Les avancées récentes des grands modèles linguistiques, tels que GPT-4, ont démontré des capacités remarquables dans le traitement des requêtes standards. Malgré ces progrès, leur performance diminue considérablement face aux problèmes mathématiques avancés nécessitant une raisonnement logique complexe et multi-étapes. Afin d’améliorer leurs capacités d’inférence, la recherche actuelle s’intéresse au développement de prompting engineering, illustré par des méthodologies telles que le Tree of Thought et le Graph of Thought. Toutefois, ces approches existantes rencontrent deux limitations majeures. Premièrement, leur efficacité dans la résolution de problèmes mathématiques complexes reste limitée. Deuxièmement, la nécessité de concevoir des prompts distincts pour chaque problème nuit à leur généralisation. Face à ces contraintes, ce papier introduit une nouvelle méthode de prompting nommée Système Multi-Agents pour le Mining Conditionnel (MACM). Cette approche non seulement permet de résoudre efficacement des problèmes mathématiques complexes, mais démontre également une forte capacité de généralisation dans divers contextes mathématiques. Grâce à MACM, la précision de GPT-4 Turbo sur les problèmes les plus difficiles du niveau 5 du jeu de données MATH passe de 54,68 % à 76,73 %. Le code source est disponible à l’adresse suivante : \url{https://github.com/bin123apple/MACM}.