L'évolution de l'architecture d'entreprise : mise à l'échelle de l'IA grâce au Protocole de Contexte de Modèle et Agent2Agent.
,allowExpansion)
Article
Agents IA de longue durée : ingénierie de systèmes multi-agents pour un fonctionnement autonome prolongé
Un guide pour concevoir des systèmes multi-agents capables de préserver leur fiabilité lors d’opérations autonomes prolongées, grâce à une gestion maîtrisée de la mémoire, à des stratégies d’oubli, à une orchestration rigoureuse des workflows et à l’optimisation de la consommation de tokens.
Des configurations à modèle unique aux environnements orchestrés
Depuis 2023, les architectures de systèmes d’IA ont considérablement évolué. D’abord fondées sur des configurations simples reposant sur un modèle unique, elles ont progressivement laissé place à des environnements orchestrés complexes, capables de prendre en charge des opérations autonomes sur de longues périodes.
Les premiers déploiements d’IA reposaient principalement sur un seul grand modèle de langage, chargé d’assurer l’ensemble des tâches au sein d’une conversation. Cette approche a progressivement évolué vers des systèmes multi-agents, dans lesquels un agent planificateur répartit les tâches entre plusieurs agents, chacun disposant de compétences et d’outils spécialisés.
L’évolution la plus récente concerne les systèmes multi-agents à exécution prolongée. Dans ces architectures, un agent planificateur distribue de manière itérative les tâches entre plusieurs agents sur de longues périodes, faisant émerger de nouveaux enjeux en matière de mémoire, de coûts et de fiabilité.
Le fonctionnement d’agents sur de longues durées soulève ainsi des problématiques d’ingénierie spécifiques, qui ne se posent pas dans le cadre d’interactions courtes. Elles concernent principalement la dégradation du contexte, la consommation de ressources et la résilience des workflows.
Gestion de la mémoire des agents à exécution prolongée
Une gestion efficace de la mémoire est indispensable au bon fonctionnement de tout système d’agents IA opérant sur de longues périodes. À mesure que la durée d’exécution augmente, la fenêtre de contexte devient une ressource critique qui nécessite des choix architecturaux réfléchis.
Trois types de mémoire
Mémoire propre à chaque agent
Ensemble des données dont un agent a besoin pour accomplir les tâches qui lui sont attribuées dans son périmètre opérationnel.Mémoire partagée
Ensemble des données issues du workflow global orchestré par le planificateur et accessibles aux différents agents.Mémoire à long terme
Données qui doivent être conservées et récupérées d’une session à l’autre, au-delà d’un cycle d’exécution unique.
Chaque type de mémoire joue un rôle distinct dans l’architecture globale. La mémoire propre à chaque agent permet à celui-ci de rester concentré sur les tâches qui relèvent de son périmètre et de les exécuter efficacement.
La mémoire partagée facilite la coordination entre les agents travaillant sur des sous-tâches interdépendantes. La mémoire à long terme assure, quant à elle, la continuité entre les sessions. Elle permet au système de s’appuyer sur les travaux précédemment réalisés sans avoir à reproduire les étapes déjà accomplies.
Quatre problèmes critiques liés à la mémoire
Dégradation du contexte
Diminution progressive de la qualité et de la pertinence du contexte à mesure que la fenêtre de contexte se remplit d’informations accumulées.Informations perdues au milieu du contexte
Biais de position qui conduit les grands modèles de langage à accorder moins d’importance aux informations situées au milieu de fenêtres de contexte très longues.Pollution de la mémoire
Contamination de l’espace mémoire par des informations ou concepts erronés acquis au cours de l’exécution, susceptibles de se propager ensuite aux étapes de raisonnement suivantes.Dérive du contexte
Situation dans laquelle l’agent continue de s’appuyer sur des informations devenues obsolètes, faute d’une mise à jour correcte de sa mémoire au regard des dernières informations disponibles.
Ces problèmes de mémoire s’accentuent avec le temps. Ils peuvent rester négligeables lors d’interactions courtes, mais rendre l’ensemble du système peu fiable lorsque les opérations s’étendent sur plusieurs heures ou plusieurs jours. La dégradation du contexte érode progressivement les bases sur lesquelles repose le raisonnement ultérieur. Le phénomène des informations perdues au milieu du contexte réduit quant à lui l’attention accordée aux éléments critiques lorsqu’ils se trouvent au centre d’une fenêtre de contexte de plus en plus longue. La pollution de la mémoire est particulièrement insidieuse : dès qu’une information erronée est introduite dans la mémoire partagée, elle peut se propager aux étapes de raisonnement suivantes et contaminer les résultats produits par les agents en aval.
La dérive du contexte constitue un mode de défaillance plus discret : l’agent continue d’agir avec une confiance apparente tout en s’appuyant sur des informations qui ne correspondent plus à l’état réel de la tâche.
L’oubli dès la conception : réduction stratégique de la mémoire
L’oubli n’est pas un mode de défaillance : c’est une exigence d’ingénierie.
