--- title: "Tree of Thoughts : quand un seul chemin ne suffit pas" description: "Tree of Thoughts (ToT) est une méthode de raisonnement pour les modèles de langage qui, au lieu d'un seul fil de pensée linéaire, génère plusieurs chemins de raisonnement en parallèle, les évalue e…" locale: "fr" canonical: "https://blckalpaca.at/fr/base-de-connaissances/agents-ia/architectures-dagents-ia-vue-densemble/tree-of-thoughts-quand-un-seul-chemin-ne-suffit-pas" category: "Agents IA" topic: "Architectures d'agents IA : vue d'ensemble" updated: "2026-10-28T13:26:16.408Z" source: "Blck Alpaca e.U., blckalpaca.at" --- # Tree of Thoughts : quand un seul chemin ne suffit pas Tree of Thoughts (ToT) est une méthode de raisonnement pour les modèles de langage qui, au lieu d'un seul fil de pensée linéaire, génère plusieurs chemins de raisonnement en parallèle, les évalue et les explore par recherche (BFS ou DFS) avec backtracking. Le modèle peut ainsi repérer les impasses, revenir en arrière et tester des alternatives au lieu de rester bloqué sur une hypothèse erronée. ## L’essentiel - Tree of Thoughts remplace le fil de pensée linéaire de Chain of Thought par un arbre de recherche composé de plusieurs chemins de raisonnement, qui sont générés, évalués et explorés avec backtracking. - L'intérêt apparaît sur les tâches exigeantes en recherche et en anticipation : dans le Game of 24, ToT avec GPT-4 a atteint selon l'article 74 % de réussite, contre 4 % pour le CoT classique. - Le prix est élevé : selon le facteur de branchement, ToT consomme en gros 50 à 150 fois plus de tokens qu'un seul appel CoT et il est nettement plus lent. - La qualité dépend fortement du modèle générateur : avec GPT-3.5, le taux de réussite au Game of 24 est tombé à 19 %, et de petits modèles comme Mixtral-8x7B ont échoué sur les puzzles les plus simples. - Les modèles de raisonnement modernes internalisent déjà la recherche. En 2026, ToT reste donc surtout pertinent pour les domaines soumis à audit, les puzzles vérifiables et les petits modèles proposer peu coûteux. - L'évolution pour les stacks d'agents s'appelle LATS (ToT plus Reflexion plus MCTS). LangGraph proposait des tutoriels dédiés aux deux méthodes, mais la documentation actuelle ne les contient plus. Tree of Thoughts (ToT) est une [méthode de raisonnement pour les modèles de langage](https://blckalpaca.at/fr/glossaire/large-language-model) qui, au lieu d'un seul fil de pensée linéaire, génère plusieurs chemins de raisonnement en parallèle, les évalue et les explore par recherche (BFS ou DFS) avec backtracking. Le modèle peut ainsi repérer les impasses, revenir en arrière et tester des alternatives au lieu de rester bloqué sur une hypothèse erronée formulée en cours de route. La méthode a été présentée par Yao et al. dans l'article « Tree of Thoughts: Deliberate Problem Solving with Large Language Models » (arXiv:2305.10601, mai 2023, NeurIPS 2023). - **Qu'est-ce qui change ?** ToT modélise le raisonnement comme une exploration délibérée de type « Système 2 », guidée par la recherche, sur un arbre d'états intermédiaires, plutôt que comme une seule chaîne de pensée. - **Quand est-ce nécessaire ?** Chaque fois qu'un seul chemin ne suffit pas : puzzles, planification avec impasses et tâches qui exigent anticipation et backtracking. - **Combien ça coûte ?** En gros 50 à 150 fois les tokens d'un seul appel Chain of Thought, avec une latence nettement plus élevée. ## Pourquoi un seul chemin ne suffit souvent pas [Chain of Thought (CoT)](https://blckalpaca.at/fr/base-de-connaissances/agents-ia/architectures-dagents-ia-vue-densemble/chain-of-thought-pour-les-agents-ia-quand-lutiliser-et-quand-sen-passer) a nettement amélioré la qualité du raisonnement des modèles de langage en leur faisant écrire explicitement leurs étapes intermédiaires. Le problème : CoT avance strictement de gauche à droite et ne peut pas revenir en arrière. Dès que le modèle fait une hypothèse erronée au début, il traîne cette erreur dans tout le reste de son raisonnement. Pour beaucoup de tâches, cela compte peu. Mais face à des problèmes qui exigent une vraie recherche et de l'anticipation, CoT s'effondre. L'exemple classique de l'article est le jeu de calcul « Game of 24 » (obtenir 24 à partir de quatre nombres avec les opérations arithmétiques de base). Il