Formation : Les agents

Module 1 — Qu'est-ce qu'un agent IA

• Définir un agent comme un système qui poursuit un objectif de façon autonome en enchaînant décisions et actions.
• Distinguer un assistant conversationnel simple d'un agent capable d'agir sur des outils externes.
• Comprendre le rôle central du LLM comme moteur de raisonnement et de planification de l'agent.
• Identifier les composants clés : mémoire de contexte, accès aux outils, et critère d'arrêt.
• Situer les agents dans les tâches multi-étapes (recherche, synthèse, analyse) plutôt que les réponses directes.

Module 2 — La boucle planifier / agir / observer

• Décrire le pattern ReAct (Reason + Act) formalisé en 2022, devenu standard de fait pour les agents.
• Détailler les trois phases répétées : raisonner, agir (appel d'outil), observer le résultat.
• Comprendre que l'agent réinjecte l'observation dans le contexte avant l'itération suivante.
• Laisser l'agent décider seul quand l'objectif est atteint, dans la limite des garde-fous.
• Comparer ReAct à d'autres approches de planification comme Chain-of-Thought et Tree-of-Thoughts.

Module 3 — Les outils et le tool calling

• Expliquer le tool calling : le modèle demande l'appel d'une fonction et en exploite le résultat.
• Détecter un appel d'outil via le signal de fin de génération (par ex. finishReason === "tool_calls").
• Décrire des outils typiques : recherche web, calcul, accès base de données, API métier.
• Présenter le protocole MCP (Model Context Protocol) qui standardise l'exposition d'outils aux IA.
• Rédiger des descriptions d'outils claires pour que l'agent choisisse le bon outil au bon moment.

Module 4 — Garde-fous et fiabilité

• Fixer une limite d'itérations (typiquement 10 à 15) pour prévenir les boucles infinies.
• Mettre en place une détection de répétition qui arrête l'agent s'il refait les mêmes actions.
• Exiger une confirmation humaine avant les actions sensibles ou irréversibles.
• Journaliser chaque action et observation pour l'auditabilité et le débogage.
• Suivre le budget de coûts et de tokens, sachant qu'une part notable des échecs vient de boucles d'appels d'outils.

Module 5 — Cas d'usage et mise en œuvre

• Identifier les cas adaptés : recherche et synthèse documentaire, assistance au code, automatisation de flux.
• Reconnaître les cas peu adaptés : questions simples appelant une réponse directe sans outil.
• Situer les frameworks courants comme LangGraph, AutoGen et CrewAI dans l'écosystème.
• Concevoir un agent en partant du cas d'usage et des outils nécessaires, non de la technologie.
• Évaluer un agent sur des critères objectifs : taux de réussite, coût, latence, robustesse.