{"id":263560,"date":"2026-08-17T00:40:24","date_gmt":"2026-08-17T00:40:24","guid":{"rendered":"https:\/\/www.europesays.com\/ch-fr\/263560\/"},"modified":"2026-08-17T00:40:24","modified_gmt":"2026-08-17T00:40:24","slug":"cinq-etudes-expliquent-le-fonctionnement-de-lia-agentique","status":"publish","type":"post","link":"https:\/\/www.europesays.com\/ch-fr\/263560\/","title":{"rendered":"Cinq \u00e9tudes expliquent le fonctionnement de l\u2019IA agentique"},"content":{"rendered":"

Cinq travaux de recherche permettent de cerner ce que recouvre l\u2019IA agentique, des \u00e9quipes d\u2019agents qui dialoguent aux apprentissages \u00e0 long terme dans un monde simul\u00e9. Ensemble, ils d\u00e9taillent comment un LLM<\/a> peut raisonner, agir, solliciter des outils, m\u00e9moriser et se coordonner. Voici ce que couvre chacun, et pourquoi ces briques se combinent souvent dans les syst\u00e8mes actuels.<\/p>\n

Des \u00e9quipes d\u2019agents qui dialoguent et se coordonnent<\/p>\n

AutoGen: Enabling Next-Gen LLM<\/a> Applications via Multi-Agent Conversation, sign\u00e9 par Qingyun Wu, Gagan Bansal, Jieyu Zhang, Yiran Wu, Beibin Li, Erkang Zhu, Li Jiang, Xiaoyun Zhang, Shaokun Zhang, Jiale Liu, Ahmed Awadallah, Ryen W. White, Doug Burger et Chi Wang, formalise des interactions entre plusieurs agents pour r\u00e9soudre des t\u00e2ches. Le cadre permet \u00e0 chaque agent d\u2019endosser un r\u00f4le sp\u00e9cifique, d\u2019utiliser des outils et d\u2019ex\u00e9cuter du code, tout en int\u00e9grant si besoin des humains dans la boucle. La coordination se fait par \u00e9change conversationnel entre agents, ce qui structure la d\u00e9composition et la v\u00e9rification des \u00e9tapes. Des applications en programmation, math\u00e9matiques, questions-r\u00e9ponses, recherche op\u00e9rationnelle et prise de d\u00e9cision sont document\u00e9es, et d\u2019autres terrains d\u2019usage sont \u00e9voqu\u00e9s. Il met en avant un basculement d\u2019un assistant unique vers des \u00e9quipes d\u2019agents sp\u00e9cialis\u00e9s capables de collaborer. Cette approche expose concr\u00e8tement comment articuler r\u00f4les, appels d\u2019outils et ex\u00e9cution au sein d\u2019un dialogue multi-agents.<\/p>\n

Comp\u00e9tences r\u00e9utilisables dans un monde ouvert<\/p>\n

Voyager: An Open-Ended Embodied Agent with Large Language Models, de Guanzhi Wang, Yuqi Xie, Yunfan Jiang, Ajay Mandlekar, Chaowei Xiao, Yuke Zhu, Linxi Jim Fan et Anima Anandkumar, transpose l\u2019IA agentique dans un environnement incarn\u00e9 : Minecraft. Plut\u00f4t que d\u2019accomplir une t\u00e2che born\u00e9e et de s\u2019arr\u00eater, l\u2019agent poursuit l\u2019exploration, d\u00e9couvre de nouveaux \u00e9l\u00e9ments et enrichit une biblioth\u00e8que de comp\u00e9tences r\u00e9utilisables. Son architecture s\u2019appuie sur un curriculum automatique pour guider l\u2019exploration, une biblioth\u00e8que stockant des comportements ex\u00e9cutables, et un prompting it\u00e9ratif utilisant les retours de l\u2019environnement et les erreurs d\u2019ex\u00e9cution pour s\u2019am\u00e9liorer. Pr\u00e9sent\u00e9 ainsi, le cadre illustre les besoins d\u2019un agent de long terme et la mani\u00e8re dont il peut progresser contin\u00fbment en tirant parti des signaux du monde o\u00f9 il agit.<\/p>\n

Des LLM qui d\u00e9cident quand solliciter un outil<\/p>\n

Toolformer: Language Models Can Teach Themselves to Use Tools, r\u00e9dig\u00e9 par Timo Schick, Jane Dwivedi-Yu, Roberto Dess\u00ec, Roberta Raileanu, Maria Lomeli, Luke Zettlemoyer, Nicola Cancedda et Thomas Scialom, traite d\u2019un enjeu central de l\u2019IA agentique : l\u2019usage d\u2019outils. Les LLM, performants en r\u00e9daction et en raisonnement, butent encore sur certaines t\u00e2ches comme l\u2019arithm\u00e9tique, la recherche de faits, la traduction ou l\u2019acc\u00e8s \u00e0 des informations \u00e0 jour. Un apprentissage auto-supervis\u00e9 est d\u00e9crit, o\u00f9 le mod\u00e8le choisit le moment d\u2019utiliser un outil, s\u00e9lectionne lequel employer, d\u00e9termine les arguments \u00e0 transmettre et d\u00e9cide de la fa\u00e7on d\u2019inclure la r\u00e9ponse obtenue dans sa propre production. Les exp\u00e9riences portent sur une calculatrice, un moteur de recherche, un outil de traduction, un calendrier et un syst\u00e8me de questions-r\u00e9ponses. Pr\u00e9sent\u00e9e ainsi, la m\u00e9thode met en lumi\u00e8re la transition du g\u00e9n\u00e9rateur de texte traditionnel vers un syst\u00e8me capable d\u2019exploiter de fa\u00e7on appropri\u00e9e des ressources externes.<\/p>\n

