L’essentiel
Le modèle : le moteur de calcul
Le modèle contient des paramètres appris. À l’inférence, il reçoit des tokens et calcule une sortie. Il ne fournit pas nécessairement :
- une interface de dialogue ;
- un historique persistant ;
- une recherche sur le Web ;
- un accès au calendrier ou aux fichiers ;
- des permissions pour agir ;
- une règle qui décide quand s’arrêter.
Ces fonctions appartiennent généralement à l’application qui l’entoure.
Le chatbot : une application conversationnelle
Un chatbot prépare les messages, ajoute parfois des instructions système, sélectionne un modèle, envoie la requête et affiche la réponse. Il peut aussi modérer, journaliser, limiter la longueur ou récupérer une ancienne conversation.
Le même modèle peut donc produire des comportements différents dans deux chatbots, parce que leurs instructions, outils et politiques diffèrent.
Les outils : observer ou agir hors du modèle
Un outil est une fonction externe : calculer, rechercher, lire une base, envoyer un message ou modifier un fichier. L’application décrit l’outil, transmet les arguments choisis et rapporte le résultat au modèle.
Un outil n’est pas une garantie d’exactitude. Il peut recevoir de mauvais arguments, manquer une donnée, échouer ou agir avec des permissions trop larges.
L’agent : une boucle orchestrée
Dans cette leçon, une boucle agentique enchaîne :
- recevoir un objectif et l’état courant ;
- proposer une action ou une réponse ;
- valider puis exécuter un outil autorisé ;
- ajouter l’observation au contexte ;
- choisir l’étape suivante ou s’arrêter.
L’orchestrateur gère cette boucle. Il impose les limites, permissions, délais et confirmations. L’autonomie n’est donc jamais seulement une propriété du texte généré.
Laboratoire : assembler les couches
La grille suivante applique une convention pédagogique : une boucle outillée est nécessaire pour afficher la catégorie « architecture agentique ».
Assembler les couches
Compositeur de système
Le modèle de langage reste toujours présent. Ajoutez les couches d’application pour voir comment change la description du système.
Description de la maquette
Modèle de langage seul
Le composant central transforme une entrée en sortie, sans interface conversationnelle ni orchestration ajoutée dans cette maquette.
Pour illustrer un agent dans cette grille, il manque :- une application qui orchestre les échanges
- des outils capables d’agir ou de consulter un système
- une boucle qui observe un résultat puis choisit la suite
Limites de cette classification
- Il n’existe pas une définition technique unique et universelle du mot « agent ».
- Le laboratoire classe une architecture préparée ; il n’exécute ni modèle ni outil.
- La présence d’une boucle ne garantit ni autonomie sûre, ni exactitude, ni permission d’agir.
Mémoire et permissions
Une mémoire externe conserve des informations en dehors des paramètres du modèle. L’application décide quoi stocker, combien de temps, pour qui et comment le récupérer.
Plus le système peut agir, plus ses permissions doivent être minimales. Lire un calendrier, créer un rendez-vous et annuler tous les rendez-vous sont trois capacités distinctes. Une action importante ou irréversible doit souvent exiger une confirmation humaine.
Auditer toute la chaîne
Pour évaluer un système, documentez :
- le modèle et sa version ;
- les instructions et les données injectées ;
- les outils, leurs schémas et leurs erreurs ;
- la mémoire et sa durée de conservation ;
- la boucle, ses limites et ses critères d’arrêt ;
- les permissions et les confirmations ;
- les traces disponibles après une action.
Présentation
Vérifiez votre compréhension
Sans piège, avec explications
Quiz de compréhension
Le quiz ne bloque rien. Une erreur sert à préciser le modèle mental.
Trois idées à retenir
Sources principales
Sources vérifiées le 27 juillet 2026.
- Language Models are Few-Shot Learners — Tom B. Brown et al. (2020) (ouvre un nouvel onglet)Présente un grand modèle de langage autorégressif et son utilisation par instructions et exemples dans le contexte.
- MRKL Systems — Ehud Karpas et al. (2022) (ouvre un nouvel onglet)Décrit une architecture modulaire combinant modèle de langage, connaissances externes et modules de raisonnement.
- ReAct: Synergizing Reasoning and Acting in Language Models — Shunyu Yao et al. (2023) (ouvre un nouvel onglet)Étudie l’alternance entre traces de raisonnement et actions dans des environnements externes.
- Toolformer: Language Models Can Teach Themselves to Use Tools — Timo Schick et al. (2023) (ouvre un nouvel onglet)Entraîne un modèle à décider quand appeler différentes API et comment intégrer leurs résultats.
- Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks — Patrick Lewis et al. (2020) (ouvre un nouvel onglet)Illustre une architecture où une récupération externe complète le modèle génératif.
Votre progression locale
Statut: Non commencée
La progression reste sur cet appareil.