Agents IA — Concepts et architecture

Section 11.4.13 : Agents IA — Concepts et architecture

🎯 Objectif pédagogique

Comprendre ce qu'est un agent IA, en quoi il diffère d'un chatbot, et les patterns d'architecture fondamentaux. Vous serez capable de concevoir un agent IA avec boucle de raisonnement et capacité d'action.

Du chatbot à l'agent — Le saut quantique

Le chatbot de Marc répond aux questions. Un agent IA agit : il raisonne, planifie, utilise des outils (APIs, bases de données, code), et itère jusqu'à atteindre son objectif. C'est la différence entre un interlocuteur et un collaborateur.

Chatbot vs Agent — Comparaison

Le pattern ReAct : Reason + Act

Pattern ReAct (Reason and Act) :

1. THOUGHT (réflexion) : "Je dois trouver les offres Data Analyst à Paris"
2. ACTION : search_jobs(query="Data Analyst", location="Paris")
3. OBSERVATION : [liste de 23 offres]
4. THOUGHT : "J'ai 23 offres, je dois les analyser par rapport au profil de Marc"
5. ACTION : analyze_offer(offer=offres[0], profile=marc)
6. OBSERVATION : \{match_score: 4, skills_gap: ["Tableau"]\}
7. THOUGHT : "Bonne offre mais il manque Tableau. Je continue avec les autres."
8. ACTION : analyze_offer(offer=offres[1], profile=marc)
...
N. THOUGHT : "J'ai analysé les 23 offres. Les 5 meilleures sont..."
N+1. FINAL ANSWER : [top 5 offres avec analyses]

Implémentation basique d'un agent

import json
from openai import OpenAI

client = OpenAI()

# Définir les outils disponibles
TOOLS = \{
    "search_jobs": \{
        "description": "Recherche des offres d'emploi",
        "params": ["query", "location", "max_results"]
    \},
    "analyze_offer": \{
        "description": "Analyse une offre par rapport à un profil",
        "params": ["offer_text", "profile"]
    \},
    "get_market_data": \{
        "description": "Obtient des données sur le marché de l'emploi",
        "params": ["role", "location"]
    \}
\}

def run_agent(objective, max_iterations=5):
    """Agent simple avec boucle ReAct."""
    
    tools_desc = "\n".join([f"- \{name\}: \{info['description']\} (params: \{info['params']\})" 
                            for name, info in TOOLS.items()])
    
    system = f"""Tu es un agent de recherche d'emploi.

## Outils disponibles :
\{tools_desc\}

## Format de réponse :
À chaque étape, réponds en JSON :
\{\{
    "thought": "ta réflexion",
    "action": "nom_de_loutil" ou "FINAL_ANSWER",
    "action_input": \{\{...params...\}\} ou "réponse finale"
\}\}

## Règles :
- Réfléchis AVANT d'agir
- Utilise un outil par étape
- Quand tu as assez d'infos, utilise FINAL_ANSWER"""

    messages = [
        \{"role": "system", "content": system\},
        \{"role": "user", "content": f"Objectif : \{objective\}"\}
    ]
    
    for i in range(max_iterations):
        response = client.chat.completions.create(
            model="gpt-4o",
            messages=messages,
            response_format=\{"type": "json_object"\},
            temperature=0.2
        )
        
        result = json.loads(response.choices[0].message.content)
        
        print(f"\n--- Étape \{i+1\} ---")
        print(f"Thought: \{result['thought']\}")
        
        if result["action"] == "FINAL_ANSWER":
            print(f"\n🎯 Résultat final : \{result['action_input']\}")
            return result["action_input"]
        
        print(f"Action: \{result['action']\}(\{result['action_input']\})")
        
        # Exécuter l'outil (mock pour l'exemple)
        observation = execute_tool(result["action"], result["action_input"])
        print(f"Observation: \{observation[:200]\}...")
        
        # Ajouter au contexte
        messages.append(\{"role": "assistant", "content": json.dumps(result)\})
        messages.append(\{"role": "user", "content": f"Observation: \{observation\}"\})
    
    return "Limite d'itérations atteinte."

def execute_tool(tool_name, params):
    """Exécuter un outil (mock)."""
    if tool_name == "search_jobs":
        return json.dumps([
            \{"title": "Data Analyst", "company": "TechCorp", "salary": "45-55k€"\},
            \{"title": "Junior Data Analyst", "company": "FinStart", "salary": "40-48k€"\}
        ])
    elif tool_name == "analyze_offer":
        return json.dumps(\{"match_score": 4, "skills_match": ["Python", "SQL"], "gaps": ["Tableau"]\})
    elif tool_name == "get_market_data":
        return json.dumps(\{"avg_salary": "48k€", "demand": "forte", "growth": "+15%/an"\})
    return "Outil non trouvé"

# Utilisation
run_agent("Trouve les 3 meilleures offres Data Analyst à Paris pour un profil finance + Python")

Frameworks d'agents populaires

Frameworks à connaître :

1. LangChain — Le plus populaire, très complet
   + Écosystème riche, many integrations
   - Lourd, abstraction complexe

2. LlamaIndex — Spécialisé RAG et data agents
   + Excellent pour les documents
   - Moins générique que LangChain

3. CrewAI — Multi-agents collaboratifs
   + Simple, agents spécialisés travaillent ensemble
   - Nouveau, moins mature

4. AutoGen (Microsoft) — Agents conversationnels
   + Agents qui discutent entre eux
   - Complexe à configurer

5. Custom (ce qu'on fait ici) — Code from scratch
   + Contrôle total, pas de dépendance
   - Plus de code à écrire

→ Recommandation débutant : commencez custom pour comprendre, 
  puis migrez vers LangChain/CrewAI pour la production.

🏋️ Exercice pratique (25 minutes)

1. →Implémentez l'agent ReAct simplifié ci-dessus
2. →Testez avec l'objectif : "Trouve les meilleures offres Data Analyst à Paris"
3. →Observez la trace (thought → action → observation)
4. →Modifiez le nombre max d'itérations et observez l'effet