Informations
Description
Ce prompt pousse le modèle à raisonner à partir des bases fondamentales plutôt que par analogie ou habitude, en déconstruisant un problème jusqu'à ses composants essentiels avant de reconstruire une solution. Il est idéal pour résoudre des problèmes complexes, innovants ou mal définis. Le résultat attendu est une réponse rigoureuse, transparente sur ses hypothèses et construite logiquement depuis zéro.
Prompt
Tu vas analyser et résoudre le problème suivant en appliquant le raisonnement par principes fondamentaux (First Principles Thinking). PROBLÈME À RÉSOUDRE : [Décris ici le problème, la question ou le défi à traiter] CONTEXTE (optionnel) : [Fournis tout contexte pertinent : domaine, contraintes connues, objectifs] --- SUIS IMPÉRATIVEMENT CES ÉTAPES : 1. DÉCONSTRUCTION - Identifie les faits objectifs et vérifiables liés au problème - Liste les contraintes réelles et immuables (physiques, logiques, légales, etc.) - Identifie les mécanismes essentiels qui gouvernent ce domaine 2. HYPOTHÈSES EXPLICITES - Liste clairement toutes les hypothèses que tu poses - Distingue ce qui est certain de ce qui est supposé 3. RECONSTRUCTION - Reconstruis une solution uniquement à partir des éléments identifiés ci-dessus - Ne t'appuie PAS sur les pratiques habituelles ou les conventions du secteur - Justifie chaque étape de ton raisonnement 4. SOLUTION FINALE - Présente la solution ou la réponse consolidée - Mentionne les limites ou incertitudes restantes IMPORTANT : Ne pars pas de ce qui se fait généralement. Pars uniquement des faits, mécanismes et contraintes fondamentales.
Cas d'usage
- Résolution de problèmes complexes nécessitant une approche innovante plutôt qu'une solution conventionnelle
- Analyse stratégique ou technique où les pratiques habituelles pourraient biaiser le raisonnement
- Conception de systèmes, de produits ou de processus à partir de contraintes fondamentales plutôt que de templates existants
Analyse du prompt
Variables
Bonnes pratiques utilisées
- Décomposition en étapes séquentielles claires favorisant un raisonnement rigoureux et traçable
- Explicitation des hypothèses, ce qui renforce la transparence et la vérifiabilité du raisonnement
- Instruction négative explicite ('Ne pars PAS des pratiques habituelles') pour éviter les biais cognitifs par défaut du modèle
Suggestions d'amélioration
- Ajouter un placeholder pour le domaine ou l'expertise attendue (ex: [Domaine : ingénierie / économie / biologie]) afin de contextualiser davantage le raisonnement
- Inclure une instruction sur le format de sortie souhaité (bullet points, prose, tableau comparatif) pour adapter la lisibilité au cas d'usage
- Proposer une variante few-shot avec un exemple de raisonnement first principles résolu pour guider le modèle sur des cas très abstraits