La méta-invite est une technique d'échafaudage efficace visant à améliorer les capacités des modèles linguistiques (LLM). Cette méthode transforme un seul LLM en un chef d'orchestre polyvalent, capable de gérer et d'intégrer plusieurs requêtes de LLM indépendantes. À l'aide d'instructions de haut niveau, la méta-invite guide le LLM pour décomposer les tâches complexes en sous-tâches plus petites et plus faciles à gérer. Ces sous-tâches sont ensuite traitées par différentes instances « expertes » du même LLM, chacune fonctionnant selon des instructions personnalisées spécifiques. Au cœur de ce processus se trouve le LLM lui-même, agissant en tant que chef d'orchestre pour assurer une communication et une intégration efficaces des sorties de ces modèles experts. Il utilise également sa capacité de pensée critique et son processus de vérification robuste pour affiner et valider les résultats finaux. Cette approche collaborative de l'invite permet à un seul LLM de servir simultanément de chef d'orchestre complet et d'équipe d'experts diversifiée, améliorant considérablement ses performances dans diverses tâches. La nature sans tir et indépendante des tâches de la méta-invite simplifie grandement l'interaction utilisateur, sans nécessiter d'instructions détaillées spécifiques à la tâche. De plus, nos recherches montrent que les outils externes (tels qu'un interpréteur Python) peuvent s'intégrer de manière transparente au framework de méta-invite, augmentant ainsi son applicabilité et son utilité. Grâce à des expériences rigoureuses avec GPT-4, nous avons démontré que la méta-invite surpasse les méthodes d'échafaudage traditionnelles : en moyenne sur toutes les tâches, y compris le jeu des 24, le problème du général en un coup et les problèmes de programmation Python, la méta-invite avec la fonctionnalité de l'interpréteur Python a surpassé les invites standard de 17,1 %, les invites expertes (dynamiques) de 17,3 % et les invites à personnalités multiples de 15,2 %.