Articles Agentic AI
Tutoriels, guides pratiques et analyses de fond sur Agentic AI, écrits par les ingénieurs et mentors Blent.
30 articles
Agentic AIAgents Deep Research : comment fonctionne la recherche autonome
Poser une question complexe à un assistant et recevoir, quelques minutes plus tard, un rapport structuré avec des dizaines de sources : c'est la promesse des agents Deep Research. Proposés par les grands laboratoires d'IA et reproduits par la communauté open source, ces systèmes ne se contentent plus de répondre, ils mènent une véritable enquête sur le web.
12 min de lecture
Agentic AIHuman-in-the-loop : garder le contrôle sur les agents IA
Les agents IA ne se contentent plus de produire du texte : ils cliquent dans des interfaces avec le computer use, appellent des outils qui modifient des bases de données, envoient des emails ou déclenchent des paiements, et délèguent des tâches à d'autres agents via le protocole A2A. Chaque action réelle est une action potentiellement irréversible. Comment laisser un agent travailler en autonomie tout en gardant la main sur les décisions qui engagent l'entreprise ? C'est le rôle du human-in-the-loop.
13 min de lecture
Agentic AIAgents Computer Use : quand l'IA pilote navigateur et ordinateur
Combien de tâches métier restent sans API exploitable : un back-office web vieillissant, un portail fournisseur, un logiciel de bureau sans connecteur ? Jusqu'ici, ces cas relevaient du RPA ou de scripts fragiles, cassés au moindre changement de mise en page. Les agents Computer Use changent la donne : plutôt que d'appeler une interface programmatique, le modèle regarde l'écran, décide où cliquer et saisit du texte, exactement comme le ferait un utilisateur.
11 min de lecture
Agentic AIProtocole A2A : faire communiquer les agents IA entre eux
Comment faire collaborer des agents IA développés par des équipes, des frameworks et des éditeurs différents ? Tant que chaque agent reste enfermé dans son propre écosystème, la délégation d'une tâche d'un agent à un autre passe par des intégrations sur mesure, fragiles et coûteuses à maintenir. C'est le problème que le protocole Agent2Agent (A2A) cherche à résoudre.
12 min de lecture
Agentic AIGuardrails : sécuriser les agents IA
Les architectures d'agents IA ont considérablement gagné en puissance ces derniers mois. Grâce au tool calling, les agents peuvent désormais exécuter des actions concrètes : interroger des bases de données, manipuler des fichiers, appeler des APIs externes ou envoyer des communications. Cette capacité d'action, qui fait toute la valeur des systèmes agentiques, constitue également leur principal vecteur de risque. Un agent mal protégé peut être manipulé pour divulguer des informations sensibles, exécuter des actions non autorisées ou contourner les règles métier définies par ses concepteurs.
12 min de lecture
Agentic AITree of Thoughts et exploration de raisonnement
Les architectures d'agents IA ont considérablement progressé dans leur capacité à résoudre des problèmes complexes. Les patterns ReAct et Plan-and-Execute ont démontré comment un agent peut raisonner et agir de manière itérative. Pourtant, ces approches partagent une limitation fondamentale : elles suivent un chemin de raisonnement linéaire. Une fois engagé dans une direction, l'agent continue sur cette voie sans explorer les alternatives potentiellement plus prometteuses.
12 min de lecture
Agentic AIReflection et self-critique : comment les agents s'auto-corrigent
Les architectures d'agents IA ont considérablement progressé dans leur capacité à résoudre des problèmes complexes. Les patterns ReAct et Plan-and-Execute ont démontré comment un agent peut raisonner et agir de manière itérative. Pourtant, une limitation persistait : ces agents avancent sans jamais remettre en question la qualité de leur propre travail. Un agent ReAct qui produit une réponse incorrecte à l'étape 3 continuera à construire sur cette erreur jusqu'à la fin de son exécution.
11 min de lecture
Agentic AICoût des agents IA : optimiser le budget tokens
Les architectures d'agents IA ont transformé notre capacité à automatiser des tâches complexes, mais cette puissance a un prix : la consommation de tokens explose rapidement. Un agent ReAct qui enchaîne plusieurs cycles de réflexion-action, un système multi-agents où chaque worker sollicite le LLM, ou un pipeline RAG avec un contexte volumineux : tous ces scénarios multiplient les appels et les tokens consommés de manière parfois vertigineuse.
12 min de lecture
Agentic AISandboxing : exécution de code par les agents
Les agents IA ont considérablement évolué ces derniers mois, passant de simples assistants conversationnels à de véritables systèmes autonomes capables d'exécuter des actions concrètes. Grâce au tool calling, un agent peut désormais interagir avec des bases de données, manipuler des fichiers, exécuter des scripts ou appeler des APIs externes. Cette puissance d'action représente une avancée majeure, mais elle soulève un défi critique : comment tester et évaluer ces agents sans risquer de provoquer des dégâts irréversibles ?
