Les grands modèles de langage sont de plus en plus capables de gérer des tâches complexes en plusieurs étapes, ce qui a donné naissance à une nouvelle catégorie de systèmes basés sur les LLM, appelés agents. Ce guide, tiré de nombreux déploiements chez des clients, s'adresse aux équipes produit et ingénierie qui construisent leurs premiers agents. Il présente des cadres pour identifier les cas d'usage prometteurs, des modèles pour la logique et l'orchestration des agents, ainsi que des bonnes pratiques pour garantir qu'ils soient sûrs, prévisibles et efficaces.
Qu'est-ce qu'un agent ? Alors que les logiciels classiques aident les utilisateurs à rationaliser leurs flux de travail, les agents exécutent ces flux à la place de l'utilisateur, avec un haut degré d'autonomie. Un flux de travail est une suite d'étapes nécessaires pour atteindre un objectif, comme résoudre un problème de service client, réserver un restaurant, valider une modification de code ou générer un rapport. Les chatbots simples, les LLM à tour unique et les classificateurs de sentiments qui n'utilisent pas le LLM pour contrôler l'exécution du flux de travail ne sont pas des agents.
Un agent utilise un LLM pour gérer l'exécution du flux de travail et prendre des décisions. Il reconnaît quand un flux de travail est terminé, corrige ses actions si nécessaire, et peut s'arrêter et rendre le contrôle à l'utilisateur en cas d'échec. Il dispose également d'outils lui permettant de recueillir du contexte et d'agir dans des systèmes externes, en sélectionnant l'outil approprié selon l'état actuel du flux de travail, et il fonctionne toujours dans des garde-fous clairement définis.
Quand faut-il construire un agent ? Les agents conviennent aux flux de travail pour lesquels les approches traditionnelles fondées sur des règles montrent leurs limites. L'analyse de fraude aux paiements illustre la différence : un moteur de règles fonctionne comme une liste de contrôle, tandis qu'un agent LLM évalue le contexte et des schémas subtils, et repère une activité suspecte même lorsqu'aucune règle claire n'est enfreinte. Privilégiez les flux de travail impliquant une prise de décision complexe, des règles difficiles à maintenir ou un recours intensif à des données non structurées. Si votre cas d'usage ne remplit pas clairement ces critères, une solution déterministe peut suffire.
Source: OpenAI Blog · Résumé par HeadlinesBriefing