0 la place du brevet de la blouse<\/td>\n<\/tr>\n \nD\u00e9composition<\/td>\n La couper en plusieurs requ\u00eates ind\u00e9pendantes<\/td>\n \u00ab qui a invent\u00e9 le t\u00e9l\u00e9graphe et le t\u00e9l\u00e9phone ? \u00bb devient deux requ\u00eates<\/td>\n<\/tr>\n \nR\u00e9\u00e9criture<\/td>\n Transformer un \u00e9nonc\u00e9 quelconque en requ\u00eate de recherche<\/td>\n Une plainte sur l’envoi de courriels depuis un t\u00e9l\u00e9phone devient une recherche d’\u00e9tapes de d\u00e9pannage<\/td>\n<\/tr>\n \nHyDE<\/td>\n Faire g\u00e9n\u00e9rer une r\u00e9ponse hypoth\u00e9tique, sans consulter la base, et chercher avec elle<\/td>\n La r\u00e9ponse invent\u00e9e sert d’app\u00e2t, m\u00eame si le mod\u00e8le ne conna\u00eet pas la vraie<\/td>\n<\/tr>\n \nExpansion multi-requ\u00eates<\/td>\n Faire g\u00e9n\u00e9rer plusieurs variantes de la question<\/td>\n Cinq reformulations lanc\u00e9es chacune dans la base<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\nLa diff\u00e9rence la plus utile \u00e0 retenir se joue avec l’expansion : elle accro\u00eet le rappel<\/strong>, c’est-\u00e0-dire la part des documents pertinents effectivement retrouv\u00e9s, mais en multipliant les formulations, elle risque de s’\u00e9loigner de ce que tu voulais demander, et la pr\u00e9cision en p\u00e2tit. Le step-back, lui, ne multiplie pas les variantes : il en choisit une seule, plus haute.<\/p>\nTrois id\u00e9es re\u00e7ues sur le step-back<\/h2>\n\u00ab C’est du chain-of-thought \u00bb<\/h3>\n Non. Le chain-of-thought fournit dans le prompt un triplet entr\u00e9e, cha\u00eene de pens\u00e9e, sortie : les \u00e9tapes interm\u00e9diaires servent \u00e0 d\u00e9couper la t\u00e2che de raisonnement en \u00e9tapes plus g\u00e9rables. Dans le pipeline vu plus haut, la sortie du recul est une seule question, et elle travaille en amont de la recherche<\/strong>. Les deux techniques peuvent coexister, mais elles n’agissent pas au m\u00eame endroit.<\/p>\n\u00ab La question large remplace la vraie question \u00bb<\/h3>\n Pas dans le pipeline vu plus haut : la r\u00e9ponse est r\u00e9dig\u00e9e \u00e0 partir de la question d’origine, et la question large n’est qu’un outil de recherche. Dans la variante \u00e0 deux recherches, les deux requ\u00eates restent m\u00eame pr\u00e9sentes jusqu’\u00e0 la g\u00e9n\u00e9ration. Le recul pr\u00e9pare le terrain, il ne r\u00e9\u00e9crit pas ce qu’on demande au mod\u00e8le de r\u00e9pondre.<\/p>\n
\u00ab Plus c’est large, mieux c’est \u00bb<\/h3>\n\n\u26a0\ufe0f Pi\u00e8ge<\/strong> La question large t’am\u00e8ne au bon endroit, elle ne fournit pas le d\u00e9tail. Dans l’exemple d’Einstein, le d\u00e9tail est arriv\u00e9 parce que le bloc renvoy\u00e9 contenait tout le contexte n\u00e9cessaire pour r\u00e9pondre \u00e0 la question pr\u00e9cise.<\/p>\n<\/blockquote>\nUn recul trop ample pourrait donc ramener le bon sujet mais pas la bonne ligne : la pr\u00e9cision vient de ce que tu rends au mod\u00e8le de r\u00e9ponse, pas seulement de la fa\u00e7on de chercher. C’est pour cela que l’exemple associe le recul \u00e0 une r\u00e9cup\u00e9ration qui renvoie un bloc assez grand.<\/p>\n
\n\ud83d\udccc \u00c0 retenir<\/strong> Le step-back prompting ne rend pas le mod\u00e8le plus malin : il rend la recherche plus tol\u00e9rante. Une question pointue d\u00e9cide de la r\u00e9ponse, une question large d\u00e9cide de l’endroit o\u00f9 on va la chercher.<\/p>\n<\/blockquote>","protected":false},"excerpt":{"rendered":"Le step-back prompting remplace une question pointue par une question plus large pour retrouver le bon document, puis r\u00e9pond \u00e0 la question d’origine.<\/p>\n","protected":false},"author":1,"featured_media":588,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[8],"tags":[],"class_list":["post-589","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-agentic"],"_links":{"self":[{"href":"https:\/\/www.ranksignal.fr\/blog\/wp-json\/wp\/v2\/posts\/589","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.ranksignal.fr\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.ranksignal.fr\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.ranksignal.fr\/blog\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.ranksignal.fr\/blog\/wp-json\/wp\/v2\/comments?post=589"}],"version-history":[{"count":2,"href":"https:\/\/www.ranksignal.fr\/blog\/wp-json\/wp\/v2\/posts\/589\/revisions"}],"predecessor-version":[{"id":591,"href":"https:\/\/www.ranksignal.fr\/blog\/wp-json\/wp\/v2\/posts\/589\/revisions\/591"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.ranksignal.fr\/blog\/wp-json\/wp\/v2\/media\/588"}],"wp:attachment":[{"href":"https:\/\/www.ranksignal.fr\/blog\/wp-json\/wp\/v2\/media?parent=589"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.ranksignal.fr\/blog\/wp-json\/wp\/v2\/categories?post=589"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.ranksignal.fr\/blog\/wp-json\/wp\/v2\/tags?post=589"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
![\"Une](\"https:\/\/www.ranksignal.fr\/wp-content\/uploads\/2026\/10\/b1_ch03_stepback_prompting-scaled.png\")