Construire un système multi-agents sans code

À retenir

La plateforme vous permet ensuite de déployer le système et d’en créer une API, le tout sans aucune connaissance en programmation.
ReACT, développé comme une méthode qui combine le raisonnement et l’action, est incroyablement efficace pour les systèmes multi-agents qui exigent à la fois une réflexion logique et des actions concrètes.
MetaGPT est idéal lorsque différentes parties d’une tâche exigent des expertises distinctes, comme le marketing, la programmation et l’analyse de données.

Regardez la vidéo!

Bonjour tout le monde! Je suis Louis-François, CTO et cofondateur de Towards AI. Aujourd’hui, nous allons explorer un sujet indispensable pour tous les développeurs en IA et même les utilisateurs d’outils sans code : les systèmes multi-agents. Vous avez probablement déjà utilisé un chatbot, peut-être GPT-4o ou même un modèle Claude, mais si je vous disais qu’il existe quelque chose d’encore plus puissant? Quelque chose qui peut non seulement vous parler, mais aussi agir de façon autonome pour accomplir des tâches. Voilà ce que nous abordons aujourd’hui avec les agents, aussi appelés « IA agentique ».

Alors, qu’est-ce que l’IA agentique? C’est plus qu’un simple chatbot. Il s’agit d’une IA qui ne se contente pas de vous répondre, mais peut réellement agir et prendre des décisions pour accomplir des tâches sans intervention humaine. Je vous donnerai des exemples concrets dans une minute. Mais le plus intéressant, c’est que la construction de tels systèmes exigeait auparavant du code, comme dans l’article sur MetaGPT que j’ai présenté il y a quelques mois. Maintenant, grâce à Integrail, un excellent outil et le commanditaire de cet article, vous pouvez créer et évaluer des systèmes multi-agents complexes sans écrire une seule ligne de code. Je vous montrerai comment dans quelques minutes.

Qu’est-ce qu’un système multi-agents?

Mais avant d’approfondir l’IA agentique, expliquons ce qu’est un système multi-agents. Il s’agit simplement de plusieurs agents, chacun avec sa spécialité, qui collaborent pour résoudre des problèmes complexes. Imaginez un groupe d’experts. Chacun excelle dans une partie précise d’un projet et, ensemble, ils accomplissent beaucoup plus qu’une personne seule. Cette idée ressemble à ce que nous avons vu avec MetaGPT dans un article précédent, où plusieurs agents travaillent en synchronisation pour diviser des tâches complexes en parties gérables dont chacun devient responsable.

D’accord, mais pourquoi avons-nous besoin de systèmes multi-agents? Pour l’automatisation. Ces systèmes plus complexes peuvent gérer plusieurs tâches en même temps, comme envoyer des emails, organiser des données et interagir avec des services externes, le tout simultanément! Disons que vous voulez automatiser tout votre workflow, de la gestion des emails à la publication de contenu sur les médias sociaux. Un système multi-agents peut coordonner toutes ces activités sans que vous ayez constamment à lui fournir des instructions. C’est essentiellement une version plus puissante de ChatGPT, connectée à différents outils et à des capacités qu’il ne possède pas, qui peut aussi utiliser des LLMs adaptés à chaque tâche.

Un chatbot GPT standard peut difficilement égaler ce type de capacité, puisqu’il traite généralement une réponse à la fois. Ici, les agents peuvent s’intégrer à des outils comme ClickUp, générer des images ou même travailler avec d’autres modèles d’IA pour vous simplifier la vie. Par exemple, GPT-4o excelle dans les interactions multimodales et le traitement vocal en temps réel, tandis que Qwen-1.5 convient parfaitement aux tâches légères de service à la clientèle grâce à sa capacité à gérer efficacement plusieurs langues. On peut aussi utiliser Claude pour la programmation et l’écriture, mon modèle préféré ces temps-ci. Cette configuration exploite les forces de chaque modèle dans un système multi-agents afin de maximiser l’efficacité. On peut également choisir un modèle plus petit comme 4o mini pour les tâches faciles ou Gemini 1.5 Pro pour gérer de grands contextes de données. Le système multi-agents peut ainsi traiter efficacement des livres au complet ou de vastes datasets. Comme vous disposez de plusieurs agents, vous pouvez utiliser différents LLMs pour chaque tâche afin de réduire les coûts et les délais tout en maximisant les performances. Seuls de tels systèmes offrent cette possibilité.

Bien sûr, vous devrez demeurer prudent face aux problèmes potentiels, comme le risque accru d’hallucination lorsque plusieurs agents interagissent. Nous y reviendrons après notre belle démo.