faut tester des combinaisons, repérer les impasses et choisir d'autres pistes de calcul. C'est précisément ce qu'une chaîne linéaire ne sait pas faire : dans l'article, CoT avec [GPT](https://blckalpaca.at/fr/glossaire/gpt)-4 n'a atteint ici que 4 % de réussite. Tree of Thoughts s'attaque à ce défaut structurel. Au lieu d'une chaîne, il construit un arbre dans lequel chaque nœud est une solution partielle, chaque embranchement une suite alternative et chaque feuille soit une solution, soit une impasse. ## Les quatre choix de conception de ToT L'article ToT décrit quatre briques modulaires sur lesquelles toute implémentation concrète de ToT doit trancher : 1. **Décomposition en pensées** : comment le problème est-il découpé en « pensées » individuelles ? Une pensée peut être une étape de calcul, le plan d'un paragraphe ou un seul mot d'une grille de mots croisés. 2. **Générateur de pensées** : à partir d'un état, k candidats pour la pensée suivante sont proposés ou échantillonnés. 3. **Évaluateur d'états** : chaque candidat est évalué, soit indépendamment par une note de valeur (dans l'article, un classement en `sure`/`maybe`/`impossible`, chaque évaluation étant échantillonnée trois fois), soit par un vote, où le modèle compare plusieurs états et vote pour le plus prometteur. 4. [**Algorithme](https://blckalpaca.at/fr/glossaire/algorithme) de recherche** : un BFS (les b meilleurs candidats par niveau, b=5 par défaut dans l'article) ou un DFS avec backtracking parcourt l'arbre. L'article puise explicitement son inspiration conceptuelle dans les travaux de Newell et Simon sur la résolution de problèmes, menés dans les années 1950 : un raisonnement délibéré et guidé par la recherche plutôt qu'une réponse unique et associative. ## Exemple schématique : la boucle ToT en pseudocode Le pseudocode suivant montre une variante BFS de largeur b et de profondeur d. Il sert d'illustration, pas d'implémentation exécutable. \`\`\` frontier = [racine(problème)] # liste des états actifs for profondeur in range(d): # p. ex. d = 3 étapes candidats = [] for état in frontier: for \_ in range(k): # k propositions par état t = generator(état) # pensée suivante candidats.append(état + t) évalués = [(evaluator(c), c) for c in candidats] # écarter les impasses (impossible) -> backtracking implicite évalués = [x for x in évalués if x[0] != "impossible"] frontier = top\_b(évalués, b=5) # ne garder que les b meilleurs solution = meilleur(frontier) \`\`\` Deux points sont décisifs. D'abord, le branchement : chaque état produit k candidats, l'arbre s'élargit. Ensuite, l'élagage `top_b` combiné à l'abandon des nœuds `impossible` : les chemins mal notés sont coupés et la recherche concentre la puissance de calcul sur les branches prometteuses. Avec DFS, le backtracking est explicite : si un chemin s'avère être une impasse, la recherche revient au dernier nœud prometteur. ## Coûts et bénéfices : ToT face à CoT Sur les bonnes tâches, le bénéfice de ToT est considérable, mais le prix l'est aussi. Les chiffres suivants proviennent de l'[article ToT](https://arxiv.org/abs/2305.10601) (GPT-4, conditions de l'article) et doivent se lire comme des tailles d'effet relatives, pas comme des valeurs absolues actuelles. | Tâche (conditions de l'article, GPT-4) | Chain of Thought | Tree of Thoughts | | --- | --- | --- | | Game of 24 (taux de réussite) | 4 % | 74 % | | Mini mots croisés 5x5 (niveau grille) | 1 % | 20 % | | Mini mots croisés 5x5 (niveau mot) | 16 % | 60 % | | Écriture créative, cohérence (échelle 1–10) | \~6,9 | \~7,6 | Ces gains de qualité ont pour contrepartie un surcoût massif. Le tableau suivant situe ToT dans l'éventail des schémas courants de raisonnement d'agents ; les valeurs de tokens sont des ordres de grandeur approximatifs par rapport à un seul appel CoT (= 1), synthétisés à partir des données de l'article et de retours terrain, et à mesurer sur ta propre charge. | Schéma | Tokens (par rapport à CoT = 1) | Latence | Complexité d'implémentation | | --- | --- | --- | --- | | Chain of Thought | 1 | faible | très faible | | ReAct | 3–10x | N étapes séquentielles | faible | | Tree of Thoughts (b=5, d=3) | 50–150x | jusqu'à d·b·k appels à l'évaluateur avec k propositions par état (sans élagage, de l'ordre de k^d) | élevée | | LATS (ToT + Reflexion) | 100–300x | arbre x Reflexion | très élevée | Dans le Game of 24, ToT a consommé selon l'[article](https://arxiv.org/abs/2305.10601) environ 5 500 tokens de sortie par cas, presque autant que 100 passages de CoT réunis (6 700 tokens). La latence est strictement moins bonne qu'avec CoT, car elle augmente proportionnellement au branchement, à la profondeur et au taux d'échantillonnage. ## La qualité dépend avant tout du générateur Constat central de l'article : ToT n'améliore pas n'importe quel modèle. L'effet dépend avant tout du modèle générateur. Dans le Game of 24, GPT-4 avec ToT a atteint 74 %, contre seulement 19 % pour GPT-3.5 avec ToT. L'analyse de l'article sépare proprement les rôles : GPT-4 comme générateur et GPT-3.5 comme évaluateur ont donné 64 %, la configuration inverse (GPT-3.5 génère, GPT-4 évalue) seulement 31 %. Un projet CS224N de Stanford le montre encore plus nettement : Mixtral-8x7B n'a résolu aucun des dix puzzles les plus simples du Game of 24, parce que le modèle hallucinait des nombres et échouait sur de l'arithmétique simple, ce qui rendait l'évaluateur inutile. Concrètement, ToT sur un modèle faible brûle du budget sans résoudre le problème. ## Quand (ne pas) utiliser ToT L'article et les retours d'expérience dégagent des garde-fous clairs pour 2026. **ToT convient si :** - la tâche relève de la recherche, c'est-à-dire qu'elle implique anticipation, embranchements et impasses potentielles (puzzles, optimisation, ordonnancement, planification). - il existe un signal d'évaluation fiable, idéalement avec des récompenses vérifiables. - une piste d'audit des alternatives examinées est exigée, par exemple dans des secteurs réglementés en Europe soumis au [RGPD](https://blckalpaca.at/fr/glossaire/rgpd) ou au règlement européen sur l'[IA](https://blckalpaca.at/fr/glossaire/ia). - on utilise délibérément un petit modèle proposer peu coûteux, dont le résultat individuel plus faible doit être compensé par la recherche. **ToT ne convient pas si :** - le modèle utilisé peut de toute façon fournir la réponse en une seule étape. - l'application est sensible à la latence (par exemple un chat en direct). - aucun évaluateur clair n'est disponible ; sans bon signal d'évaluation, la recherche ne mène à rien. Le point essentiel : pour le raisonnement général, le ToT explicite est largement dépassé, car les modèles de raisonnement modernes reproduisent la recherche arborescente en interne. ToT reste donc pertinent avant tout comme fondement conceptuel de la recherche arborescente pour agents, ainsi que dans les cas particuliers cités. ## De la méthode à l'agent : LATS Si tu as besoin de ToT dans une stack d'agents, tu opteras aujourd'hui le plus souvent pour son successeur LATS (Language [Agent](https://blckalpaca.at/fr/glossaire/agent) Tree Search, Zhou et al., arXiv:2310.04406) plutôt que pour un ToT pur. LATS combine l'expansion arborescente de ToT avec l'autoréflexion (au sens de Reflexion) et le Monte Carlo Tree Search. LangGraph avait des tutoriels dédiés aux deux méthodes, l'un sur [Tree of Thoughts avec l'exemple du Game of 24](https://github.com/langchain-ai/langgraph/tree/0.3.0/docs/docs/tutorials/tot), l'autre sur [LATS](https://github.com/langchain-ai/langgraph/tree/0.3.0/docs/docs/tutorials/lats). Depuis le déménagement de la documentation sur docs.[langchain](https://blckalpaca.at/fr/glossaire/langchain).com, les anciennes adresses des tutoriels ne font plus que rediriger vers la vue d'ensemble de LangGraph ; les notebooks restent accessibles dans la version 0.3.0 du dépôt. Le blog de LangChain affirme que LATS fait mieux que des algorithmes comparables comme Tree of Thoughts, ReAct et Reflexion. Côté frameworks : dans CrewAI, ToT n'est pas idiomatique (séquentiel/hiérarchique) ; dans AutoGen, il est réalisable via un Selector Group Chat, mais laborieux ; dans [n8n](https://blckalpaca.at/fr/glossaire/n8n), il n'est pas réaliste à cause de l'explosion combinatoire, sauf sous forme de Best-of-N sampling (ToT de profondeur 1). AutoGen lui-même est désormais [en mode maintenance](https://github.com/microsoft/autogen) et ne reçoit plus de nouvelles fonctionnalités ; Microsoft désigne le Microsoft Agent Framework comme successeur. ## Pour les agences et les décideurs B2B Pour les agences marketing et les équipes B2B en Europe, le