tadata
← Retour à l'accueil

Agents IA : Des Chatbots aux Systèmes Autonomes

#artificial-intelligence#ai-agents#llm#architecture

Le passage des LLMs comme générateurs de texte aux LLMs comme agents autonomes représente l'une des transitions les plus conséquentes en IA appliquée. Les agents combinent modèles de langage, utilisation d'outils, mémoire et planification pour accomplir des tâches multi-étapes avec une intervention humaine minimale.

Architectures d'Agents

Trois patterns dominants ont émergé :

ReAct : L'agent alterne raisonnement et actions en boucle. Simple et interprétable mais peut rester bloqué dans des boucles.

Plan-and-Execute : L'agent génère un plan complet puis exécute chaque étape. Meilleur pour les tâches complexes mais moins adaptatif.

Multi-Agent : Plusieurs agents spécialisés collaborent, chacun avec des rôles et outils différents. Un orchestrateur route les tâches.

tadata
Plan Execute step Check result Re-plan Done Give up plan written observation ok, next step failed or new facts revised plan all steps ok budget spent
Plan Execute step Check result Re-plan Done Give up plan written observation ok, next step failed or new facts revised plan all steps ok budget spent
Plan-and-execute avec re-planification. Le plan est un artefact visible (une todo list) que les utilisateurs et les évaluateurs peuvent inspecter

Extrait de la fiche « Planning and Reasoning Patterns for Agents » · Demander la fiche complète

Taxonomie des Niveaux d'Autonomie

NiveauNomDescriptionRôle Humain
L0ChatQuestion-réponse simpleContrôle total
L1Augmenté d'outilsLLM appelle des outils sur demandeApprouve chaque action
L2Agent de tâcheComplète des tâches multi-étapesRévise le résultat final
L3Semi-autonomeOpère indépendamment, escalade les cas limitesGestion des exceptions
L4Autonome superviséExécute des workflows de bout en boutRevue périodique
L5Totalement autonomeAgent persistant avec auto-correctionDéfinit les objectifs uniquement
tadata
Human does, AIsuggests AI acts unattended L0 call L1 workflow L2 approve all L3 approve risky L4 sandbox L5 unattended
Human does, AIsuggests AI acts unattended L0 call L1 workflow L2 approve all L3 approve risky L4 sandbox L5 unattended
Une façon courante de graduer l'autonomie (il n'existe pas d'échelle standard unique en 2026). N'allez vers la droite que lorsque l'évaluation et les garde-fous le justifient

Extrait de la fiche « What Is an AI Agent? » · Demander la fiche complète

Comparaison des Frameworks

FrameworkArchitectureMulti-AgentMaturité
LangChain/LangGraphWorkflows en grapheOuiÉlevée
AutoGenMulti-agent conversationnelAu coeurMoyenne
CrewAIMulti-agent par rôlesAu coeurMoyenne
Claude Agent SDKAgent d'exécution de codeVia outilsÉlevée
OpenAI AssistantsThreads avec étatLimitéÉlevée

Ce qui Sépare les Bons Agents des Démos

L'écart entre les démos impressionnantes et les agents de production fiables est significatif. Les différenciateurs clés : récupération robuste des erreurs, exécution bornée (limites de coût et de temps), journalisation exhaustive, dégradation gracieuse quand les outils échouent, et chemins d'escalade humaine. La plupart des échecs d'agents ne sont pas des échecs de raisonnement mais des échecs d'intégration.

tadata
# Item Failure mode Effect Cause S O D RPN Action After 1 Tool call Wrong tool orinvented argument wrong action vague tooldescription 6 6 4 144 schema validation,better descriptions 36 2 Loop Repeats the same call cost, timeout uninformative toolresult 4 5 3 60 loop detection, stepbudget 12 3 Stop Declares done tooearly task silentlyincomplete no verificationstep 7 5 7 245 outcome checks before'done' 63 4 Input Follows injectedinstruction data leak, unwantedaction untrusted textwith broad tools 9 3 8 216 least privilege,approval on outboundactions 90 5 Budget Token blow-up cost overrun unbounded history,large tool outputs 5 4 3 60 compaction, output caps,spend limit 20 5 failure modes · highest RPN 245 · 3 at or above 100 · total RPN 725 → 221 after actions (−70 %) RPN ≥ 100 RPN ≥ 50 or S ≥ 9 lower RPN = S × O × D (1-10 each) Red S: severity 9-10 — act whatever the RPN
# Item Failure mode Effect Cause S O D RPN Action After 1 Tool call Wrong tool orinvented argument wrong action vague tooldescription 6 6 4 144 schema validation,better descriptions 36 2 Loop Repeats the same call cost, timeout uninformative toolresult 4 5 3 60 loop detection, stepbudget 12 3 Stop Declares done tooearly task silentlyincomplete no verificationstep 7 5 7 245 outcome checks before'done' 63 4 Input Follows injectedinstruction data leak, unwantedaction untrusted textwith broad tools 9 3 8 216 least privilege,approval on outboundactions 90 5 Budget Token blow-up cost overrun unbounded history,large tool outputs 5 4 3 60 compaction, output caps,spend limit 20 5 failure modes · highest RPN 245 · 3 at or above 100 · total RPN 725 → 221 after actions (−70 %) RPN ≥ 100 RPN ≥ 50 or S ≥ 9 lower RPN = S × O × D (1-10 each) Red S: severity 9-10 — act whatever the RPN
Modes de défaillance d'un agent outillé, classés par indice de priorité de risque (RPN = gravité x occurrence x détection, chacun de 1 à 10 ; score de détection élevé = difficile à détecter)

Extrait de la fiche « Agent Evaluation and Reliability » · Demander la fiche complète

Ressources

Nous utilisons des cookies analytiques pour améliorer votre expérience. Aucune donnée personnelle n'est collectée.