Agents IA spécialisés et orchestration

Section 14.6.2 : Agents IA spécialisés et orchestration

🎯 Objectif pédagogique

Comprendre l'architecture multi-agents (orchestration, spécialisation, communication inter-agents) et concevoir un système d'agents collaboratifs pour le RevOps.

Du chatbot unique au système multi-agents

Un seul agent IA généraliste atteint vite ses limites. Les systèmes multi-agents utilisent des agents spécialisés qui collaborent, comme une équipe humaine.

Patterns d'orchestration

## Pattern 1 : Router (le plus simple)

L orchestrateur analyse la question et la route vers le bon agent.
Chaque agent travaille indépendamment.

Exemple :
User : "Combien de MQLs ce mois ?"
→ Router → Agent Analytics → "247 MQLs ce mois, +12% vs M-1"

## Pattern 2 : Pipeline (séquentiel)

Les agents s enchaînent, chacun enrichissant le résultat.

Exemple :
User : "Prépare-moi pour le call avec Acme Corp"
→ Agent Enrichissement (données Acme) →
→ Agent CRM (historique du deal) →
→ Agent Contenu (talking points + battlecard) →
→ Résultat : briefing complet

## Pattern 3 : Parallèle + Merge

Plusieurs agents travaillent en parallèle, résultats fusionnés.

Exemple :
User : "Rapport hebdomadaire RevOps"
→ Parallèle : Agent Pipeline | Agent Marketing | Agent CS
→ Merger : consolide en un rapport unifié

## Pattern 4 : Consensus

Plusieurs agents analysent la même question, leurs réponses sont comparées.

Exemple :
User : "Ce deal va-t-il closer ?"
→ Agent Historique (patterns passés) : 65%
→ Agent Activité (engagement récent) : 45%
→ Agent Sentiment (analyse emails) : 55%
→ Consensus pondéré : 53% (alerte : divergence entre activité et historique)

Implémentation avec LangGraph

# Orchestration multi-agents avec LangGraph

from langgraph.graph import StateGraph, END

# Définir l état partagé
class RevOpsState:
    query: str
    lead_data: dict = None
    enrichment: dict = None
    recommendation: str = None

# Agent de qualification
def qualification_agent(state):
    # Analyse le lead dans le CRM
    lead = crm.search(state.query)
    score = calculate_lead_score(lead)
    state.lead_data = {"lead": lead, "score": score}
    return state

# Agent d enrichissement
def enrichment_agent(state):
    # Enrichit avec données externes
    company = state.lead_data["lead"]["company"]
    enrichment = enrichment_api.get(company)
    state.enrichment = enrichment
    return state

# Agent de recommandation
def recommendation_agent(state):
    # Génère une recommandation basée sur toutes les données
    context = {**state.lead_data, **state.enrichment}
    state.recommendation = llm.generate_recommendation(context)
    return state

# Construire le graphe
workflow = StateGraph(RevOpsState)
workflow.add_node("qualify", qualification_agent)
workflow.add_node("enrich", enrichment_agent)
workflow.add_node("recommend", recommendation_agent)

workflow.add_edge("qualify", "enrich")
workflow.add_edge("enrich", "recommend")
workflow.add_edge("recommend", END)

workflow.set_entry_point("qualify")
app = workflow.compile()