{"id":1004,"date":"2025-05-08T22:12:16","date_gmt":"2025-05-08T21:12:16","guid":{"rendered":"https:\/\/louis.hatier.me\/blog\/?p=1004"},"modified":"2025-05-26T13:18:58","modified_gmt":"2025-05-26T12:18:58","slug":"les-agents-ia-un-sujet-trendy","status":"publish","type":"post","link":"https:\/\/louis.hatier.me\/blog\/les-agents-ia-un-sujet-trendy\/","title":{"rendered":"Les agents d’IA: un sujet trendy !"},"content":{"rendered":"
\n
\"\"<\/a><\/figure>\n<\/div>\n\n\n

C’est peut-\u00eatre LE sujet de 2025, tout le monde en parle, et de nouveaux outils sortent toutes les semaines (\u00e7a rappelle l’arriv\u00e9e du terme \u00ab\u00a0cloud\u00a0\u00bb).<\/p>\n\n\n\n

Un agent IA<\/strong> c’est quoi ? C’est un programme intelligent con\u00e7u pour r\u00e9aliser des t\u00e2ches ou prendre des d\u00e9cisions de mani\u00e8re autonome \u00e0 partir de donn\u00e9es. Pour atteindre un objectif donn\u00e9, il interagit avec un mod\u00e8le d’intelligence artificielle, en exploitant des outils et des ressources sp\u00e9cifiques.<\/p>\n\n\n\n

La diff\u00e9rence entre les mod\u00e8les d’IA classiques et les agents r\u00e9side dans leur mode d’interaction. Alors que les mod\u00e8les d’IA comme Gemini ou Sonnet fonctionnent sur des \u00e9changes ponctuels et r\u00e9actifs, sans m\u00e9moire des interactions pr\u00e9c\u00e9dentes ni capacit\u00e9 d’initiative, les agents sont autonomes et orient\u00e9s vers des objectifs \u00e0 long terme.<\/p>\n\n\n\n\n\n\n\n

Agent workflow, patterns, systems<\/h2>\n\n\n
\n
\"\"<\/a><\/figure>\n<\/div>\n\n\n

Voici un sch\u00e9ma qui explique tr\u00e8s bien le fonctionnement de base d’un agent.<\/p>\n\n\n\n

\u00c0 la suite d’une demande utilisateur (g\u00e9n\u00e9ralement via une interface graphique de type chat), l’agent planifie ses actions et utilise ses outils (Tool<\/strong>) \u00e0 disposition pour r\u00e9aliser la t\u00e2che qui lui est demand\u00e9e. (Think \u2192 Act \u2192 Observe<\/em>)<\/p>\n\n\n

\n
\"\"<\/a><\/figure>\n<\/div>\n\n\n

Voici un autre sch\u00e9ma (j’aime bien les sch\u00e9mas), qui d\u00e9taille un peu plus le fonctionnement interne de l’agent.<\/p>\n\n\n\n

Il utilise un LLM (un mod\u00e8le) pour la compr\u00e9hension et le raisonnement. Les instructions (Prompt<\/strong>) qui lui sont attribu\u00e9es lui permettent de r\u00e9agir d’une mani\u00e8re pr\u00e9cise et orient\u00e9e.<\/p>\n\n\n\n

Il utilise \u00e9galement sa m\u00e9moire pour garder le contexte entre les diff\u00e9rentes actions (Step<\/strong>) et la conversation avec l’utilisateur. Puis il utilise ses outils (Tool) pour interagir avec l’ext\u00e9rieur. Un Tool<\/strong> est une fonctionnalit\u00e9 que l’agent peut utiliser pour effectuer une action. Il comporte une description, des inputs, et des outputs. \u00c7a peut \u00eatre un appel \u00e0 une API de taux d’\u00e9change de monnaie, \u00e0 un moteur de recherche, \u00e0 une base de donn\u00e9es etc.<\/p>\n\n\n\n

Les tools sont la partie la plus int\u00e9ressante, car ils permettent \u00e0 l’agent d’agir sur l\u2019environnement que vous lui conf\u00e9rez (acc\u00e8s au SI de votre entreprise par exemple).<\/p>\n\n\n

\n
\"\"<\/a><\/figure>\n<\/div>\n\n\n

Encore un sch\u00e9ma emprunt\u00e9 qui repr\u00e9sente diff\u00e9rents patterns \/ syst\u00e8mes existant pour mettre en place un agent.<\/p>\n\n\n\n

Le syst\u00e8me 3 correspond aux deux premiers sch\u00e9mas : un agent simple avec des tools \u00e0 sa disposition pour effectuer une t\u00e2che.<\/p>\n\n\n\n

Le syst\u00e8me 4 \u00ab\u00a0multi-agent<\/strong>\u00a0\u00bb est tr\u00e8s int\u00e9ressant \u00e0 mettre en place. Il consiste \u00e0 cr\u00e9er plusieurs agents (selon leur domaine par exemple), et \u00e0 les faire collaborer ensemble. Un des avantages est similaire \u00e0 une codebase : les domaines sont d\u00e9finis, isol\u00e9s, s\u00e9par\u00e9s. Chaque agent a son prompt d\u00e9di\u00e9 (Sytem Prompt<\/em>), et peut communiquer avec tous ou une partie des autres agents. Le tout est g\u00e9n\u00e9ralement orchestr\u00e9 par un RootAgent<\/em> ou ManagerAgent<\/em>.<\/p>\n\n\n\n

Plusieurs frameworks permettent de mettre ce pattern en place facilement (LangGraph, LlamaIndex, smolagents, OpenAI, CrewAI, AutoGen). Ils utilisent g\u00e9n\u00e9ralement le ReAct Prompting<\/strong> (Let\u2019s think step by step<\/em>) et permettent aux agents d’avoir connaissance des tools de chacun, et ainsi de donner la possibilit\u00e9 aux agents de se passer la balle quand c’est n\u00e9cessaire, avant de retourner une r\u00e9ponse finale \u00e0 l’utilisateur.<\/p>\n\n\n\n

Le protocole MCP<\/h2>\n\n\n
\n
\"\"<\/a><\/figure>\n<\/div>\n\n\n

Model Context Protocol<\/strong> (MCP) : introduit par Anthropic fin 2024 et pris en charge par OpenAI en mars 2025. Il permet de cr\u00e9er des serveurs qui exposent des donn\u00e9es et des fonctionnalit\u00e9s \u00e0 des applications bas\u00e9es sur des LLM de mani\u00e8re s\u00e9curis\u00e9e et standardis\u00e9e. Consid\u00e9rez-le comme une API web, mais sp\u00e9cialement con\u00e7ue pour les interactions avec les grands mod\u00e8les de langage.<\/p>\n\n\n\n

Ce protocole va permettre \u00e0 notre agent d’utiliser des Tools beaucoup plus facilement. Par exemple, plut\u00f4t que d’int\u00e9grer l’API Jira dans notre agent (ou \u00ab\u00a0client\u00a0\u00bb), on va lui donner acc\u00e8s \u00e0 un MCP serveur qui servira d’abstraction avec cette API. Ce \u00ab\u00a0server\u00a0\u00bb va exposer des Tools (via une description, inputs et outputs) que notre \u00ab\u00a0client\u00a0\u00bb va comprendre via son LLM.<\/p>\n\n\n\n

Il existe d’ailleurs toute une panoplie de MCP serveur open-source que l’on peut r\u00e9cup\u00e9rer.
Des SDK existent pour cr\u00e9er localement un MCP client\/serveur et tester tout \u00e7a.<\/p>\n\n\n\n

Quelques ressources :<\/p>\n\n\n\n