co\u00fbt et latence montent d’abord<\/strong>, et les gains restent parfois marginaux.<\/li>\n<\/ul>\nUne \u00e9quipe d’agents plut\u00f4t qu’un seul g\u00e9n\u00e9raliste<\/h2>\n Commence par l’agent seul. Un agent \u00e0 base de mod\u00e8le de langage part d’un \u00e9tat initial, le plus souvent une description \u00e9crite dans son prompt, garde la trace de ce qu’il produit et agit sur son environnement par des outils. Pour une t\u00e2che \u00e9troite et bien d\u00e9finie, comme un chatbot de questions fr\u00e9quentes ou de la saisie de donn\u00e9es, un seul agent d\u00e9cide, planifie et agit sans d\u00e9pendre de personne : aucune coordination \u00e0 g\u00e9rer.<\/p>\n
Un syst\u00e8me multiagent<\/strong> (MAS en anglais) est un ensemble d’agents qui interagissent de fa\u00e7on coordonn\u00e9e pour r\u00e9soudre une t\u00e2che. C’est une extension de l’agent seul, con\u00e7ue pour des probl\u00e8mes plus complexes. L’id\u00e9e vient de la division du travail : les humains accomplissent l’essentiel de leur travail \u00e0 plusieurs, et on peut avoir plusieurs mod\u00e8les sp\u00e9cialis\u00e9s chacun dans une t\u00e2che plut\u00f4t qu’un seul mod\u00e8le sp\u00e9cialis\u00e9 en tout.<\/p>\n\n\ud83d\udca1 Intuition<\/strong> Un freelance qui fait tout n’a besoin de parler \u00e0 personne, mais il couvre mal les m\u00e9tiers qu’il ne ma\u00eetrise pas. Une agence r\u00e9unit des comp\u00e9tences, au prix de r\u00e9unions et de relais \u00e0 organiser. Le syst\u00e8me multiagent a les forces et le co\u00fbt de l’agence.<\/p>\n<\/blockquote>\nCes agents \u00e9changent en langage naturel, ce qui rend leurs actions lisibles par un observateur humain. Leurs interactions peuvent \u00eatre ordonn\u00e9es (suivre des r\u00e8gles ou un ordre s\u00e9quentiel) ou d\u00e9sordonn\u00e9es (chaque agent exprime son opinion). Ils peuvent aussi d\u00e9cider collectivement, par vote majoritaire, ou jouer un r\u00f4le de contr\u00f4le : certains donnent un retour, d’autres surveillent les actions de leurs coll\u00e8gues.<\/p>\n
On y recourt quand diff\u00e9rents aspects d’une t\u00e2che<\/strong> gagnent \u00e0 \u00eatre confi\u00e9s \u00e0 des agents sp\u00e9cialis\u00e9s, ou quand le travail en parall\u00e8le acc\u00e9l\u00e8re l’ensemble.<\/p>\nUn voyage \u00e0 Rome confi\u00e9 \u00e0 quatre agents<\/h2>\n Passons \u00e0 un prototype : un assistant de planification qui fabrique des plans de voyage personnalis\u00e9s. Il emploie quatre agents, chacun charg\u00e9 d’un aspect du probl\u00e8me.<\/p>\n\n\n\n\t\t\t\n\t\t\t\tSuis les fl\u00e8ches de gauche \u00e0 droite : la demande part vers deux agents plac\u00e9s c\u00f4te \u00e0 c\u00f4te, qui ne d\u00e9pendent pas l’un de l’autre, puis tout converge vers l’itin\u00e9raire et la synth\u00e8se.<\/figcaption><\/figure>\n\n\nVoici ce que fait chacun :<\/p>\n
\nL’agent m\u00e9t\u00e9o<\/strong> entra\u00eene sur place une for\u00eat al\u00e9atoire de r\u00e9gression (100 arbres de d\u00e9cision). Elle apprend des donn\u00e9es pass\u00e9es (mois, latitude, longitude, score m\u00e9t\u00e9o) et renvoie les trois meilleurs mois d’un lieu.<\/li>\nL’agent h\u00f4tels convertit les descriptions d’h\u00f4tels et les pr\u00e9f\u00e9rences du client en embeddings, puis retient les cinq h\u00f4tels les plus proches par similarit\u00e9 s\u00e9mantique.