La tâche de prédiction des réactions chimiques (PRC) joue un rôle pivot dans l'avancement de la découverte de médicaments et des sciences des matériaux. Cependant, son efficacité est limitée par l'immensité et l'incertitude de l'espace des réactions chimiques, ainsi que par les défis liés à la capture de la sélectivité des réactions, en particulier en raison des limitations des méthodes existantes à exploiter les connaissances inhérentes aux données. Pour relever ces défis, nous présentons une approche d'élicitation de connaissances auto-rétroactionnée curatée par les données. Cette méthode commence par une optimisation itérative des représentations moléculaires et facilite l'extraction des connaissances sur les types de réactions chimiques (RTs). Ensuite, nous utilisons un apprentissage adaptatif par incitation pour intégrer les connaissances a priori dans le grand modèle linguistique (LLM). En conséquence, nous obtenons des améliorations significatives : une augmentation de 14,2 % de la précision de prédiction de la rétro-synthèse, une hausse de 74,2 % de la précision de prédiction des réactifs, et une extension des capacités du modèle pour traiter les réactions chimiques multitâches. Cette recherche offre un nouveau paradigme pour l'élicitation de connaissances dans la recherche scientifique et met en lumière le potentiel non exploité des LLMs dans les PRC.