Cinq études expliquent le fonctionnement de l’IA agentique

Cinq travaux de recherche permettent de cerner ce que recouvre l’IA agentique, des équipes d’agents qui dialoguent aux apprentissages à long terme dans un monde simulé. Ensemble, ils détaillent comment un LLM peut raisonner, agir, solliciter des outils, mémoriser et se coordonner. Voici ce que couvre chacun, et pourquoi ces briques se combinent souvent dans les systèmes actuels.

Des équipes d’agents qui dialoguent et se coordonnent

AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation, signé 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 résoudre des tâches. Le cadre permet à chaque agent d’endosser un rôle spécifique, d’utiliser des outils et d’exécuter du code, tout en intégrant si besoin des humains dans la boucle. La coordination se fait par échange conversationnel entre agents, ce qui structure la décomposition et la vérification des étapes. L’article documente des applications en programmation, mathématiques, questions-réponses, recherche opérationnelle et prise de décision, et évoque d’autres terrains d’usage. Il met en avant un basculement d’un assistant unique vers des équipes d’agents spécialisés capables de collaborer. Cette approche expose concrètement comment articuler rôles, appels d’outils et exécution au sein d’un dialogue multi-agents.

Compétences réutilisables dans un monde ouvert

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’IA agentique dans un environnement incarné : Minecraft. Plutôt que d’accomplir une tâche bornée et de s’arrêter, l’agent poursuit l’exploration, découvre de nouveaux éléments et enrichit une bibliothèque de compétences réutilisables. Son architecture s’appuie sur un curriculum automatique pour guider l’exploration, une bibliothèque stockant des comportements exécutables, et un prompting itératif utilisant les retours de l’environnement et les erreurs d’exécution pour s’améliorer. Présenté ainsi, le cadre illustre les besoins d’un agent de long terme et la manière dont il peut progresser continûment en tirant parti des signaux du monde où il agit.

Des LLM qui décident quand solliciter un outil

Toolformer: Language Models Can Teach Themselves to Use Tools, rédigé par Timo Schick, Jane Dwivedi-Yu, Roberto Dessì, Roberta Raileanu, Maria Lomeli, Luke Zettlemoyer, Nicola Cancedda et Thomas Scialom, traite d’un enjeu central de l’IA agentique : l’usage d’outils. Les LLM, performants en rédaction et en raisonnement, butent encore sur certaines tâches comme l’arithmétique, la recherche de faits, la traduction ou l’accès à des informations à jour. L’article décrit un apprentissage auto-supervisé où le modèle choisit le moment d’utiliser un outil, sélectionne lequel employer, détermine les arguments à transmettre et décide de la façon d’inclure la réponse obtenue dans sa propre production. Les expériences portent sur une calculatrice, un moteur de recherche, un outil de traduction, un calendrier et un système de questions-réponses. Présentée ainsi, la méthode met en lumière la transition du générateur de texte traditionnel vers un système capable d’exploiter de façon appropriée des ressources externes.

Raisonner puis agir, en boucle

ReAct: Synergizing Reasoning and Acting in Language Models, signé par Shunyu Yao, Jeffrey Zhao, Dian Yu, Nan Du, Izhak Shafran, Karthik Narasimhan et Yuan Cao, propose un schéma de prompting qui alterne réflexion et action. Les étapes de raisonnement servent à planifier, suivre l’avancement et se remettre d’erreurs, tandis que les actions déclenchent des interactions avec des ressources externes, comme des API de recherche, des bases de connaissances ou des tâches de décision. Ce couplage pensée–action ancre l’agent dans une boucle itérative, souvent décrite comme « penser, agir, observer, mettre à jour, continuer ». Le papier est présenté comme une porte d’entrée utile pour comprendre les fondements des agents adossés à des LLM.

Mémoire, réflexion et planification dans un monde simulé

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 scène des agents qui simulent un comportement humain crédible dans un cadre inspiré de The Sims. Les agents se réveillent, établissent des plans, mémorisent et réfléchissent à leurs expériences, échangent entre eux et coordonnent des actions à venir. L’architecture combine explicitement mémoire, réflexion et planification, avec une insistance sur la continuité : ce que l’agent retient, la façon dont il met à jour ses croyances et l’influence des événements passés sur ses décisions futures. Le papier est recommandé pour apprécier le rôle déterminant de la mémoire et de la réflexion dans la conception d’agents.

Mode d’emploi de la lecture et périmètre de la sélection

Cette sélection réunit cinq références pour aborder l’IA agentique en pratique. Elle assume le déplacement d’un cadre purement génératif de texte vers des agents qui raisonnent, utilisent des outils, conservent des souvenirs et collaborent, dans des contextes allant d’environnements simulés à des équipes d’agents. Le lecteur est invité à se concentrer sur les idées clés plutôt que sur les détails d’implémentation lors d’une première lecture. Présentés ensemble, ces travaux éclairent des familles d’agents qu’on rencontre couramment : usage d’outils, mémoire, planification, collaboration et exploration autonome. Ils indiquent enfin que de nombreux systèmes actuels se construisent en combinant sept briques récurrentes : raisonnement, action, outils, mémoire, retours de l’environnement, planification et collaboration.