Présentation du concept
Un agent IA est un modèle capable d’utiliser des outils et de choisir son action suivante. Un système multi‑agents regroupe plusieurs de ces modèles, chacun dédié à une tâche restreinte, et fait circuler les résultats entre eux. L’exemple du dîner‑recommender montre un agent unique équipé de trois outils (localisation, météo, recherche de restaurants) qui répond en moins de cinq étapes. Le texte indique que multiplier les agents aurait augmenté le temps d’exécution et le coût sans bénéfice, illustrant le critère de coût vs. structure.
Patterns d’orchestration
Trois schémas récurrents sont détaillés. Le pipeline enchaîne les agents comme une chaîne de montage : chaque étape possède une entrée et une sortie clairement définies. Le texte précise que ce pattern est « rigide » et que des retours en arrière obligent à passer à un autre modèle. L’orchestrateur agit comme chef d’orchestre : un agent principal analyse la requête, délègue à des assistants et agrège leurs réponses. Cette architecture sous‑tend les fonctions « deep research » de Claude et ChatGPT. Enfin, le blackboard repose sur un tableau partagé où chaque agent lit, écrit et intervient quand il possède une information pertinente, typique du débogage où les étapes dépendent des découvertes précédentes.
Analyse des échecs observés
Le projet Stormwise, assistant météo basé sur Claude, fournit des mesures concrètes. Sur 117 cas réels issus du National Weather Service, le système à deux étapes a révélé quatre points de rupture. Premièrement, les fausses alertes de test ont été traitées comme réelles, montrant que l’agent B ne peut distinguer une donnée factuelle d’une hypothèse. Deuxièmement, l’accès aux alertes officielles a éliminé les erreurs de classification : sans alertes, le modèle a indiqué « calme » dans 26 sur 69 cas (38 %); avec une instruction d’incertitude, le taux est monté à 31 sur 69 (45 %); avec les alertes réelles, le taux d’erreur est tombé à zéro. Troisièmement, le budget de tokens prévu pour les questions courantes a échoué sur les scénarios complexes, entraînant des réponses incomplètes. Enfin, le vérificateur automatique a manqué 53 sur 57 vrais cas et a inversé le diagnostic, obligeant à un contrôle manuel de 342 réponses. Ces chiffres soulignent que la validation à chaque transfert et la robustesse du composant de contrôle sont essentielles.
Recommandations de garde‑fous
Le texte propose cinq mesures simples à implémenter hors du flux d’agents : (1) valider chaque hand‑off (format, fraîcheur, cohérence) ; (2) limiter le nombre de sauts entre agents et interrompre en cas de boucle ; (3) centraliser le budget de tokens et définir une réponse de secours ; (4) journaliser chaque message pour permettre une relecture pas à pas ; (5) tester avec un jeu de cas réels et vérifier manuellement les scores automatiques. En appliquant ces garde‑fous, on réduit les risques de boucles infinies, de dépassements de coût et de propagation d’erreurs factuelles dans les architectures multi‑agents.
