Self-RAG<\/a> entra\u00eene le mod\u00e8le \u00e0 utiliser des \u00ab jetons de r\u00e9flexion \u00bb dont l’un indique si une r\u00e9cup\u00e9ration est n\u00e9cessaire, au prix d’une demande de calcul plus \u00e9lev\u00e9e et d’un r\u00e9glage fin des seuils.<\/p>\nReste le nombre de documents ramen\u00e9s. Voici une recherche par similarit\u00e9 dans un index charg\u00e9 depuis le disque, o\u00f9 le param\u00e8tre k=2<\/code> demande les deux documents les plus proches de la question.<\/p>\nfrom langchain_community.vectorstores import FAISS\nfrom langchain_openai import OpenAIEmbeddings\nimport os\nos.environ["OPENAI_API_KEY"] = "<YOUR_API_KEY>"\n\nembeddings = OpenAIEmbeddings(model="text-embedding-3-small")\nvector_store = FAISS.load_local(\n folder_path="..\/..\/Assets\/Data",\n index_name="CWC_index",\n embeddings=embeddings,\n allow_dangerous_deserialization=True\n)\nquery = "Who won the 2023 Cricket World Cup?"\nretrieved_docs = vector_store.similarity_search(query, k=2)\n<\/code><\/pre>\nCe k<\/code> est un r\u00e9glage \u00e0 toi : moins de documents, moins de texte r\u00e9inject\u00e9 dans l’invite. Tu peux aussi r\u00e9duire le bruit avant m\u00eame la recherche, par un filtrage sur les m\u00e9tadonn\u00e9es (date, auteur, cat\u00e9gorie) qui restreint la recherche par similarit\u00e9 aux fragments pertinents.<\/p>\nEnfin, le meilleur appel reste celui qu’on ne fait pas. Un cache s\u00e9mantique retrouve la r\u00e9ponse d\u00e9j\u00e0 g\u00e9n\u00e9r\u00e9e quand une question similaire revient, au lieu de traverser tout le pipeline : on gagne du temps de r\u00e9ponse et du co\u00fbt d’inf\u00e9rence, et on soulage le service du mod\u00e8le.<\/p>\n
Levier 6 : payer le bon mod\u00e8le au bon moment<\/h2>\n
Le prix d’un jeton varie \u00e9norm\u00e9ment d’un mod\u00e8le \u00e0 l’autre, et pas forc\u00e9ment avec la qualit\u00e9. Le tableau prend Llama 3.1 comme r\u00e9f\u00e9rence (0,20 $ par million de jetons d’entr\u00e9e, 0,60 $ en sortie) ; la qualit\u00e9 est mesur\u00e9e par le score MMLU.<\/p>\n
\n\n\n| Mod\u00e8le<\/th>\n | MMLU<\/th>\n | Prix relatif entr\u00e9e<\/th>\n | Prix relatif sortie<\/th>\n<\/tr>\n<\/thead>\n |
\n\n| DeepSeek-v3<\/td>\n | 87,2<\/td>\n | 2,75<\/td>\n | 3,65<\/td>\n<\/tr>\n |
\n| Claude 4 Opus, r\u00e9flexion \u00e9tendue<\/td>\n | 86,5<\/td>\n | 75<\/td>\n | 125<\/td>\n<\/tr>\n |
\n| Gemini 2.5 Pro<\/td>\n | 86,2<\/td>\n | 12,5<\/td>\n | 25<\/td>\n<\/tr>\n |
\n| Llama 3.1 Instruct Turbo 405B<\/td>\n | 84,5<\/td>\n | 1<\/td>\n | 1<\/td>\n<\/tr>\n |
\n| o4-mini<\/td>\n | 83,2<\/td>\n | 5,5<\/td>\n | 7,33<\/td>\n<\/tr>\n |
\n| Nova Pro<\/td>\n | 82,0<\/td>\n | 4<\/td>\n | 5,33<\/td>\n<\/tr>\n |
\n| Mistral Large 2<\/td>\n | 80,0<\/td>\n | 10<\/td>\n | 10<\/td>\n<\/tr>\n |
\n| Grok 3<\/td>\n | 79,9<\/td>\n | 15<\/td>\n | 25<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n Lis les deux premi\u00e8res lignes : des scores MMLU voisins (87,2 et 86,5) pour des prix relatifs en entr\u00e9e de 2,75 contre 75. La performance n’est pas directement corr\u00e9l\u00e9e au prix, et ces scores ne donnent qu’une indication : compare les mod\u00e8les sur ta propre t\u00e2che.<\/p>\n L’architecture peut faire le tri \u00e0 ta place. Dans un agent planificateur-ex\u00e9cuteur, le planificateur se concentre sur le raisonnement \u00e0 long horizon tandis que les ex\u00e9cuteurs n’invoquent que les outils n\u00e9cessaires, ce qui r\u00e9duit les appels redondants ; des mod\u00e8les plus petits peuvent g\u00e9rer l’ex\u00e9cution, en r\u00e9servant les gros \u00e0 la planification.<\/p>\n Beaucoup d’\u00e9quipes adoptent des strat\u00e9gies hybrides : un mod\u00e8le puissant pour les requ\u00eates complexes, un mod\u00e8le l\u00e9ger pour les t\u00e2ches routini\u00e8res, ou un routage dynamique qui envoie chaque requ\u00eate vers le mod\u00e8le adapt\u00e9. Des plateformes automatisent ce tri (s\u00e9lection automatique de mod\u00e8le).<\/p>\n Pi\u00e8ges et limites<\/h2>\n\n\u26a0\ufe0f Pi\u00e8ge<\/strong> Chaque \u00e9conomie a son propre co\u00fbt. Re-classement, compression et les autres techniques avanc\u00e9es introduisent un surco\u00fbt de calcul, de latence et de stockage, \u00e0 mettre en balance avec le gain attendu ; la compression peut en plus faire perdre de l’information.