Construire un mini-agent avec des outils

Section 10.7.4 : Construire un mini-agent avec des outils

🎯 Objectif pédagogique

Conceptualiser et prototyper un mini-agent IA en combinant ChatGPT, Make, et des outils externes — sans coder — pour automatiser une tâche complexe nécessitant raisonnement et actions. Vous réaliserez un projet guidé de A à Z : un agent de veille concurrentielle qui surveille, analyse et distribue des rapports automatiquement.

L'agent no-code : Make comme orchestrateur

Vous n'avez pas besoin de Python ou LangChain pour créer un agent fonctionnel. Make peut servir d'orchestrateur d'agent : le LLM "décide" (via le prompt), les modules Make "exécutent", et le flux Make crée la "boucle" entre réflexion et action.

Pourquoi un agent no-code ?

• →Prototypage rapide : 2h vs. 2 jours en code
• →Visuel : vous voyez le flux d'exécution, pas du code abstrait
• →Modifiable par des non-développeurs
• →Suffisant pour 90% des cas d'usage business

Ce qu'un agent no-code peut faire :

• →Recevoir une demande (Slack, email, formulaire)
• →Planifier les actions nécessaires (via le prompt ChatGPT)
• →Exécuter les actions (recherche, API, envoi d'email, mise à jour de données)
• →Synthétiser les résultats (via le prompt ChatGPT)
• →Distribuer le résultat (email, Slack, notification)

Ce qu'un agent no-code ne peut PAS faire (encore) :

• →Véritable boucle itérative (l'agent ne peut pas décider de revenir en arrière dynamiquement)
• →Choix dynamique d'outils (le flux est pré-défini, même si le LLM "choisit" le contenu)
• →Auto-correction en cas d'erreur (il faut prévoir les cas d'erreur dans le flux)

Le projet : Agent de veille concurrentielle automatisé

Nous allons concevoir un agent qui :

1. →Reçoit une question sur un concurrent (via Slack)
2. →Planifie les recherches nécessaires (via ChatGPT)
3. →Recherche les informations sur plusieurs sources (Perplexity API + web)
4. →Analyse et synthétise en un rapport structuré (via ChatGPT)
5. →Distribue le rapport à l'équipe (email + Slack)

Valeur business : un tel agent permet à une équipe stratégique de demander "Que fait [concurrent] en ce moment ?" et de recevoir un rapport de veille complet en 5 minutes, au lieu d'attendre qu'un analyste fasse la recherche manuellement en 2-3 heures.

Architecture de l'agent

Implémentation étape par étape dans Make

Étape 1 : Configurer le trigger Slack

1. →Module : Slack > Watch Messages (ou Instant Message si disponible)
2. →Filtre : messages contenant @agent-veille ou commençant par /veille
3. →Channel : créez un canal dédié #veille-concurrentielle
4. →Extraction : le message de l'utilisateur est stocké dans {{slack.text}}

Exemple de message : @agent-veille Que fait Salesforce en matière d'agents IA ? Focus sur Agentforce.

Étape 2 : ChatGPT — Planification intelligente

Ce premier appel à ChatGPT sert de "cerveau" de planification. Le prompt doit être très structuré pour que le JSON soit exploitable :

Tu es un agent de veille concurrentielle expert. 
L'utilisateur demande : "{{slack.text}}"

Analyse cette demande de veille et retourne un JSON structuré :
{
  "concurrent": "[nom de l'entreprise/produit ciblé]",
  "sujet_focus": "[le sujet spécifique à investiguer]",
  "requetes_recherche": [
    "[requête 1 — actualités récentes]",
    "[requête 2 — analyse stratégique]",
    "[requête 3 — comparaison avec notre secteur]"
  ],
  "sources_prioritaires": "[news, blog officiel, rapports analystes, brevets, réseaux sociaux]",
  "donnees_internes_necessaires": true/false,
  "type_rapport": "flash | standard | approfondi",
  "urgence": "haute | normale | basse"
}

Critères pour les requêtes de recherche :
- Formule-les en anglais (meilleurs résultats web)
- Inclus la date ou "2025-2026" pour des résultats récents
- Chaque requête doit couvrir un angle différent

Étape 3 : Parser le JSON

1. →Module : JSON > Parse JSON → stocke le résultat dans des variables exploitables
2. →Maintenant vous avez accès à {{json.concurrent}}, {{json.requetes_recherche}}, etc.

