Apprendre

Patrons d’agents d’IA : outils, état et contrôle

Les patrons d’agents organisent décisions, outils et état. Ils permettent de progresser et de récupérer sans perdre le périmètre de la tâche. Cette page explique l’architecture du parcours ; le catalogue d’agents permet de découvrir capacités et solutions.

Séparez planification, action et vérification

Le plan propose des étapes ; l’exécuteur vérifie arguments et permissions ; l’observation enregistre les événements. Distinguer ces fonctions permet de changer un outil sans réécrire le parcours entier. Gardez l’état nécessaire à la reprise et fixez son expiration. La mémoire doit servir la tâche, pas accumuler des données sans but précis.

Un cas concret

Un agent préparant un rapport peut chercher des documents, extraire des chiffres et rédiger un brouillon. Avant partage, il doit vérifier destinataires, sources et permissions. Si une recherche échoue, il peut noter le manque et poursuivre les parties indépendantes ; il ne doit pas inventer de preuve pour finir le plan.

Points à vérifier

Testez outils en erreur, réponses contradictoires et résultats d’opération incertains. Limitez essais, coût et actions externes. Évaluez livrables et traces : une chaîne d’appels réussis ne prouve pas que l’objectif final est atteint.

Modèles d'agent

Plus d’autonomie nécessite de meilleures limites et observabilité.

PLAN

Planifier et exécuter

Sépare l'intention, la sélection des outils et la vérification.

Contrôle MÉMOIRE

Statut de la tâche

Conservez uniquement les informations nécessaires et définissez leur expiration.

Contexte RÉVISION

Les humains dans le circuit

Arrêtez les actions sensibles avant de produire des effets externes.

Surveillance
ANALYSE

Analyses connexes

Mémoire persistante pour les agents : que conserver, combien de temps et comment corriger les erreurs
GUIA

Mémoire persistante pour les agents : que conserver, combien de temps et comment corriger les erreurs

Un guide de conception pour définir les entrées de mémoire, les règles de cycle de vie et les tests de vérification des agents d’IA, en distinguant la mémoire persistante de l’historique et de l’état temporaire.

16 oct. 2026
L’agent a-t-il vraiment terminé ? Vérifier le résultat sans se fier à sa réponse finale
GUIA

L’agent a-t-il vraiment terminé ? Vérifier le résultat sans se fier à sa réponse finale

Une action émise, une réponse de l’outil et une tâche terminée sont trois choses différentes. Apprenez à définir un résultat observable, à choisir les preuves appropriées et à communiquer avec précision ce qui a été vérifié.

16 oct. 2026
Flux déterministe, agent unique ou système multi-agents : comment choisir le bon modèle pour une tâche
GUIA

Flux déterministe, agent unique ou système multi-agents : comment choisir le bon modèle pour une tâche

Un guide pour comparer trois façons d’automatiser des tâches en plusieurs étapes selon leur variabilité, le niveau de contrôle, la vérifiabilité et le coût de coordination. Il propose un exemple commun et des questions pour justifier un choix, y compris lorsque la meilleure option consiste à ne pas utiliser d’agent.

14 oct. 2026
Autorisations des agents d’IA : limiter outils, données et actions au strict nécessaire
GUIA

Autorisations des agents d’IA : limiter outils, données et actions au strict nécessaire

Un guide pratique pour concevoir et tester les autorisations d’un agent en fonction de la tâche, de l’utilisateur, de la ressource et de la durée. Avec une matrice d’actions, des critères d’approbation humaine et des vérifications de révocation.

27 sept. 2026
Récupération après incident pour les agents d’IA : reprendre, compenser ou s’arrêter
GUIA

Récupération après incident pour les agents d’IA : reprendre, compenser ou s’arrêter

Un protocole pratique pour reprendre des tâches ayant des effets externes sans confondre un appel en échec avec une action qui n’a jamais eu lieu.

24 sept. 2026
Mémoire des agents d’IA : séparer le contexte, les préférences et les faits persistants, et décider de leur expiration
GUIA

Mémoire des agents d’IA : séparer le contexte, les préférences et les faits persistants, et décider de leur expiration

Une mémoire utile n’est pas une archive illimitée de conversations. C’est un ensemble de données gouverné, avec un propriétaire, une finalité, une provenance, un niveau de confiance, un périmètre d’utilisation et des règles de révision, de correction et de suppression.

22 sept. 2026
Humains dans la boucle pour les agents d’IA : concevoir des approbations qui réduisent les risques sans bloquer le travail
GUIA

Humains dans la boucle pour les agents d’IA : concevoir des approbations qui réduisent les risques sans bloquer le travail

Une politique d’approbation utile ne consiste pas simplement à ajouter un bouton « approuver ». Elle doit préciser quelles actions sont suspendues, quels éléments de preuve le réviseur reçoit, qui peut décider et ce qui se passe en l’absence de réponse. Ce guide propose une méthode opérationnelle pour transformer un flux d’agent en contrôles vérifiables et proportionnés au risque.

22 sept. 2026
Agents avec outils : concevoir les autorisations, la mémoire et la reprise après échec sans perdre le contrôle
GUIA

Agents avec outils : concevoir les autorisations, la mémoire et la reprise après échec sans perdre le contrôle

Un guide pour décider du degré d’autonomie à accorder à un agent qui consulte des systèmes ou exécute des actions. Il explique comment délimiter les outils, les autorisations, la mémoire, les validations humaines, la reprise et l’audit avant le passage en production.

19 sept. 2026

Poursuivre l’exploration

Guides pratiques API et développement Recherche expliquée
SourcesNIST AI RMFwww.nist.gov