Des agents isolés aux systèmes d’agents IA

Agent isolé

EntréeUne requête ou un déclencheur

AgentModèle, planification et outils

SortieUne tâche traitée

Entrée-sortie simple · Contexte limité · Fonctionnement isolé

Système d’agents IA

OrchestrationRépartit les tâches, suit les dépendances, résout les conflits

Agent créatif
Agent d’audience
Agent d’enchères

Données et mémoire
Outils et API
Applications

Un ou plusieurs agents spécialisés · Contexte et mémoire partagés · Workflow orchestré et gouverné

De l’agent au système. Un agent isolé associe à un modèle des capacités de planification, de mémoire et d’outils pour une tâche. Un système IA combine des modèles, un ou plusieurs agents, une infrastructure, des données et les applications avec lesquelles ils interagissent.

Un agent IA peut se définir comme une surcouche orientée tâche autour d’un modèle, qui ajoute des couches de planification, d’action et d’adaptation. Un système IA désigne l’ensemble du dispositif : les modèles, un ou plusieurs agents, l’infrastructure opérationnelle, les bases de données et les applications avec lesquelles ils interagissent. Son architecture influe sur la flexibilité et la fiabilité du système.

Comment les agents gèrent la planification et la mémoire

La principale classification des agents repose sur la façon dont ils gèrent la planification et la mémoire, ce qui définit la manière dont ils perçoivent leur environnement et y réagissent.

Agents réactifs

Ces agents fonctionnent selon une logique simple d’entrée-sortie. Ils réagissent immédiatement aux déclencheurs, sans recourir à la mémoire des événements passés ni à une planification complexe.

Point fort: Rapides et simples à mettre en œuvre.
Limite: Ne peuvent pas se souvenir du contexte ni adapter leur stratégie au fil d’interactions prolongées.

Agents délibératifs

Ces agents construisent et entretiennent un modèle interne de leur environnement, ce qui leur permet de planifier leurs actions. Ils tiennent compte du contexte et peuvent poursuivre des objectifs à long terme.

Point fort: Capables de décisions planifiées qui tiennent compte du contexte.
Limite: Plus lents et plus gourmands en calcul que les agents réactifs.

Agents hybrides

Selon le contexte

Les conceptions hybrides combinent des réponses prédéfinies et des capacités de planification. Elles peuvent convenir à des tâches qui comportent à la fois des étapes prévisibles et des entrées variables, mais elles ajoutent du travail de conception et d’évaluation. Choisissez-les lorsque la tâche exige cette combinaison.

Autres modèles d’architecture

Plusieurs autres modèles de conception offrent des approches structurées pour construire des systèmes d’agents destinés à des tâches complexes.

Architecture en couches

Ce modèle organise les fonctions d’un agent selon une hiérarchie. Les couches inférieures prennent en charge des tâches comme la collecte et le prétraitement des données ; les couches supérieures gèrent la prise de décision. Cette séparation des responsabilités simplifie le développement et la maintenance.

Architecture en tableau noir (blackboard)

Cette conception convient aux problèmes qui demandent une expertise dans plusieurs domaines. Différents composants d’IA, ou « sources de connaissances », surveillent une structure de données partagée (le tableau noir) et y contribuent lorsqu’ils peuvent aider, comme une équipe d’experts qui résout un casse-tête ensemble.

Architecture de subsomption

Ce modèle repose sur des couches de comportements de base qui peuvent prendre le pas les unes sur les autres : par exemple, une couche inférieure peut interrompre un objectif d’une couche supérieure pour assurer la sécurité. Chaque couche fonctionne de manière indépendante, ce qui rend le système réactif et robuste, mais les couches peuvent parfois produire des actions contradictoires.

Systèmes mono-agent ou multi-agents

Une décision de conception importante consiste à choisir entre un agent unique et une équipe d’agents spécialisés. Ce choix influe sur les capacités du système et sur sa complexité.

Architecture mono-⁠agent

Un seul agent IA, reposant sur un LLM, prend en charge toutes les tâches.

Points forts: Plus simple à développer, à gérer et à contrôler. Aucune coordination entre agents.
Points faibles: Peut avoir du mal avec des tâches complexes ou avec l’accès à un grand nombre d’outils.
Adapté à: Tâches simples et répétitives, comme un outil dédié au media planning.

Architecture multi-⁠agents

Des agents IA spécialisés travaillent ensemble, sous la conduite d’un orchestrateur qui gère l’ensemble du processus.

Points forts: Permet de répartir un travail complexe entre des agents spécialisés, d’exécuter des tâches en parallèle et d’utiliser des modèles plus petits pour certaines étapes.
Points faibles: Plus complexe à coordonner, à tester et à déboguer.
Adapté à: Tâches complexes comportant plusieurs parties interdépendantes, comme le trading média avec plusieurs volets de planning.

Choisissez l’architecture la plus simple qui répond aux exigences. N’ajoutez des agents distincts que lorsque l’évaluation montre un bénéfice qui justifie la coordination et la maintenance supplémentaires.

Les défis de la collaboration multi-agents

Les systèmes multi-agents posent des défis qu’il faut traiter au niveau de l’architecture.

Principaux défis

Goulets d’étranglement de coordination et de communication : sans protocoles de communication standardisés, les agents peuvent avoir du mal à aligner leurs actions, ce qui entraîne des stratégies fragmentées, des retards et de mauvaises performances.
Comportements émergents et imprévisibles : en interagissant, les agents peuvent produire à l’échelle du système des comportements qui n’ont pas été explicitement programmés, comme des résultats non souhaités, des boucles infinies ou de l’instabilité.
Complexité du débogage : remonter à la cause première d’une défaillance à travers des interactions imbriquées, souvent opaques, entre agents peut être difficile et long.
Questions de gouvernance : la prise de décision distribuée brouille les responsabilités. Lorsqu’une erreur survient, il peut être difficile de déterminer quel agent, ou quelle interaction, en est à l’origine. Les biais d’agents individuels peuvent aussi être amplifiés en se propageant dans le système.

Réponses architecturales

Plusieurs stratégies de conception aident à réduire ces risques :

Raisonnement augmenté par des outils : les agents appellent des API et des fonctions externes ; ils peuvent ainsi travailler avec des données à jour et des systèmes réels au lieu de s’appuyer uniquement sur les connaissances internes du modèle.
Boucles agentiques (par exemple ReAct) : un cycle itératif « raisonner, agir, observer » permet à un agent d’exécuter une étape, d’en vérifier le résultat et de décider de l’étape suivante, au lieu d’échouer sur une tentative unique.
Orchestration multi-agents : un orchestrateur dédié distribue les tâches aux agents spécialisés, surveille les dépendances et résout les conflits, ce qui répond aux goulets d’étranglement de coordination.
Architectures avec gouvernance intégrée : le contrôle et la supervision sont prévus dès la conception, avec un contrôle d’accès fondé sur les rôles pour que les agents ne puissent pas dépasser leurs prérogatives, un isolement (sandboxing) pour circonscrire leurs actions et des pistes d’audit pour que les décisions puissent être retracées et examinées.