Vous vous souvenez peut-être de mes articles précédents sur ReACT et MetaGPT, deux frameworks puissants pour créer ces systèmes multi-agents. Revenons-y brièvement afin de mieux comprendre comment les appliquer aujourd’hui.

ReACT, une méthode qui combine le raisonnement et l’action, est incroyablement efficace pour les systèmes multi-agents qui exigent à la fois une réflexion logique et des actions concrètes. Un agent qui utilise ReACT peut par exemple décomposer la requête d’un utilisateur en étapes de raisonnement avant de décider de l’action à prendre. Il devient ainsi plus fiable dans les situations qui demandent une prise de décision prudente. En intégrant ReACT, les systèmes multi-agents peuvent planifier avec plus de soin et réduire les erreurs par rapport aux agents purement réactifs.

MetaGPT, de son côté, ressemble à une équipe de GPTs spécialisés dans différents domaines qui interagissent pour résoudre ensemble des tâches plus complexes au moyen d’outputs formatés. MetaGPT est idéal lorsque différentes parties d’une tâche exigent des expertises distinctes, comme le marketing, la programmation et l’analyse de données. Si vous gérez le lancement d’un produit, les agents MetaGPT peuvent par exemple répartir les responsabilités. Un agent génère le contenu marketing tandis qu’un autre se concentre sur la documentation technique. Ce type de structure coopérative rend les systèmes agentiques beaucoup plus puissants qu’un seul LLM. Et voici comment en construire facilement un nous-mêmes…

Construire une application multi-agents simple

Dans cette démo, je tenterai de reproduire mon travail avec un système multi-agents, ou au moins une partie. Comme vous le savez, je présente souvent de nouveaux articles scientifiques et de nouvelles techniques du domaine sur la chaîne. Une partie de mon travail consiste à publier sur LinkedIn ou Twitter pour résumer les principales observations tirées de ces articles. Je dois lire l’article, comprendre ce que les chercheurs ont fait et si c’est vraiment pertinent, puis tout synthétiser dans une liste à puces claire.

Bien sûr, ChatGPT peut faire du bon travail si vous lui envoyez l’article, mais il faut souvent plusieurs allers-retours.

Nous voulons ensuite une version pour LinkedIn et une autre pour Twitter, adaptée aux fils et à leur longueur maximale. ChatGPT peut encore le faire, mais cela exige toujours quelques allers-retours. Nous aimerions ensuite une jolie image mignonne ou amusante, pourquoi pas? Encore plus d’allers-retours avec Dalle ou un autre générateur d’images de votre choix.

J’ai plutôt reproduit ce processus dans un seul workflow multi-agents qui a simplement besoin du PDF comme input et génère chaque autre élément séparément. J’ai seulement inclus le texte ici pour simplifier, mais vous pouvez construire un système aussi complexe que vous le souhaitez. Le premier agent extrait le texte pertinent de l’article. Vous pouvez bien sûr lui donner un prompt plus avancé et des exemples pour montrer ma façon habituelle de travailler, ce qui a toujours été très agaçant à faire manuellement avec ChatGPT. Nous avons ensuite 3 autres agents chargés de créer les publications et les images, chacun avec son propre prompt. Là encore, vous pourriez fournir plus de détails et d’exemples pour améliorer les résultats, comme avec ChatGPT, mais il s’agirait ici d’une modification faite une fois pour toutes.

Bien sûr, il s’agit d’une version très simple et les prompts demanderaient du travail et du fine-tuning, tout comme avec ChatGPT. Vous voyez toutefois qu’en un seul clic, j’obtiens tout ce dont j’ai besoin. Je n’ai même plus à écrire de prompt et je n’ai codé aucune ligne pour y arriver. C’est un système assez cool et une plateforme encore plus cool pour en construire. Elle vous permet ensuite de déployer le système et d’en créer une API sans aucune connaissance en programmation. Vous pourriez fournir cette API à vos développeurs ou la connecter à un simple site Web.

Conseils et avertissements pour utiliser les systèmes multi-agents

Il est essentiel de se rappeler que la personnalisation est la clé de la construction de ces systèmes. Chaque agent devrait avoir un rôle bien défini. Lorsque vous l’intégrez à des plateformes comme Integrail, assurez-vous de le tester rigoureusement, ce qui sera le sujet de notre deuxième article avec Integrail. La surautomatisation peut être tentante, mais la supervision humaine demeure essentielle, surtout dans les contextes à enjeux élevés ou même pour de petites choses comme les publications sur les médias sociaux! Les gens voient qu’elles ont été générées. Nous le ressentons. Elles doivent être révisées et améliorées manuellement pour correspondre à votre personnalité, vos idées, vos blagues et vos petites manies!