\u00c0 lire aussi<\/p>\n

Raisonner puis agir, en boucle<\/p>\n

ReAct: Synergizing Reasoning and Acting in Language Models, sign\u00e9 par Shunyu Yao, Jeffrey Zhao, Dian Yu, Nan Du, Izhak Shafran, Karthik Narasimhan et Yuan Cao, propose un sch\u00e9ma de prompting qui alterne r\u00e9flexion et action. Les \u00e9tapes de raisonnement servent \u00e0 planifier, suivre l\u2019avancement et se remettre d\u2019erreurs, tandis que les actions d\u00e9clenchent des interactions avec des ressources externes, comme des API<\/a> de recherche, des bases de connaissances ou des t\u00e2ches de d\u00e9cision. Ce couplage pens\u00e9e\u2013action ancre l\u2019agent dans une boucle it\u00e9rative, souvent d\u00e9crite comme \u00ab penser, agir, observer, mettre \u00e0 jour, continuer \u00bb. Le papier est pr\u00e9sent\u00e9 comme une porte d\u2019entr\u00e9e utile pour comprendre les fondements des agents adoss\u00e9s \u00e0 des LLM.<\/p>\n

M\u00e9moire, r\u00e9flexion et planification dans un monde simul\u00e9<\/p>\n

Generative Agents: Interactive Simulacra of Human Behavior, ouvrage de Joon Sung Park, Joseph C. O’Brien, Carrie J. Cai, Meredith Ringel Morris, Percy Liang et Michael S. Bernstein, met en sc\u00e8ne des agents qui simulent un comportement humain cr\u00e9dible dans un cadre inspir\u00e9 de The Sims. Les agents se r\u00e9veillent, \u00e9tablissent des plans, m\u00e9morisent et r\u00e9fl\u00e9chissent \u00e0 leurs exp\u00e9riences, \u00e9changent entre eux et coordonnent des actions \u00e0 venir. L\u2019architecture combine explicitement m\u00e9moire, r\u00e9flexion et planification, avec une insistance sur la continuit\u00e9 : ce que l\u2019agent retient, la fa\u00e7on dont il met \u00e0 jour ses croyances et l\u2019influence des \u00e9v\u00e9nements pass\u00e9s sur ses d\u00e9cisions futures. Le papier est recommand\u00e9 pour appr\u00e9cier le r\u00f4le d\u00e9terminant de la m\u00e9moire et de la r\u00e9flexion dans la conception d\u2019agents.<\/p>\n

Mode d\u2019emploi de la lecture et p\u00e9rim\u00e8tre de la s\u00e9lection<\/p>\n

Cette s\u00e9lection r\u00e9unit cinq r\u00e9f\u00e9rences pour aborder l\u2019IA agentique en pratique. Elle assume le d\u00e9placement d\u2019un cadre purement g\u00e9n\u00e9ratif de texte vers des agents qui raisonnent, utilisent des outils, conservent des souvenirs et collaborent, dans des contextes allant d\u2019environnements simul\u00e9s \u00e0 des \u00e9quipes d\u2019agents. Le lecteur est invit\u00e9 \u00e0 se concentrer sur les id\u00e9es cl\u00e9s plut\u00f4t que sur les d\u00e9tails d\u2019impl\u00e9mentation lors d\u2019une premi\u00e8re lecture. Pr\u00e9sent\u00e9s ensemble, ces travaux \u00e9clairent des familles d\u2019agents qu\u2019on rencontre couramment : usage d\u2019outils, m\u00e9moire, planification, collaboration et exploration autonome. Ils indiquent enfin que de nombreux syst\u00e8mes actuels se construisent en combinant sept briques r\u00e9currentes : raisonnement, action, outils, m\u00e9moire, retours de l\u2019environnement, planification et collaboration.<\/p>\n","protected":false},"excerpt":{"rendered":"Cinq travaux de recherche permettent de cerner ce que recouvre l\u2019IA agentique, des \u00e9quipes d\u2019agents qui dialoguent aux…\n","protected":false},"author":2,"featured_media":263561,"comment_status":"","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"footnotes":"","_share_on_mastodon":"0"},"categories":[6],"tags":[34440,7571,45,44,43,2452,43139,37274,23],"class_list":["post-263560","post","type-post","status-publish","format-standard","has-post-thumbnail","category-economie","tag-actualites-ia","tag-ai","tag-business","tag-economie","tag-economy","tag-ia","tag-media-ia","tag-outils-ia","tag-suisse"],"share_on_mastodon":{"url":"https:\/\/pubeurope.com\/@ch_fr\/117108069270846980","error":""},"_links":{"self":[{"href":"https:\/\/www.europesays.com\/ch-fr\/wp-json\/wp\/v2\/posts\/263560","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.europesays.com\/ch-fr\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.europesays.com\/ch-fr\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.europesays.com\/ch-fr\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/www.europesays.com\/ch-fr\/wp-json\/wp\/v2\/comments?post=263560"}],"version-history":[{"count":0,"href":"https:\/\/www.europesays.com\/ch-fr\/wp-json\/wp\/v2\/posts\/263560\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.europesays.com\/ch-fr\/wp-json\/wp\/v2\/media\/263561"}],"wp:attachment":[{"href":"https:\/\/www.europesays.com\/ch-fr\/wp-json\/wp\/v2\/media?parent=263560"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.europesays.com\/ch-fr\/wp-json\/wp\/v2\/categories?post=263560"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.europesays.com\/ch-fr\/wp-json\/wp\/v2\/tags?post=263560"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}