La mise en œuvre de stratégies d’oubli délibérées permet aux agents à exécution prolongée de préserver la qualité et la pertinence de leur contexte tout au long de leur fonctionnement.
Compactage
Le compactage consiste à réduire périodiquement l’historique des interactions. Il permet de conserver les informations essentielles tout en supprimant celles qui ne contribuent plus à l’accomplissement des tâches.
Cette opération peut être déclenchée à intervalles réguliers, lorsque la fenêtre de contexte atteint un certain niveau d’utilisation ou à l’issue de jalons importants du workflow.
Nettoyage des résultats des outils
Au fil de l’exécution des outils, les agents accumulent des résultats intermédiaires qui deviennent rapidement obsolètes ou redondants.
Le nettoyage de ces résultats permet de supprimer les états intermédiaires périmés ainsi que les informations erronées accumulées lors de l’utilisation des outils, afin d’éviter qu’elles n’influencent les raisonnements ultérieurs.
Modèle de compression de la mémoire
Cette approche consiste à déployer en arrière-plan un grand modèle de langage dédié à la gestion du contexte.
Celui-ci surveille le niveau de saturation de la fenêtre de contexte et génère automatiquement des synthèses tout en préservant les informations critiques.
En confiant la surveillance et la compression continues du contexte à un modèle distinct, les agents principaux peuvent rester opérationnels et efficaces sans intervention manuelle.
Le modèle de compression fonctionne de manière transparente et veille à ce que les agents actifs n’atteignent pas les limites de leur fenêtre de contexte. Sans cette précaution, une saturation pourrait entraîner une troncature brutale des informations ou provoquer l’échec de l’exécution
Gestion des workflows des agents à exécution prolongée
L’architecture du workflow d’orchestration détermine à la fois la fiabilité et le profil de coûts d’un système d’agents à exécution prolongée.
L’écart peut être considérable entre une approche naïve et un workflow conçu avec rigueur.
Approche simpliste vs. workflow optimisé
Une approche naïve permet de réduire le coût initial de mise en place, mais entraîne généralement des coûts de maintenance plus élevés, une consommation excessive de tokens ainsi qu’un risque accru d’hallucinations et de résultats incorrects.
Sans orchestration structurée, les agents peuvent fonctionner sans limites claires, reproduire des tâches déjà effectuées et consommer inutilement des tokens dans des boucles de raisonnement improductives.
Un workflow bien conçu suit au contraire un cycle structuré.
L’agent planificateur reçoit et analyse d’abord la tâche, puis la décompose en sous-tâches adaptées aux exigences identifiées. Il crée ou sélectionne ensuite les agents chargés de chaque sous-tâche et détermine, en fonction des dépendances, si leur exécution doit être parallèle ou séquentielle.
Une fois les résultats produits, le planificateur les évalue au regard des critères de qualité définis.
À chaque limite d’itération, le contexte mémoire est contrôlé et réduit si nécessaire.
Le cycle se répète jusqu’à l’obtention du niveau de qualité attendu, formant ainsi une boucle d’autocorrection qui permet d’améliorer progressivement les résultats.
Exigences essentielles du workflow
Trois capacités sont indispensables à tout workflow agentique de longue durée destiné à un environnement de production.
Les points de contrôle permettent de reprendre l’exécution après une interruption sans avoir à relancer l’intégralité du processus, tout en conservant les progrès réalisés avant celle-ci.
La gestion des erreurs garantit une prise en charge maîtrisée des erreurs liées aux outils, des défaillances serveur et des états inattendus, afin d’éviter les échecs en cascade susceptibles de compromettre l’ensemble de la chaîne d’exécution.
Enfin, la possibilité d’intervention humaine permet de mettre l’exécution en pause, de solliciter une intervention humaine et de reprendre le processus en fonction des indications fournies lorsque le niveau d’incertitude dépasse les seuils acceptables.
Ces mécanismes permettent au système de gérer les situations imprévues de manière progressive et maîtrisée, plutôt que de produire des résultats peu fiables lorsqu’il est confronté à des cas nouveaux ou inattendus.
Optimisation de la consommation de tokens
La maîtrise de la consommation de tokens (ou jetons) est essentielle pour garantir la viabilité économique des agents à exécution prolongée.
Quatre stratégies complémentaires permettent de répondre à cet enjeu.
Chaque tâche nécessite des capacités spécifiques. Les modèles de pointe doivent être réservés aux tâches qui exigent un raisonnement complexe, tandis que des modèles plus petits ou hébergés localement peuvent prendre en charge des opérations plus simples, telles que la mise en forme des données, la classification ou l’extraction d’informations courantes.
Cette approche permet de réduire les coûts sans compromettre la qualité des résultats là où elle est réellement nécessaire.
L’agent planificateur joue ici un rôle essentiel : il évalue la complexité de chaque sous-tâche et l’oriente vers le modèle le plus économique capable de produire un résultat satisfaisant.
Les niveaux de raisonnement adaptatifs permettent au système d’ajuster les ressources de calcul mobilisées en fonction de la complexité de chaque tâche. Un niveau de raisonnement faible convient aux tâches simples, clairement définies et présentant peu d’ambiguïté.
