Agents IA et automatisation : construire des agents fiables
Agents IA et automatisation est un cours de niveau avancé de 5 leçons (environ 1 h 40), avec 15 exercices et 15 questions de quiz. Prérequis : Intégrer un LLM dans une application. Les exercices s'exécutent dans le navigateur, sans installation.
- IA générative
- Avancé
- 5 leçons
- 1 h 40
- 15 exercices
- Exercices exécutés dans le navigateur
Le cours en bref
Ce cours montre comment passer d'un simple appel de modèle à un agent qui utilise des outils, planifie et agit, sans perdre le contrôle. Vous écrivez en Python la boucle agent-outils, la gestion de la mémoire, une politique d'autorisation avec validation humaine, des workflows idempotents et des mécanismes de reprise. Tous les exercices utilisent un modèle simulé localement : ils sont déterministes et ne nécessitent aucune clé d'API.
Ce que tu sauras faire
- Écrire une boucle agent-outils bornée qui valide chaque appel d'outil
- Gérer la mémoire de travail dans un budget de contexte et exploiter une mémoire longue
- Valider et ordonner un plan produit par un modèle
- Appliquer des garde-fous côté code et une validation humaine traçable
- Choisir entre workflow, routage et agent, et rendre les actions idempotentes
- Traiter les échecs : tentatives avec attente exponentielle, points de contrôle et repli
Programme des 5 leçons
- Expliquer ce qui distingue un agent d'un simple appel de modèle
- Écrire une boucle qui alterne décision du modèle et exécution d'outils
- Borner la boucle et traiter les appels d'outils invalides
- 02
Planification et mémoire
- Distinguer mémoire de travail (historique) et mémoire longue (notes, base de connaissances)
- Tenir l'historique dans un budget de contexte sans perdre les instructions
- Faire produire un plan puis l'exécuter dans un ordre qui respecte les dépendances
Mémoire de travail et mémoire longueBudget de contextePlanification
- 03
Garde-fous et validation humaine
- Classer les outils selon leur risque (lecture, écriture, irréversible)
- Écrire une politique qui autorise, soumet à validation ou refuse une action
- Mettre en place une file de validation humaine traçable
- 04
Orchestration de tâches
- Choisir entre workflow déterministe, routage et agent autonome
- Enchaîner des étapes avec un état partagé et une trace d'exécution
- Rendre une action idempotente pour éviter les doublons
- 05
Échecs et reprise
- Distinguer erreurs transitoires et erreurs définitives
- Implémenter des tentatives avec attente exponentielle
- Reprendre un traitement long à partir d'un point de contrôle
Tentatives et attente exponentiellePoints de contrôleSorties de modèle invalides
Projet final
Agent de service client avec garde-fous et validation humaine
Construisez en Python un agent de service client pour une boutique fictive. Il dispose d'outils de lecture (rechercher une commande, lire la politique de retour) et d'écriture (rembourser, envoyer un courriel). Le modèle est simulé par une fonction locale qui couvre au moins cinq scénarios, dont un modèle qui boucle, un outil inconnu et une tentative d'injection de prompt dans un message client. L'agent applique une politique d'autorisation avec seuils, une file de validation humaine, des clés d'idempotence et une reprise sur erreur transitoire.
Livrables
- Le code de l'agent : boucle bornée, validation des appels, politique d'autorisation
- La file de validation humaine avec journal des décisions (auteur, date, motif)
- Le modèle simulé et une suite de tests couvrant les cinq scénarios
- Un journal d'exécution d'un scénario complet (appels proposés, décisions, résultats)
- Une note d'une page justifiant les seuils et les choix d'architecture
Critères d'évaluation
- Aucune action d'écriture n'est exécutée hors de la politique, même dans le scénario d'injection
- La boucle est bornée et les erreurs d'outils sont renvoyées au modèle
- Les actions approuvées ne sont exécutées qu'une fois, y compris après relance
- Seules les erreurs transitoires sont retentées, avec attente exponentielle et repli final
- Les tests sont déterministes et passent sans accès réseau
Questions fréquentes
Faut-il une clé d'API pour suivre ce cours ?
Non. Les exercices utilisent un modèle simulé par une fonction Python : ils sont déterministes et s'exécutent sans réseau. Le cours explique comment brancher ensuite un vrai modèle sur la même boucle.
Quelle différence entre un agent et un workflow ?
Dans un workflow, les étapes sont écrites dans le code et le modèle intervient à des étapes précises. Dans un agent, le modèle choisit lui-même les actions et leur nombre. Le cours aide à choisir la solution la plus simple qui répond au besoin.
Le cours utilise-t-il un framework d'agents ?
Non, la boucle est écrite en Python standard pour en comprendre chaque mécanisme. Ces notions (outils, mémoire, garde-fous, reprise) se retrouvent dans les frameworks du marché.
Quels prérequis faut-il ?
Savoir intégrer un modèle de langage dans une application (cours AI2) et être à l'aise avec les fonctions, dictionnaires et classes en Python.
Ce cours, raconté pour ton métier
Dis ce que tu veux savoir faire : « Agents IA et automatisation » prend sa place dans ton parcours, avec des exemples de ton secteur. Les notions restent celles du cours.