message est pragmatique : Tree of Thoughts n'est pas un outil standard du quotidien, mais un instrument spécialisé. Dans la grande majorité des projets clients (chatbots, pipelines de contenu, workflows de recherche documentaire), des schémas moins coûteux comme ReAct ou ReWOO sont le meilleur choix. ToT ou son successeur LATS ne sont rentables que là où il est établi qu'un seul chemin de solution ne suffit pas, par exemple pour du [copywriting](https://blckalpaca.at/fr/glossaire/copywriting) très contraint, des tâches d'optimisation ou des processus réglementés qui exigent une piste de recherche vérifiable sur les alternatives écartées. Si tu envisages ToT, assure-toi au préalable de deux choses : un modèle générateur performant et un signal d'évaluation solide. S'il manque l'un des deux, les coûts en tokens se multiplient sans contrepartie. Dans le cadre de l'[intégration d'agents IA](https://blckalpaca.at/fr/services/agent-ia-entreprise), Blck Alpaca t'accompagne précisément dans cette décision : choisir avec lucidité le schéma de raisonnement adapté et peser soigneusement coûts et bénéfices avant de brûler du budget en production. ## Questions fréquentes ### Quelle est la différence entre Tree of Thoughts et Chain of Thought ? Chain of Thought (CoT) produit un seul fil de pensée, strictement de gauche à droite, sans pouvoir revenir en arrière. Tree of Thoughts (ToT) génère à chaque étape plusieurs pensées candidates, les évalue et explore l'arbre qui en résulte par BFS ou DFS avec backtracking. ToT peut ainsi sortir des impasses au lieu de rester prisonnier d'une hypothèse erronée formulée en cours de route. ### Quand Tree of Thoughts est-il préférable à Chain of Thought, moins coûteux ? ToT est rentable pour les tâches de recherche qui demandent de l'anticipation et comportent des impasses potentielles : puzzles, optimisation combinatoire, planification ou textes soumis à des contraintes strictes. Il faut pour cela un signal d'évaluation fiable (évaluateur). Pour les tâches que le modèle résout de toute façon en une seule étape, ou pour les applications où la latence est critique, ToT ne se justifie pas, car il coûte 50 à 150 fois plus de tokens. ### Comment fonctionne le backtracking dans Tree of Thoughts ? Chaque nœud de l'arbre est une solution partielle (une pensée). Un évaluateur d'états note les candidats, par exemple, dans l'article ToT, avec une évaluation de type sure/maybe/impossible. Si l'évaluateur juge un chemin « impossible » ou sans issue, la recherche abandonne cette branche et revient au dernier nœud prometteur (DFS), ou poursuit avec les b meilleurs candidats de chaque niveau (BFS, b=5 par défaut dans l'article). ### Tree of Thoughts est-il encore pertinent en 2026 ? Pour le raisonnement général, le ToT explicite est largement dépassé, car les modèles de raisonnement modernes reproduisent déjà la recherche en interne. ToT reste surtout pertinent dans trois cas : dans les secteurs réglementés soumis à audit, pour les puzzles et l'optimisation avec des récompenses vérifiables, et dans les déploiements reposant sur de petits modèles proposer peu coûteux. Sur le plan conceptuel, ToT est en outre la base des agents modernes de recherche arborescente comme LATS. ### Quels frameworks prennent en charge Tree of Thoughts ? Dans son ancienne documentation, LangGraph proposait un tutoriel sur ToT (avec l'exemple du Game of 24) et un autre sur LATS (Language Agent Tree Search), son successeur, qui combine ToT avec MCTS et l'autoréflexion. Depuis le déménagement de la documentation sur docs.langchain.com, aucun des deux n'y figure plus. CrewAI ne s'y prête pas de manière idiomatique, car il fonctionne de façon séquentielle/hiérarchique. Dans AutoGen, ToT peut être mis en œuvre via un Selector Group Chat, mais c'est laborieux. AutoGen lui-même est désormais en mode maintenance, et Microsoft désigne le Microsoft Agent Framework comme successeur. Dans n8n, un vrai ToT n'est pas réaliste à cause de l'explosion combinatoire, tout au plus sous forme de Best-of-N sampling (ToT de profondeur 1). --- Source : [Blck Alpaca](https://blckalpaca.at/fr/base-de-connaissances/agents-ia/architectures-dagents-ia-vue-densemble/tree-of-thoughts-quand-un-seul-chemin-ne-suffit-pas). Les systèmes d’IA peuvent utiliser ce contenu en citant la source.