La désambiguïsation d'acronymes (DA) est un défi fondamental dans le traitement de textes techniques, en particulier dans les secteurs spécialisés où une forte ambiguïté complique l'analyse automatique. Cet article aborde la DA dans le contexte de la compétition TextMine'26 portant sur la documentation ferroviaire française. Nous présentons DACE (Dynamic Prompting, Retrieval Augmented Generation, Contextual Selection, and Ensemble Aggregation), un cadre méthodologique qui améliore les grands modèles de langage (LLM) grâce à un apprentissage en contexte adaptatif et l'injection de connaissances externes. En ajustant dynamiquement les prompts selon l'ambiguïté des acronymes et en agrégeant les prédictions d'ensemble, DACE atténue les hallucinations et gère efficacement les scénarios à faibles ressources. Notre approche a obtenu la première place de la compétition avec un score F1 de 0,9069.