Construire un workflow IA : commencer petit, évaluer, étendre

De nombreuses tâches opérationnelles n’ont pas besoin d’un agent : un workflow IA automatisé suffit souvent. Lorsqu’un agent se justifie, les systèmes construits à partir de patterns simples et combinables sont plus faciles à tester et à maintenir. Commencez par la version la plus simple susceptible de fonctionner, et n’ajoutez un workflow en plusieurs étapes ou un agent que s’il améliore le résultat de façon mesurable.

Définir la tâche avant l’architecture

Avant d’écrire des prompts ou de choisir des outils, formalisez ce à quoi sert le workflow :

Les frameworks : un choix à évaluer

Des frameworks comme LangGraph ou Amazon Bedrock Agents peuvent accélérer la réalisation d’un prototype. Ils ajoutent aussi des couches d’abstraction qui peuvent masquer les prompts et les appels d’API sous-jacents, ce qui complique le débogage.

Un framework peut faciliter l’intégration, la gestion de l’état et la supervision, mais il ajoute aussi des dépendances et des conventions. Comparez le travail qu’il évite avec les contraintes qu’il introduit, au regard des exigences du projet.

Beaucoup des patterns ci-dessous peuvent être mis en œuvre avec quelques appels directs à l’API d’un modèle. Quelle que soit l’option choisie, assurez-vous que l’équipe peut voir les prompts, les appels au modèle et les appels d’outils que le système effectue réellement.

Les patterns, du plus simple au plus complexe

Construisez votre système en partant du pattern le plus simple et n’ajoutez de la complexité qu’en cas de besoin.

1. La base : le LLM augmenté

C’est la brique de base : un appel unique au modèle, enrichi de capacités comme l’accès à des connaissances et à des playbooks, à des outils et à une mémoire. Le modèle peut générer ses propres requêtes de recherche, choisir le bon outil et décider de ce qu’il doit retenir.

2. Workflow : le chaînage de prompts

Une séquence linéaire d’appels au modèle, où chaque étape traite le résultat de la précédente. Schématiquement : A→B→C. Vous pouvez insérer entre les étapes des vérifications automatisées, ou points de contrôle, pour maintenir la qualité.

Ce pattern convient aux tâches qui peuvent être décomposées en sous-tâches fixes et successives, comme la génération de textes publicitaires. Chaque étape supplémentaire ajoute de la latence : c’est souvent le premier compromis à évaluer avant d’envisager un comportement plus avancé.

3. Workflow : le routage

Un premier appel au modèle classe une entrée et l’oriente vers un prompt, un outil ou un workflow spécialisé en aval. C’est une façon courante d’orchestrer plusieurs workflows IA ou sous-agents.

Lorsque vous avez des catégories de tâches distinctes, mieux traitées par des pipelines spécialisés, le routage évite un prompt unique censé tout couvrir.

Le routage peut aussi aider à maîtriser les coûts, en envoyant les requêtes simples vers un modèle plus petit et plus rapide, et les requêtes complexes vers un modèle de raisonnement plus performant. Dans chaque cas, évaluez le modèle choisi sur des entrées représentatives de cette route.

4. Workflow : la parallélisation

Certaines tâches d’un workflow sont lourdes et longues. Exécuter plusieurs appels au modèle en même temps, puis agréger les résultats, peut réduire le temps d’attente. Les appels parallèles sont aussi utiles lorsque plusieurs résultats doivent être produits ou comparés :

• Découpage : décomposer une tâche en sous-tâches indépendantes et les exécuter en parallèle (par exemple, rédiger différents rapports et analyses de campagne sans dépendances entre eux).
• Vote : exécuter le même prompt plusieurs fois pour obtenir des résultats variés, puis retenir le meilleur ou chercher un consensus (par exemple, plusieurs revues de code pour détecter des vulnérabilités).

5. Workflow : orchestrateur et exécutants

Ce pattern s’apparente au routage. Un modèle coordinateur, l’orchestrateur, analyse une tâche complexe, la décompose en sous-tâches pendant l’exécution et les délègue à des exécutants : appels au modèle, sous-agents ou workflows spécifiques. Une dernière étape fait la synthèse de leurs résultats.

6. Workflow : évaluateur-optimiseur

Une boucle itérative dans laquelle un appel au modèle génère une réponse et un autre la critique au regard d’un ensemble de critères (par exemple, l’exactitude ou l’atteinte de l’objectif). Le retour sert à affiner la réponse au cycle suivant. Ce pattern est utile lorsque des critères d’évaluation clairs existent, mais il est difficile à mettre en œuvre de façon fiable.

7. La dernière étape : les agents autonomes

Si, après ces approches, la tâche nécessite toujours un agent, il vous faudra un modèle qui opère en boucle : il utilise des outils en fonction des retours de son environnement pour progresser vers un objectif de haut niveau. L’agent planifie, agit, observe le résultat et replanifie.

Pour les problèmes ouverts dont le chemin de résolution ne peut pas être défini à l’avance, un agent peut être approprié, mais c’est aussi l’option la plus complexe à mettre en œuvre. Elle entraîne des coûts plus élevés et un risque d’erreurs en cascade. Prévoyez toujours des conditions d’arrêt (par exemple, un nombre maximal d’itérations) pour que l’effort reste proportionné au résultat.

L’ACI (interface agent-ordinateur)

Le prompt engineering attire beaucoup d’attention, et c’est une compétence essentielle à maîtriser, mais ce n’est pas tout. La façon dont vous définissez vos outils compte autant que votre prompt principal. Concevez cette interface agent-ordinateur (ACI, pour Agent-Computer Interface) avec la même rigueur qu’une interface homme-machine (IHM).

• Mettez-vous à la place du modèle : l’usage de cet outil est-il évident à partir de son seul nom et de sa description ? Rédigez les descriptions d’outils comme un tutoriel destiné à un collaborateur junior. Précisez le format et les cas limites, et donnez des exemples.
• Rendez les outils difficiles à mal utiliser : concevez les arguments de l’outil de façon à rendre les erreurs plus difficiles à commettre, par exemple en imposant dans votre code les formats et le contexte requis, plutôt que de laisser place à des erreurs évitables.
• Testez et itérez : observez comment le modèle utilise vos outils. Repérez les erreurs fréquentes et affinez la description ou les paramètres de l’outil pour orienter le modèle vers un usage correct.

Évaluer, puis étendre

Exécutez le workflow sur votre jeu de test après chaque modification et comparez les résultats avec ceux de la version précédente. Suivez la part de résultats acceptables, les types d’erreurs, ainsi que le coût et le temps de traitement par tâche. N’ajoutez une étape, un outil ou un agent que lorsque les tests montrent que c’est nécessaire, et conservez la version la plus simple comme référence.

Petit rappel pour des workflows et des agents IA prêts pour la production

• Privilégiez la simplicité : commencez par le pattern le plus simple qui résout le problème. N’ajoutez pas de complexité si vous ne pouvez pas en mesurer le bénéfice.
• Exigez la transparence : rendez visibles le plan et les étapes intermédiaires. C’est essentiel pour le débogage et pour gagner la confiance des utilisateurs.
• Définissez des conditions d’arrêt : fixez des limites aux itérations, aux coûts et aux actions, et définissez quand le workflow passe la main à une personne.
• Investissez dans votre ACI : un ensemble d’outils clair et bien documenté est le socle d’un agent fiable.