<\/li>\n L’agent d’itin\u00e9raire<\/strong> demande \u00e0 un mod\u00e8le de g\u00e9n\u00e9ration de texte (GPT-2) un programme, \u00e0 partir d’une invite qui contient la dur\u00e9e, la destination, le meilleur mois, l’h\u00f4tel choisi et la liste des attractions.<\/li>\nL’agent de synth\u00e8se calcule le co\u00fbt (prix de la nuit multipli\u00e9 par la dur\u00e9e, plus 100 $ par jour pour repas, transports et activit\u00e9s), puis fait r\u00e9diger un courriel au client.<\/li>\n<\/ul>\nRegarde ce qui compose cette \u00e9quipe. Seuls deux des quatre agents sont des mod\u00e8les de langage ; le premier est un mod\u00e8le statistique entra\u00een\u00e9 pour l’occasion, le deuxi\u00e8me un moteur de similarit\u00e9. Le chiffrage, lui, est confi\u00e9 \u00e0 un outil externe plut\u00f4t qu’au mod\u00e8le de langage, r\u00e9put\u00e9 mauvais en arithm\u00e9tique. Un agent n’est donc pas forc\u00e9ment un mod\u00e8le de langage<\/strong> : c’est un module qui tient un r\u00f4le dans l’\u00e9quipe.<\/p>\nReste \u00e0 savoir qui les fait travailler dans le bon ordre. Une classe joue le contr\u00f4leur principal et les instancie tous :<\/p>\n
class TravelPlanningSystem:\n def __init__(self):\n self.weather_agent = WeatherAnalysisAgent()\n self.hotel_agent = HotelRecommenderAgent()\n self.itinerary_agent = ItineraryPlannerAgent()\n self.summary_agent = SummaryAgent()\n<\/code><\/pre>\nCette conception est modulaire : chaque composant fonctionne ind\u00e9pendamment, on peut en remplacer un sans toucher aux autres, et chacun n’a qu’une seule responsabilit\u00e9. Le chef d’orchestre tient ensuite dans une m\u00e9thode. destination<\/code> est un dictionnaire (nom, coordonn\u00e9es, attractions), preferences<\/code> un texte libre et duration<\/code> un nombre de jours.<\/p>\ndef plan_trip(self, destination: Dict, preferences: str, duration:\nint, client_name: str) -> Dict:\n # 1. Weather analysis and best time prediction\n weather_analysis = self.weather_agent.predict_best_\ntime(destination)\n # 2. Hotel search\n recommended_hotels = self.hotel_agent.find_hotels(preferences)\n # 3. Itinerary creation\n itinerary = self.itinerary_agent.create_itinerary(\n destination,\n weather_analysis,\n recommended_hotels,\n duration\n )\n # 4. Create summary email and calculate price\n trip_data = {\n 'weather_analysis': weather_analysis,\n 'recommended_hotels': recommended_hotels,\n 'itinerary': itinerary\n }\n summary = self.summary_agent.create_email(trip_data, client_\nname)\n return {\n **trip_data,\n 'summary': summary\n }\n<\/code><\/pre>\nLa communication y est la plus simple possible : chaque agent renvoie son r\u00e9sultat, et le contr\u00f4leur le passe tel quel au suivant. L’agent d’itin\u00e9raire ne re\u00e7oit que ce que les deux premiers ont produit, et la synth\u00e8se ne voit que trip_data<\/code>.<\/p>\n\n\u26a0\ufe0f Pi\u00e8ge<\/strong> Ce prototype est un jouet : ses donn\u00e9es sont statiques, GPT-2 est d\u00e9pass\u00e9 et l’itin\u00e9raire reste g\u00e9n\u00e9rique, sans tenir compte du type de voyageur. Il montre le principe de d\u00e9composition, pas un produit pr\u00eat \u00e0 servir.<\/p>\n<\/blockquote>\n\u00c0 petite \u00e9chelle, dans un seul processus, les agents communiquent par des appels de fonctions directs, de la m\u00e9moire partag\u00e9e ou des files de messages en m\u00e9moire : c’est le cas du voyage, o\u00f9 le contr\u00f4leur appelle chaque agent \u00e0 la main. D\u00e8s que les agents sont r\u00e9partis entre services, conteneurs ou machines, la communication doit devenir explicite, asynchrone et tol\u00e9rante aux pannes<\/strong>.<\/p>\nEn production, on s’appuie alors sur des courtiers de messages (Kafka, NATS, RabbitMQ), des cadres d’acteurs (Orleans, Akka) ou des moteurs de workflow (Temporal, Conductor). Ces derniers g\u00e8rent aussi l’\u00e9tat, les reprises et la durabilit\u00e9 de l’ex\u00e9cution.<\/p>\n