Étape 4 : Recherche multi-source

Option A — Iterator + Perplexity API :

1. →Module : Iterator → itère sur {{json.requetes_recherche}} (les 3 requêtes)
2. →Pour chaque requête, module : HTTP > Make a Request
   • →URL : https://api.perplexity.ai/chat/completions
   • →Method : POST
   • →Body : {"model": "sonar-pro", "messages": [{"role": "user", "content": "{{iterator.value}}"}]}
   • →Headers : Authorization: Bearer YOUR_API_KEY
3. →Module : Aggregator → compile les 3 résultats en un seul texte

Option B — Sans Perplexity API (alternative gratuite) :

1. →Module : HTTP > Make a Request vers Google Custom Search API ou SerpAPI
2. →Ou : Module Google Sheets > Search Rows pour les données internes historiques

Étape 5 : ChatGPT — Synthèse et rapport

Le second appel à ChatGPT est le "cœur analytique" — il transforme les données brutes en intelligence :

Tu es un analyste en intelligence concurrentielle. Tu rédiges des rapports de veille
pour le comité de direction.

Concurrent analysé : {{json.concurrent}}
Sujet focus : {{json.sujet_focus}}

Résultats de recherche :
{{aggregator.result}}

Rédige un rapport de veille {{json.type_rapport}} :

## 📋 Executive Summary (3 lignes max)
[Résumé percutant pour un décideur pressé]

## 📰 Actualités récentes (7 derniers jours)
[Bullet points datés, avec source entre parenthèses]

## 🎯 Mouvements stratégiques identifiés
[Analyse des actions du concurrent : nouveaux produits, partenariats, recrutements, levées de fonds]

## ⚠️ Risques et implications pour nous
[En quoi ces mouvements impactent notre positionnement ? Quels risques ?]

## 🎬 Actions recommandées
[3 actions concrètes pour notre équipe, priorisées par urgence]

## 📊 Score de menace : [1-10]
[Note avec justification]

Ton : analytique, factuel, orienté décision. Pas de formules vagues.
Cite la source pour CHAQUE information factuelle.
Si une info n'est pas confirmée par les sources, signale-la comme "non vérifié".

Étape 6 : Distribution du rapport

Branche 1 — Email (rapport complet) :

1. →Module : Gmail > Send an Email
2. →To : equipe-strategie@entreprise.com (ou une liste depuis Google Sheets)
3. →Subject : 🔍 Veille {{json.concurrent}} — {{json.sujet_focus}} ({{json.urgence}})
4. →Body : le rapport complet généré par ChatGPT

Branche 2 — Slack (résumé) :

1. →Module : Slack > Post a message
2. →Channel : #veille-concurrentielle
3. →Message : uniquement l'Executive Summary + le Score de menace + lien vers l'email complet

Étape 7 : Archivage et tracking

1. →Module : Google Sheets > Add a Row
2. →Spreadsheet : "Historique Veille Concurrentielle"
3. →Colonnes : Date, Concurrent, Sujet, Score menace, Résumé, Demandeur

Ce tracking permet de :

• →Voir l'évolution d'un concurrent dans le temps
• →Identifier les sujets de veille récurrents
• →Mesurer le ROI de l'agent (nombre de requêtes traitées, temps gagné)

Test et vérification

Avant de déployer, testez avec 3 scénarios :

Test 1 (demande simple) : @agent-veille Quelles sont les nouveautés de Notion cette semaine ? → Attendu : rapport flash, 1-2 actualités, score menace faible

Test 2 (demande complexe) : @agent-veille Analyse la stratégie IA de Microsoft pour 2026. Focus sur Copilot et les agents. Rapport approfondi. → Attendu : rapport approfondi, multiples sources, analyse stratégique

Test 3 (demande ambiguë) : @agent-veille C'est quoi l'actu de Google ? → Attendu : le module de planification devrait identifier "Google" et formuler des requêtes pertinentes malgré la demande vague

Checklist de validation :

• → Le JSON de planification est valide (pas d'erreur de parsing)
• → Les 3 requêtes de recherche sont pertinentes et diversifiées
• → Le rapport est structuré selon le template demandé
• → Les sources sont citées
• → L'email part correctement avec un formatage lisible
• → Le message Slack est concis (résumé, pas rapport complet)
• → Le Google Sheet est mis à jour

Limites et évolutions

Ce que cet agent fait bien :

• →Traite une demande de veille en 5 minutes (vs. 2-3 heures manuellement)
• →Résultat structuré et actionnable à chaque fois
• →Historique consultable dans Google Sheets
• →Déclenchable par n'importe qui dans l'équipe via Slack

Ses limites :

• →Le raisonnement est "one-shot" : il suit le flux linéairement (pas de vraie boucle itérative)
• →Il ne peut pas décider dynamiquement d'ajouter une source si les résultats sont insuffisants
• →Les erreurs API (Perplexity down, rate limit) nécessitent une gestion d'erreur (module Error handler dans Make)
• →La qualité dépend fortement de la qualité du prompt de synthèse

Pour aller plus loin (avec du code) :