10 min de lecture
Agentic AIAgent Skills : définitions et exemples
Les agents IA ont considérablement évolué ces derniers mois, passant de simples assistants conversationnels à de véritables systèmes autonomes capables d'exécuter des tâches complexes. Des outils comme Claude Code, GitHub Copilot ou Cursor incarnent cette nouvelle génération d'agents qui interagissent directement avec notre environnement de travail. Mais ce qui distingue un agent véritablement utile d'un simple chatbot amélioré, c'est sa capacité à maîtriser des compétences spécifiques et contextualisées : les agent skills.
13 min de lecture
Agentic AIAI Engineer : compétences, salaire et débouchés
L'essor fulgurant de l'IA générative a fait émerger un nouveau profil technique au croisement du génie logiciel et de l'intelligence artificielle : l'AI Engineer. Là où le Data Scientist se concentre traditionnellement sur l'analyse de données et l'entraînement de modèles, l'AI Engineer se spécialise dans la construction d'applications exploitant les LLM, les systèmes RAG et les architectures d'agents IA.
10 min de lecture
Agentic AITool Calling des LLM : tout savoir
Le tool calling permet à un LLM de reconnaître quand une requête utilisateur nécessite l'exécution d'une fonction externe, de déterminer quelle fonction appeler et avec quels paramètres, puis de formuler sa réponse en intégrant le résultat obtenu. Cette capacité transforme le modèle de langage d'un simple générateur de texte en un orchestrateur capable d'actions concrètes.
12 min de lecture
Agentic AICaching dans les systèmes d’agents IA : stratégies efficaces
Une stratégie de cache bien conçue peut transformer un agent lent et coûteux en une solution scalable, réactive et économiquement viable. Dans cet article, nous allons explorer les différents niveaux où le caching peut s'appliquer dans un système d'agents IA, les stratégies qui permettent d'adapter finement les performances selon les cas d'usage, et les bonnes pratiques pour implémenter un cache robuste en production.
12 min de lecture
Agentic AIAgent IA en production : architecture et bonnes pratiques
Un agent IA en production doit répondre à des exigences que le développement local ignore : gérer des centaines d'utilisateurs simultanés, maintenir une disponibilité constante, maîtriser les coûts d'appels aux LLM, et se remettre gracieusement des erreurs inévitables. Les caractéristiques intrinsèques des agents (temps d'exécution longs et imprévisibles, dépendances multiples vers des APIs externes, consommation variable de ressources) rendent ces défis particulièrement aigus.
12 min de lecture
Agentic AIRéseau d'agents IA : explications et exemples
Le réseau d'agents repose sur une architecture décentralisée où chaque agent possède une connaissance des autres membres du réseau et de leurs compétences respectives. Contrairement au superviseur qui centralise toutes les décisions de routage, ici chaque agent est responsable de déterminer s'il peut traiter la requête courante ou s'il doit la déléguer à un pair plus qualifié.
10 min de lecture
Agentic AIFiles d'attentes et agents IA : comment gérer la charge
Un agent IA n'est pas un simple endpoint d'API qui répond en quelques millisecondes. Chaque exécution implique potentiellement plusieurs appels au LLM, des interactions avec des outils externes, des temps de réflexion et des boucles itératives qui peuvent s'étendre sur plusieurs secondes, voire minutes. Face à un pic de trafic, un système mal dimensionné s'effondre rapidement : timeouts en cascade, ressources saturées, expérience utilisateur dégradée.
10 min de lecture
Agentic AIGérer l'état des agents IA
La gestion de l'état englobe l'ensemble des mécanismes permettant à un agent de persister, récupérer et exploiter les informations nécessaires à son fonctionnement. Elle détermine ce que l'agent "sait" à un instant donné, comment il accède à ses connaissances passées, et comment il maintient la cohérence de ses actions dans le temps. Dans cet article, nous allons explorer les différentes dimensions de cette problématique, des arbitrages entre mémoire court terme et long terme jusqu'aux architectures de stockage adaptées, en passant par les patterns d'event sourcing et la distinction fondamentale entre mémoire conversationnelle et mémoire de tâche.
12 min de lecture
Agentic AIRAG vs Agents : le comparatif ultime
L'émergence des applications d'intelligence artificielle en entreprise a popularisé deux approches distinctes pour exploiter la puissance des LLM : le RAG (Retrieval-Augmented Generation) et les agents IA. Si ces deux paradigmes permettent d'enrichir les capacités des modèles de langage au-delà de leurs connaissances intrinsèques, ils reposent sur des philosophies fondamentalement différentes qui conditionnent leurs cas d'usage respectifs.