Il faut aussi retenir ce que savent les agents. L’\u00e9tat partag\u00e9, la m\u00e9moire de chaque agent et les m\u00e9tadonn\u00e9es des t\u00e2ches survivent souvent \u00e0 plusieurs ex\u00e9cutions : on les range dans des bases comme PostgreSQL, Redis ou des bases vectorielles, tandis que les sorties volumineuses (plans, traces d’outils) vont dans un stockage objet comme Amazon S3.<\/p>\n
Une mauvaise conception se paie cher : des protocoles de communication mal pens\u00e9s peuvent cr\u00e9er des boucles o\u00f9 la sortie d’un agent d\u00e9clenche des actions conflictuelles chez un autre.<\/p>\n
Qui commande, qui vote, qui s’auto-organise<\/h3>\n Le voyage suit une cha\u00eene simple, mais il existe d’autres organisations. Trois d’entre elles se distinguent par la place qu’elles donnent au chef.<\/p>\n
La hi\u00e9rarchie<\/strong> r\u00e9partit les agents sur plusieurs niveaux : les agents sup\u00e9rieurs supervisent et dirigent ceux du dessous, qui gardent une part d’autonomie. Les d\u00e9cisions strat\u00e9giques montent, l’ex\u00e9cution reste en bas. La structure g\u00e8re mieux un grand nombre d’agents qu’un contr\u00f4le enti\u00e8rement centralis\u00e9, mais elle co\u00fbte en complexit\u00e9 de conception et en d\u00e9lais, car l’information doit traverser plusieurs \u00e9tages.<\/p>\nLe vote<\/strong> supprime le chef. Une \u00e9tude de 2023 imite une cour de justice : chaque agent joue un juge et produit un avis, puis l’avis majoritaire l’emporte. Avec neuf juges, le syst\u00e8me re\u00e7oit neuf avis en parall\u00e8le avant d’en tirer un seul. La limite : si les neuf juges viennent du m\u00eame mod\u00e8le, ils partagent le m\u00eame biais, d’o\u00f9 l’int\u00e9r\u00eat de varier les mod\u00e8les. Un quorum ou un vote \u00e9vite aussi qu’un agent isol\u00e9 devienne un point unique de d\u00e9faillance quand il faut trancher une d\u00e9cision critique.<\/p>\nL’essaim<\/strong> s’inspire des nu\u00e9es d’oiseaux et des colonies de fourmis : un grand nombre d’agents simples, sans vue globale, suivent des r\u00e8gles locales et produisent un comportement collectif par leurs interactions r\u00e9p\u00e9t\u00e9es. Il passe \u00e0 l’\u00e9chelle de centaines ou de milliers d’agents et n’a aucun point unique de d\u00e9faillance<\/strong>, mais pose des d\u00e9fis de pr\u00e9visibilit\u00e9 et d’observabilit\u00e9.<\/p>\nLes agents ne coop\u00e8rent d’ailleurs pas toujours. AlphaGo a gagn\u00e9 \u00e9norm\u00e9ment d’heures de jeu en s’entra\u00eenant contre lui-m\u00eame, et on peut mettre des agents en situation adverse pour qu’ils s’am\u00e9liorent gr\u00e2ce au retour de leur adversaire.<\/p>\n
