Les agents IA peuvent intimider avec leurs noms : modèle, prompt, RAG, MCP, workflow, multi-agent, apprentissage par renforcement. Mettez-les un instant de côté : construisez une carte de jugement. Que voit le système, que peut-il faire, comment choisit-il la suite, et peut-on constater puis corriger une erreur ?
Apprendre les agents, c’est concevoir une boucle fiable « observer — agir — vérifier ».
01 / FORMULASRetenir d’abord deux formules
La formule minimale est Agent = LLM + contexte + outils. Le modèle comprend et décide, le contexte apporte ce qu’il peut voir, les outils transforment la décision en action. La formule de production est Agent = Modèle + Harness. Le harness organise contexte et outils puis ajoute contraintes, vérification et correction. La première explique pourquoi l’agent peut agir ; la seconde pourquoi il peut avoir une chance d’agir durablement juste.
02 / PRACTICEDécomposer Codex en cinq parties
Ouvrez une tâche réelle avant d’écrire du code. Vous y voyez un modèle qui comprend le but et choisit la suite ; le contexte venant de la demande, du dépôt, des règles et des résultats ; les outils pour lire, exécuter, modifier, construire et publier ; les contraintes qui protègent périmètre, informations sensibles et actions irréversibles ; enfin vérification et correction qui contrôlent le résultat réel et changent de voie après un échec. Ces cinq questions expliquent déjà la moitié de toute architecture d’agent.
03 / PRACTICEPourquoi un agent continue d’agir
Un chat ordinaire suit question, réponse, fin. Un agent reçoit un but, observe l’environnement, décide une action, appelle un outil, vérifie le résultat, puis continue ou s’arrête selon une condition. Cette boucle ReAct compte car l’action apporte un retour réel. Sans retour, l’agent devine en continu ; avec lui, il peut corriger sa trajectoire.
04 / PRACTICEDécider si un agent est nécessaire
Toute automatisation n’exige pas d’autonomie. Si le chemin est stable et les règles explicites, un workflow fixe est moins cher, plus rapide et plus auditable : OCR, extraction de champs, modèle, puis révision humaine. Envisagez un agent si les étapes dépendent des résultats intermédiaires : observer, trouver un manque, choisir un outil, ajuster avec le retour. Pour argent, vie privée, délais juridiques ou envoi externe, gardez un flux déterministe et une confirmation humaine. Les systèmes réels mélangent souvent agent flexible et points critiques régis par règles.
05 / PRACTICEPasser de faire à faire de façon fiable
Une démo appelle un outil. Un produit doit examiner permissions trop larges, entrée fiable, délai d’appel, effet réel de l’action et arrêt après échecs. Le harness a quatre rôles : Context montre la bonne information ; Constrain limite les pouvoirs ; Verify confirme qu’une action a réussi ; Correct réessaie, revient en arrière ou transmet à une personne. Apprenez à guider une intelligence instable vers un système observable, récupérable et responsable.
06 / ROADMAPUne feuille de route orientée vers la pratique
D’abord, bâtissez la carte : composants, ReAct, workflow, autonomie, harness. Puis donnez des yeux avec contexte, mémoire, base de connaissances et RAG. Donnez des mains avec outils, MCP, permissions, événements et collaboration. Construisez un petit agent réel et gardez sa trace. Fiabilisez-le avec agents de code, évaluation, récupération et mesures comparables. Élargissez enfin aux systèmes multimodaux et multi-agents ; placez post-entraînement et évolution continue à la fin. À chaque chapitre, faites une expérience de contraste : cassez, observez, réparez.
07 / EXERCISEUtiliser l’organisation d’un nouveau dossier comme premier exercice
Imaginez un agent qui aide un avocat à organiser un nouveau dossier. Avant tout code, listez son contexte : objectif, pièces, chronologie, règles et état. Listez ses outils : lecture, recherche, génération et écriture. Listez les contraintes : ce qui ne sort pas, ce qui exige confirmation humaine, ce qui reste à vérifier. Listez la vérification : intégrité, cohérence des dates, sources traçables et sauvegarde réelle. Enfin, écrivez les conditions d’arrêt : définition de terminé et moment où l’avocat décide. Sans ces réponses, le code amplifie le flou.
08 / PRACTICEPasser de dix chapitres à vingt leçons
Le livre source compte dix chapitres d’ingénierie. Le site ajoute dix leçons débutantes avant ce parcours : IA et modèles, chat, passage aux agents, vérification, choix de modèles, ouvert et fermé, accès depuis la Chine continentale, interfaces et CLI, Ollama local, tokens. Viennent ensuite contexte, mémoire et RAG, outils et MCP, agents de code, évaluation, post-entraînement, apprentissage continu, multimodalité et multi-agents. La source n’est pas retirée ; son entrée est plus progressive.
Livre source et points d’entrée
- bojieli/ai-agent-book — Deep Understanding AI Agent.
- Official learning guidance.
- Chapter 1 — formulas, tools, harness and orchestration.
- Cette page réorganise la pratique ; elle ne remplace pas le livre source. Le dépôt utilise Apache License 2.0 ; utilisez texte et code pour les formulations exactes.
COMMENTAIRES DES LECTEURS
Notez l’idée que cet article vous a laissée.
Aucun commentaire. Vous pouvez laisser le premier.