Anatomie d'un agent IA

Un chatbot répond. Un agent agit : il reçoit un objectif, décide lui-même des étapes, utilise des outils et s’arrête quand le travail est fait. Voici les briques qui le composent.

Les briques

• Le cerveau (LLM) : il raisonne sur la situation et décide de la prochaine action. C’est le seul composant « intelligent ».
• La planification : face à une tâche complexe, l’agent la découpe en sous-étapes. Elle peut être implicite (le LLM réfléchit pas à pas) ou explicite (un plan écrit, mis à jour au fil de l’eau).
• Les outils : tout ce qui permet d’agir sur le monde. Appels d’API, recherche web, exécution de code, requêtes SQL, et de plus en plus des serveurs MCP.
• La mémoire : la mémoire court terme est l’historique de la tâche en cours (dans la fenêtre de contexte). La mémoire long terme est stockée à l’extérieur (base vectorielle, fichiers) et rappelée au besoin.

La boucle ReAct

Le cœur d’un agent est une boucle simple :

1. Penser : le LLM analyse l’objectif et ce qu’il sait déjà.
2. Agir : il appelle un outil avec des arguments précis.
3. Observer : le résultat de l’outil est réinjecté dans le contexte.

Et on recommence, jusqu’à ce que le LLM estime avoir terminé. Il produit alors la réponse finale.

Agent ou workflow ?

Un agent est puissant mais imprévisible : plus de liberté, c’est plus de coûts, plus de latence et plus de risques. Avant d’en construire un, posez-vous la question :

• Les étapes sont connues à l’avance ? Un workflow déterministe (chaîne d’appels LLM codée en dur) sera plus fiable et moins cher.
• Les étapes dépendent de ce qu’on découvre en chemin ? Là, un agent prend tout son sens.

En production, on combine souvent les deux. Des frameworks comme LangGraph ou Google ADK permettent de cadrer l’agent dans un graphe, avec des points de validation humaine.

À retenir : un agent, c’est un LLM dans une boucle, avec des outils. Toute la difficulté est de bien choisir les outils, de limiter les droits et de savoir quand arrêter la boucle.