Voici quelques conseils pratiques :

Définissez des limites claires pour chaque agent : les rôles peuvent facilement se chevaucher, ce qui entraîne de l’inefficacité ou, pire encore, des actions contradictoires. Définissez clairement la portée des tâches de chaque agent. Par exemple, Gemini 1.5 Pro peut servir à interpréter des données à grande échelle, tandis que Claude 3.5 peut remplir des rôles axés sur les interactions avec les utilisateurs, etc. C’est comme avec plusieurs personnes. Ne posez pas plusieurs questions à la fois, sinon elles oublieront de répondre à certaines! De la même façon, vous voulez diviser les tâches entre les agents le mieux possible.
Surveillez les hallucinations entre les agents : lorsque plusieurs LLMs collaborent, les hallucinations risquent de prendre de l’ampleur. La fausse information d’un modèle peut être transmise et amplifiée. Pour limiter ce problème, utilisez le framework de raisonnement de ReACT, qui permet à chaque agent de valider son output avant que le prochain prenne la relève.
Gardez un humain dans la boucle pour les décisions critiques : les systèmes multi-agents peuvent commettre des erreurs, surtout dans des applications sensibles comme les transactions financières ou les soins de santé. Intégrez toujours des humains aux décisions critiques afin d’assurer la sécurité et la fiabilité.
Testez rigoureusement l’intégration : dans une configuration multi-agents en particulier, il est essentiel de tester les points d’intégration entre les agents. Utilisez des outils comme Integrail pour simuler différents workflows et vérifier que les agents interagissent sans friction. Nous le verrons dans le prochain article.
Évitez la surautomatisation : il est tentant d’automatiser chaque tâche, mais rappelez-vous que certains processus bénéficient du jugement, des goûts ou de la personnalité d’une personne, comme les publications sociales. Le service à la clientèle peut par exemple utiliser Qwen-1.5 pour fournir des réponses instantanées, mais les problèmes complexes devraient être transmis à un humain afin d’assurer l’exactitude et l’empathie.
Tenez compte de la confidentialité et de la sécurité : manipulez toujours les données avec soin, surtout dans les systèmes qui interagissent avec de l’information sensible. GPT-4o et LLaMA 3.1 possèdent par exemple des outils de modération intégrés qui peuvent signaler le contenu sensible. Des fonctionnalités d’anonymisation, comme celles d’Integrail, demeurent toutefois indispensables au respect de la vie privée.

Conclusion

Rappelez-vous simplement que malgré tout ce que ces systèmes ont d’intéressant, ils comportent toujours des compromis. Les hallucinations, la surautomatisation et les problèmes de confidentialité doivent être gérés avec soin.

Si cette exploration approfondie de l’IA agentique vous a plu, assurez-vous d’aimer la vidéo, de vous abonner et de me dire dans les commentaires si vous essayez Integrail. J’adore vraiment l’outil, et encore plus l’équipe. Je vous recommande fortement de l’essayer, puisqu’un bon forfait gratuit permet de construire des systèmes multi-agents comme celui-ci!

Merci d’avoir lu, et on se retrouve dans le prochain!

FAQ

Qu’est-ce qu’un système multi-agents sans code?

C’est un workflow visuel où les utilisateurs configurent des agents fondés sur des modèles, leurs rôles, leurs outils et leurs handoffs sans écrire le code d’orchestration.

Quand les agents spécialisés sont-ils utiles?

Ils aident lorsqu’une tâche comporte des responsabilités séparables comme la recherche, le marketing, l’analyse de données et la programmation.

Différents agents peuvent-ils utiliser différents modèles?

Oui. Les tâches faciles peuvent utiliser un modèle moins cher, tandis que les étapes difficiles ou qui exigent un grand contexte emploient un modèle plus puissant.

Qu’est-ce que ReAct ajoute à un agent?

ReAct alterne le raisonnement et les actions d’outils afin que le modèle puisse observer les résultats et ajuster sa prochaine étape.

Le déploiement sans code élimine-t-il les risques d’ingénierie?

Non. Le système exige tout de même des permissions, une évaluation, une surveillance, des contrôles de coûts et une gestion prévisible des échecs.

Comment un workflow de contenu multi-agents peut-il réduire les allers-retours?

Un agent peut extraire les points clés d’un article scientifique, puis des agents spécialisés peuvent produire des publications adaptées à chaque plateforme et une image à partir du même input.