IA agentique : la pile technologique de l'ingénieur agent

L'auteur, un utilisateur de Habr, remarque que de nombreux candidats à des postes d'ingénieur Python spécialisé en agents peinent avec les concepts et outils courants du domaine. Pour les aider, il propose un aperçu pratique. Il définit un agent comme une entité dotée d'un prompt, d'un LLM et d'outils, mais surtout d'une boucle et d'un retour d'information : le modèle décide de chaque étape suivante, agit et observe les résultats, contrairement à une chaîne prédéfinie. Il note que si les chaînes ont un parcours fixe, les agents disposent d'un ensemble de capacités et d'un objectif, le parcours émergeant de manière dynamique. La boucle implique des déclarations d'outils via un schéma d'API (JSON Schema), le modèle demandant des appels d'outils, et l'exécution de ces derniers par le runtime, qui retourne les résultats dans le contexte. Les conditions d'arrêt, telles que la décision du modèle que la tâche est terminée ou des limites d'itération, sont importantes. PydanticAI est mis en avant comme un framework type-safe pour construire des agents, utilisant des modèles Pydantic pour la validation des sorties, des outils avec annotations de type et docstrings, l'injection de dépendances via RunContext, et des validateurs de sortie. LangGraph est présenté comme une approche basée sur des graphes pour des workflows avec état, permettant l'approbation humaine et des points de contrôle. smolagents de Hugging Face utilise des agents de code qui écrivent du code Python pour l'exécution. CrewAI propose une approche basée sur des rôles, avec des agents ayant des rôles, des objectifs et des biographies, orchestrés dans une équipe. L'article mentionne également MCP (Model Context Protocol), un standard ouvert d'Anthropic pour connecter des outils, décrit comme un USB-C pour l'IA, permettant l'interopérabilité. Le matériel vise à aider les lecteurs à réussir les entretiens, tout en reconnaissant que le domaine évolue rapidement.