Il est reconnu que la création d'un modèle de réseaux de contraintes requiert une bonne expérience du domaine. Pour cette raison, des outils pour géenérer au- tomatiquement de tels réseaux ont gagnée en intérêt ces dernières années. Ce papier présente un système basé sur la programmation logique inductive capable de construire un modèle de contraintes à partir de solutions et non-solutions de problèmes proches. Le modèle est exprimé dans un langage mi-niveau. Nous montrons que les approches de PLI classique ne sont pas capables de résoudre cette tâche d'apprentissage et nous proposons une nouvelle approche basée sur le raffinement d'une so- lution appelèe graine. Nous présentons des résultats expérimentaux sur des jeux de données allant des puzzles aux problèmes d'emploi du temps.