Des agents LLM bavards aux systèmes gouvernables : un guide architectural

Ce guide aide les développeurs à comprendre les systèmes agents : il clarifie la différence entre un agent et un workflow classique, et quand utiliser un ou plusieurs agents. Il définit un agent comme la combinaison d'un modèle, d'une boucle de travail, d'outils, d'un état et de règles et contraintes. L'article retrace l'évolution de l'approche ReAct (2022), qui a introduit le cycle pensée-action-observation, à l'architecture conversationnelle popularisée par AutoGen en 2023, puis aux structures basées sur des graphes comme LangGraph en 2024. Il souligne qu'un seul agent est souvent suffisant pour de nombreuses applications, et que les configurations multi-agents ne sont bénéfiques que lorsque les rôles diffèrent réellement en termes de contexte, d'outils ou de permissions. L'article aborde également diverses stratégies (ReAct, Plan-and-Solve, ReWOO, Tree of Thoughts, RAP, LATS, Self-Refine, Reflexion, MRKL) et note que plus les étapes sont prédéterminées, moins le modèle a besoin de liberté. Il introduit le concept de « théâtre d'agents » où des appels de modèles de langage (LLM) identiques prétendent être une équipe, et souligne l'importance de séparer la logique déterministe (code) de la logique probabiliste (décisions du LLM). Enfin, il présente une pile d'agents moderne avec des couches incluant les kits de développement d'agents (SDK), les exécuteurs de graphes, la mémoire, l'isolation (sandboxing) et l'observabilité, et liste des exemples comme OpenAI Agents SDK, Google ADK, LangGraph, Mastra, et d'autres.