<\/p>\n<\/blockquote>\nNe sur-optimise pas trop t\u00f4t : on peut d\u00e9penser une \u00e9nergie consid\u00e9rable \u00e0 optimiser le choix du mod\u00e8le pour des gains marginaux, et sauf contrainte d’\u00e9chelle, d\u00e9marrer simplement suffit.<\/p>\n Enfin, l’affinage d’un mod\u00e8le peut r\u00e9duire le co\u00fbt par appel \u00e0 fort trafic, mais il demande donn\u00e9es, calcul et maintenance. La recommandation est de commencer par l’appel de fonctions int\u00e9gr\u00e9 des mod\u00e8les pr\u00e9entra\u00een\u00e9s, et en cas de doute de ne pas affiner : il existe souvent des actions moins co\u00fbteuses et \u00e0 plus fort levier.<\/p>\n Aller plus loin<\/h2>\n\n- ReAct<\/strong> : la boucle pens\u00e9e-action-observation qui explique pourquoi un agent peut tourner longtemps.<\/li>\n
- Re-classement<\/strong> : r\u00e9ordonner les documents r\u00e9cup\u00e9r\u00e9s pour prioriser les plus pertinents avant de les donner au mod\u00e8le.<\/li>\n
- S\u00e9lection automatique de mod\u00e8le<\/strong> : l’envoi des requ\u00eates simples vers de petits mod\u00e8les rapides, des requ\u00eates complexes vers les gros.<\/li>\n
- R\u00e9cup\u00e9ration agentique<\/strong> : l’agent choisit quand et o\u00f9 chercher, au lieu d’interroger une base unique \u00e0 chaque fois.<\/li>\n<\/ul>\n
\u00c0 retenir<\/h2>\n\n- La facture suit le nombre de tours, le texte relu \u00e0 chaque tour et le prix du jeton : mesure-les s\u00e9par\u00e9ment pour savoir o\u00f9 agir.<\/li>\n
- Un agent n’est pas toujours n\u00e9cessaire : du code ou un flux fixe co\u00fbte moins, et un agent unique co\u00fbte moins qu’une \u00e9quipe.<\/li>\n
- Toute boucle m\u00e9rite une limite, un seuil et une sortie \u00ab introuvable \u00bb.<\/li>\n
- R\u00e9flexion et contexte se plafonnent : peu de souvenirs r\u00e9inject\u00e9s, historique r\u00e9sum\u00e9, budget de jetons.<\/li>\n
- Recherche \u00e0 la demande et choix du mod\u00e8le par t\u00e2che sont les deux derniers gisements d’\u00e9conomie.<\/li>\n<\/ul>\n
Questions fr\u00e9quentes<\/h2>\nFaut-il toujours limiter le nombre d’\u00e9tapes d’un agent ?<\/strong>
\nLes consignes vont dans ce sens : appeler des outils jusqu’\u00e0 une limite avant de r\u00e9pondre, plafonner profondeur et ramification, et pr\u00e9voir un crit\u00e8re de sortie pour les boucles de critique.<\/p>\nLa r\u00e9flexion vaut-elle son co\u00fbt ?<\/strong>
\nElle ajoute latence et calcul ; elle se justifie dans les flux \u00e0 fort enjeu, o\u00f9 une erreur pr\u00e9coce peut se propager en \u00e9chec co\u00fbteux.<\/p>\nUn petit mod\u00e8le peut-il suffire ?<\/strong>
\nPour des t\u00e2ches bien d\u00e9finies, sensibles \u00e0 la latence ou au co\u00fbt, un mod\u00e8le beaucoup plus petit offre des r\u00e9sultats quasi \u00e9quivalents pour une fraction du prix.<\/p>","protected":false},"excerpt":{"rendered":"Ton agent boucle, r\u00e9fl\u00e9chit, cherche\u2026 et ta facture de tokens s’envole. Six leviers concrets pour borner les boucles sans rendre l’agent b\u00eate.<\/p>\n","protected":false},"author":1,"featured_media":272,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[8],"tags":[],"class_list":["post-198","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-agentic"],"_links":{"self":[{"href":"https:\/\/www.ranksignal.fr\/blog\/wp-json\/wp\/v2\/posts\/198","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.ranksignal.fr\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.ranksignal.fr\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.ranksignal.fr\/blog\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.ranksignal.fr\/blog\/wp-json\/wp\/v2\/comments?post=198"}],"version-history":[{"count":4,"href":"https:\/\/www.ranksignal.fr\/blog\/wp-json\/wp\/v2\/posts\/198\/revisions"}],"predecessor-version":[{"id":763,"href":"https:\/\/www.ranksignal.fr\/blog\/wp-json\/wp\/v2\/posts\/198\/revisions\/763"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.ranksignal.fr\/blog\/wp-json\/wp\/v2\/media\/272"}],"wp:attachment":[{"href":"https:\/\/www.ranksignal.fr\/blog\/wp-json\/wp\/v2\/media?parent=198"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.ranksignal.fr\/blog\/wp-json\/wp\/v2\/categories?post=198"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.ranksignal.fr\/blog\/wp-json\/wp\/v2\/tags?post=198"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}} |
![\"Quatre](\"https:\/\/www.ranksignal.fr\/wp-content\/uploads\/2026\/09\/b1_ch05_topologies_outils-scaled.png\")