O\u00f9 des \u00e9quipes d’agents travaillent d\u00e9j\u00e0<\/h2>\n Pour juger de l’utilit\u00e9, regarde des cas qui existent. Le premier est un laboratoire virtuel : un chercheur humain fixe un agenda, un investigateur principal (un agent) dirige un biologiste, un informaticien et un agent critique, au fil de plusieurs tours de r\u00e9unions d’\u00e9quipe et individuelles, puis r\u00e9dige une synth\u00e8se.<\/p>\n\n\n\n\t\t\t\n\t\t\t\tRemarque le r\u00f4le du critique, plac\u00e9 \u00e0 part des experts : il apporte la contradiction, un ingr\u00e9dient de la recherche que ne fournit pas un agent unique. Ce syst\u00e8me a con\u00e7u des anticorps ensuite valid\u00e9s exp\u00e9rimentalement, un travail qui exigerait normalement une \u00e9quipe pluridisciplinaire.<\/figcaption><\/figure>\n\n\nUn autre syst\u00e8me couvre toute la cha\u00eene d’une recherche, de la revue de litt\u00e9rature \u00e0 la r\u00e9daction du rapport : des agents doctorant et post-doctorant discutent du plan, un agent ing\u00e9nieur d’apprentissage automatique pr\u00e9pare les donn\u00e9es et lance les exp\u00e9riences, puis doctorant et professeur r\u00e9digent le rapport. Les agents prennent en charge les t\u00e2ches r\u00e9p\u00e9titives et laissent l’humain intervenir l\u00e0 o\u00f9 la cr\u00e9ativit\u00e9 et le jugement comptent ; le retour humain am\u00e9liore sensiblement la qualit\u00e9<\/strong> des r\u00e9sultats.<\/p>\nDans le droit, Chatlaw imite un cabinet d’avocats avec quatre r\u00f4les ind\u00e9pendants : collecte initiale d’information, recherche approfondie de documents, conseil juridique et r\u00e9daction du rapport final. Un d\u00e9tail utile : un seul mod\u00e8le, GPT-4, sert \u00e0 tout le syst\u00e8me. Les r\u00f4les viennent des consignes donn\u00e9es \u00e0 chaque agent, pas de mod\u00e8les diff\u00e9rents.<\/p>\n
Les m\u00eames principes s’\u00e9tendent \u00e0 d’autres domaines : voitures autonomes (navigation, d\u00e9tection de pi\u00e9tons, optimisation du trafic), conseil financier, urbanisme. D’une application \u00e0 l’autre, on retrouve quatre b\u00e9n\u00e9fices attendus : la sp\u00e9cialisation, le parall\u00e9lisme, une extensibilit\u00e9 plus simple (on ajoute des agents pour r\u00e9partir la charge) et la redondance, puisque la d\u00e9faillance d’un agent n’entra\u00eene pas n\u00e9cessairement celle du syst\u00e8me.<\/p>\n
Ce qu’un syst\u00e8me multiagent ne promet pas<\/h2>\n\u00ab Plus d’agents, de meilleurs r\u00e9sultats \u00bb<\/h3>\n C’est l’id\u00e9e re\u00e7ue la plus r\u00e9pandue. Plusieurs agents signifient plus d’appels au mod\u00e8le, donc un co\u00fbt de calcul plus \u00e9lev\u00e9, qui devrait se justifier par un gain de performance substantiel. Or certaines \u00e9tudes ne trouvent que des gains marginaux. Le choix est un compromis, r\u00e9sum\u00e9 ici :<\/p>\n
\n\n\nCrit\u00e8re<\/th>\n Agent seul<\/th>\n Plusieurs agents<\/th>\n<\/tr>\n<\/thead>\n \n\nCo\u00fbt<\/td>\n plus bas, peu d’appels<\/td>\n plus haut, davantage d’agents et d’appels<\/td>\n<\/tr>\n \nLatence<\/td>\n plus basse, un seul flux<\/td>\n souvent plus haute, \u00e0 cause des \u00e9changes<\/td>\n<\/tr>\n \nPanne<\/td>\n l’\u00e9chec de l’agent casse souvent tout<\/td>\n contenue dans un agent<\/td>\n<\/tr>\n \n\u00c9volution<\/td>\n bloc monolithique<\/td>\n on ajoute ou remplace un agent \u00e0 part<\/td>\n<\/tr>\n \nMessagerie<\/td>\n aucune, tout se passe dans le raisonnement<\/td>\n explicite et importante<\/td>\n<\/tr>\n \nLisibilit\u00e9<\/td>\n une seule cha\u00eene de d\u00e9cision<\/td>\n raisonnement r\u00e9parti, moins transparent<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\nLe tableau explique aussi pourquoi l’agent seul garde sa place : pour les t\u00e2ches simples, il \u00e9vite tout le surco\u00fbt d’organisation. Le bon choix d\u00e9pend de la complexit\u00e9 de la t\u00e2che, du besoin d’extensibilit\u00e9 et de la dur\u00e9e de vie attendue du syst\u00e8me.<\/p>\n