10 min de lecture
Agentic AIMémoire des agents IA : stratégies, outils et bonnes pratiques
La montée en puissance de l'Agentic AI a révélé un défi fondamental : comment permettre à un agent IA de conserver le contexte de ses interactions et d'apprendre de ses expériences passées ? Un agent sans mémoire est condamné à repartir de zéro à chaque échange, incapable de se souvenir des préférences d'un utilisateur, des erreurs commises ou des connaissances acquises au fil du temps.
12 min de lecture
Agentic AIAutoGen : créer des agents conversationnels multi-rôles
L'essor de l'Agentic AI a fait émerger de nouveaux frameworks permettant de construire des systèmes d'intelligence artificielle capables de raisonner, collaborer et résoudre des problèmes complexes de manière autonome. Parmi ces outils, AutoGen se distingue par une approche singulière : plutôt que de se concentrer sur l'orchestration de workflows ou la gestion d'outils, il place la conversation entre agents au cœur de son architecture.
9 min de lecture
Agentic AIMulti-agents : comment ça marche ?
L'émergence de l'Agentic AI a transformé notre façon de concevoir les systèmes d'intelligence artificielle. Un agent IA autonome, capable de raisonner, planifier et exécuter des actions, représente déjà une avancée majeure par rapport aux LLM classiques. Cependant, face à des missions complexes nécessitant des compétences variées ou un volume de travail conséquent, un agent unique atteint rapidement ses limites.
9 min de lecture
Agentic AIÉvaluation d'agents IA : comment faire ?
L'évaluation d'un agent IA s'articule autour de plusieurs familles de métriques qui, ensemble, fournissent une vision complète de sa performance opérationnelle.
10 min de lecture
Agentic AIAgentic RAG : définitions et exemples
L'Agentic RAG introduit une rupture conceptuelle en transformant le système RAG en un agent IA autonome capable de raisonner sur sa stratégie de recherche et d'adapter son comportement en fonction des résultats obtenus. Il s'appuie sur la notion d'outils (tools) que l'agent peut invoquer pour interagir avec son environnement. Ces outils vont bien au-delà de la simple recherche vectorielle.
8 min de lecture
Agentic AILangGraph : c'est quoi ?
LangGraph repose sur un concept fondamental : représenter les applications LLM comme des graphes orientés où les nœuds correspondent à des étapes de traitement et les arêtes définissent les transitions entre ces étapes. Cette modélisation s'inspire directement de la théorie des graphes et offre une expressivité bien supérieure aux chaînes séquentielles traditionnelles.
9 min de lecture
Agentic AISuperviseur d'agents IA : explications et exemples
Un superviseur d'agents est une architecture multi-agents hiérarchique où un agent central, le superviseur, coordonne l'activité de plusieurs agents spécialisés appelés workers ou agents subordonnés. Contrairement à une architecture où un agent unique tente de tout faire, le superviseur délègue les tâches aux agents les mieux adaptés et synthétise leurs contributions pour produire un résultat final cohérent.
9 min de lecture
Agentic AIModel Context Protocol : définition et exemples
Le Model Context Protocol (MCP) est un protocole de communication open source conçu pour standardiser la façon dont les applications basées sur des LLM accèdent à des données contextuelles et interagissent avec des outils externes. Lancé par Anthropic fin 2024, il répond à un besoin croissant d'interopérabilité dans l'écosystème de l'IA générative.
12 min de lecture
Agentic AILangfuse : monitorer des LLM
Langfuse est une plateforme d'observabilité et de monitoring spécialement conçue pour les applications utilisant des LLM. Développée en open source, elle permet aux équipes de développement de suivre, analyser et améliorer leurs systèmes d'IA générative tout au long de leur cycle de vie.
9 min de lecture
Agentic AIAgent Plan-and-Execute : comment ça marche ?
L'essor de l'Agentic AI a donné naissance à différentes architectures d'agents, chacune adaptée à des contextes spécifiques. Parmi elles, l'agent Plan-and-Execute se distingue par son approche méthodique : plutôt que de raisonner pas à pas de manière réactive, il commence par élaborer un plan complet avant de l'exécuter étape par étape.
7 min de lecture
Agentic AIAgent ReAct : définitions et exemples
Les agents IA représentent aujourd'hui une avancée majeure dans le domaine de l'intelligence artificielle. Parmi les différentes architectures disponibles, l'agent ReAct (Reasoning and Acting) s'est imposé comme une approche particulièrement efficace pour résoudre des tâches complexes nécessitant à la fois réflexion et action.
11 min de lecture
Agentic AIAgentic AI : tout savoir
L'intelligence artificielle ne cesse d'évoluer, et parmi les avancées les plus marquantes de ces dernières années, l'Agentic AI occupe une place de choix. Cette nouvelle approche représente un véritable changement de paradigme dans la façon dont nous concevons et utilisons les systèmes d'IA, en leur conférant une capacité d'action et d'autonomie jusqu'alors inégalée.
10 min de lecture