Un niveau intermédiaire est adapté aux tâches nécessitant davantage d’interprétation ou un raisonnement en plusieurs étapes. Un niveau élevé est réservé aux tâches complexes qui exigent une analyse approfondie et une évaluation rigoureuse. En adaptant ainsi le niveau de raisonnement aux besoins réels de chaque tâche, le système évite de mobiliser des ressources de calcul coûteuses lorsqu’elles ne sont pas nécessaires.
Le Caveman Prompting est une stratégie visant à réduire la verbosité des grands modèles de langage en imposant un format de réponse minimaliste. Cette technique élimine les articles, les formules de politesse, les reformulations et les explications superflues des réponses générées par le modèle.
Son nom fait référence au style de communication télégraphique imposé au modèle, qui privilégie la densité de l’information au détriment de la complétude grammaticale.
Le résultat est une réduction significative du nombre de tokens générés à chaque interaction, pouvant se traduire par des économies substantielles lorsque le système fonctionne sur des milliers d’itérations. Lorsque chaque réponse d’agent consomme moins de tokens à chaque étape, l’effet cumulé sur les coûts et l’utilisation de la fenêtre de contexte devient considérable.
Les éléments de contexte volumineux et ne nécessitant pas une précision absolue — anciens échanges, journaux d’exécution, documentation répétitive des outils ou résultats très longs — peuvent être convertis en images avant d’être transmis au modèle.
Les tokens associés aux images sont tarifés et comptabilisés différemment des tokens textuels. Ainsi, une page dense convertie en une image de taille fixe peut être nettement moins coûteuse que son équivalent sous forme de texte brut.
Cette technique s’apparente davantage à une compression avec perte qu’à une synthèse. La représentation visuelle du contenu est conservée, mais son interprétation par le modèle devient probabiliste : celui-ci peut en comprendre correctement l’essentiel, mais aussi mal interpréter un caractère pourtant déterminant. Toute information sur laquelle l’agent doit s’appuyer comme sur une valeur exacte — chemins de fichiers, identifiants, etc. — doit donc rester au format texte.
Seules les informations pour lesquelles la compréhension globale importe davantage qu’une restitution exacte au caractère près peuvent être compressées de cette manière.
Les équipes qui adoptent cette approche ont besoin d’une couche de gestion du contexte intégrant différents niveaux de précision, des contrôles de restitution et des références aux sources afin de limiter les erreurs d’interprétation silencieuses. L’intérêt économique reste toutefois évident : les images permettent de transmettre davantage de contexte avec moins de tokens, ce qui en fait une solution économique pour maintenir les agents correctement informés.
Préserver l’efficacité des systèmes d’agents à exécution prolongée
La gestion de la mémoire doit être considérée comme une exigence d’ingénierie incontournable.
La dégradation du contexte, la pollution de la mémoire et la dérive du contexte compromettent tout système fonctionnant sur une longue durée qui ne dispose pas de stratégies d’oubli délibérées.
Le modèle de compression de la mémoire, le compactage et le nettoyage des résultats des outils forment ensemble une approche complète pour préserver la qualité et la pertinence du contexte au fil du temps.
L’architecture des workflows mérite également un investissement initial important.
Un agent planificateur robuste permet de limiter les coûts opérationnels récurrents en réduisant les traitements redondants, en gérant efficacement les erreurs et en intégrant l’intervention humaine aux points de décision critiques.
Cet effort d’ingénierie initial porte ses fruits tout au long de la durée de vie opérationnelle du système.
L’optimisation de la consommation de tokens exige une approche multidimensionnelle : sélectionner le modèle adapté à chaque type de tâche, ajuster le niveau de raisonnement à la complexité réelle et recourir à des techniques de réduction de la consommation de tokens.
L’objectif global est de réduire les coûts et l’intensité de calcul tout en concevant des systèmes d’agents fiables, pérennes et capables de fonctionner efficacement sur le long terme.
Blue Reply propose des architectures d’agents IA à exécution prolongée intégrant la gestion de la mémoire, l’orchestration des workflows et l’optimisation de la consommation de tokens au sein de systèmes multi-agents.
Ses équipes d’ingénierie accompagnent des organisations de différents secteurs dans la mise en œuvre de ces architectures au sein d’environnements de production.
Questions fréquentes
Blue Reply
Blue Reply est la société du groupe Reply spécialisée dans l’intégration de systèmes et la modernisation des systèmes cœur de métier pour le secteur de l’assurance. Elle combine expertise métier et compétences technologiques pour développer des solutions omnicanales couvrant notamment la gestion des polices, la tarification, les sinistres et la relation client. Blue Reply accélère également l’adoption de l’intelligence artificielle, grâce à l’IA conversationnelle, aux moteurs de recommandation, à l’acquisition intelligente des données, à l’estimation des dommages et à la détection des fraudes.
Vous pourriez aussi aimer
,allowExpansion;Resize,width=660)