\u00ab Si c’est bien con\u00e7u, \u00e7a ne se plante pas \u00bb<\/h3>\n Une \u00e9tude de 2025 a analys\u00e9 150 traces de conversation entre agents, de plus de 15 000 lignes en moyenne, et relev\u00e9 14 causes d’\u00e9chec, regroup\u00e9es en trois cat\u00e9gories.<\/p>\n\n\n\n\t\t\t\n\t\t\t\tLis les trois colonnes comme trois moments : avant de lancer (consignes floues, r\u00f4les mal d\u00e9finis), pendant (communication pauvre, d\u00e9rive de la t\u00e2che), apr\u00e8s (arr\u00eat pr\u00e9matur\u00e9, r\u00e9sultats jamais contr\u00f4l\u00e9s).<\/figcaption><\/figure>\n\n\nAucune cause ne domine, et certaines s’encha\u00eenent : une architecture erron\u00e9e peut provoquer une communication inefficace. La bonne nouvelle est que un agent de v\u00e9rification<\/strong>, de meilleures consignes et une communication plus claire r\u00e9duisent sensiblement le risque d’\u00e9chec, sans pour autant r\u00e9soudre tous les probl\u00e8mes.<\/p>\n\u00ab Le syst\u00e8me tourne tout seul \u00bb<\/h3>\n Dans le laboratoire virtuel, l’\u00e9quipe d’agents ne se passe pas de l’humain : elle re\u00e7oit un agenda et des invites soigneusement pr\u00e9par\u00e9s, et livr\u00e9s \u00e0 eux-m\u00eames, les mod\u00e8les restent flous, n’arr\u00eatent aucune d\u00e9cision tant qu’on ne l’exige pas, ou d\u00e9rivent loin de leur mission. Il faut aussi tenir compte de leurs connaissances arr\u00eat\u00e9es \u00e0 une date donn\u00e9e : ils peuvent sugg\u00e9rer d’anciens outils, d’o\u00f9 l’int\u00e9r\u00eat de leur donner acc\u00e8s \u00e0 une recherche externe.<\/p>\n
Ce qu’il faut retenir : un syst\u00e8me multiagent est une fa\u00e7on de d\u00e9couper un probl\u00e8me en r\u00f4les<\/strong> qui se passent le relais, pas une garantie de performance. Il vaut son prix quand la t\u00e2che est complexe, r\u00e9partie ou sp\u00e9cialis\u00e9e.<\/p>","protected":false},"excerpt":{"rendered":"Un syst\u00e8me multiagent confie chaque r\u00f4le \u00e0 un agent sp\u00e9cialis\u00e9. D\u00e9finition, exemple de code, modes d’organisation et id\u00e9es re\u00e7ues \u00e0 \u00e9carter.<\/p>\n","protected":false},"author":1,"featured_media":564,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[8],"tags":[],"class_list":["post-565","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\/565","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=565"}],"version-history":[{"count":2,"href":"https:\/\/www.ranksignal.fr\/blog\/wp-json\/wp\/v2\/posts\/565\/revisions"}],"predecessor-version":[{"id":567,"href":"https:\/\/www.ranksignal.fr\/blog\/wp-json\/wp\/v2\/posts\/565\/revisions\/567"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.ranksignal.fr\/blog\/wp-json\/wp\/v2\/media\/564"}],"wp:attachment":[{"href":"https:\/\/www.ranksignal.fr\/blog\/wp-json\/wp\/v2\/media?parent=565"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.ranksignal.fr\/blog\/wp-json\/wp\/v2\/categories?post=565"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.ranksignal.fr\/blog\/wp-json\/wp\/v2\/tags?post=565"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
![\"Le](\"https:\/\/www.ranksignal.fr\/wp-content\/uploads\/2026\/10\/b2_ch09_agents_voyage.png\")