Les 21 Agentic Design Patterns
Les agents IA ne se limitent pas à envoyer un prompt et recevoir une réponse. Les systèmes agentiques modernes combinent plusieurs patterns d'architecture pour décomposer des tâches complexes, interagir avec des outils externes, s'auto-corriger et collaborer entre eux. Ces 21 design patterns, documentés par Antonio Gulli dans Agentic Design Patterns, constituent la référence pour concevoir des agents fiables et performants. Du prompt chaining pour les pipelines séquentiels au multi-agent pour les systèmes distribués, en passant par le RAG pour l'accès aux connaissances et les guardrails pour la sécurité, chaque pattern résout un problème d'architecture spécifique. Ce guide les présente tous, organisés en 4 parties : fondamentaux, cognitifs, robustesse et avancés.
Les 21 patterns
Prompt Chaining (Pipeline Pattern)
Le Prompt Chaining, également appelé Pipeline Pattern, représente un paradigme pour traiter des tâches complexes avec des LLMs.
Routing
Alors que le traitement séquentiel via le prompt chaining est une technique fondamentale pour exécuter des workflows déterministes et linéaires, son applicabilité est limitée dans les scénarios nécessitant des réponses adaptatives.
Parallelization
La Parallelization implique l'exécution simultanée de plusieurs composants - appels LLM, usages d'outils, ou même des sous-agents entiers - de manière concurrente.
Reflection
Le Reflection Pattern implique qu'un agent évalue son propre travail, sa sortie, ou son état interne.
Tool Use (Function Calling)
Le Tool Use Pattern, souvent implémenté via un mécanisme appelé Function Calling, permet à un agent d'interagir avec des APIs externes, bases de données, services, ou même d'autres modèles d'IA.
Planning
Dans le contexte de l'IA, un agent de planning est un spécialiste à qui on délègue un objectif complexe.
Multi-Agent Collaboration
Le Multi-Agent Collaboration Pattern implique de concevoir des systèmes où plusieurs agents indépendants ou semi-indépendants travaillent ensemble pour atteindre un objectif commun.
Memory Management
La gestion efficace de la mémoire est cruciale pour les agents intelligents afin de retenir des informations.
Learning and Adaptation
Le Learning and Adaptation Pattern concerne les agents qui s'améliorent dans ce qu'ils font et gèrent de nouvelles situations en utilisant leurs expériences.
Model Context Protocol (MCP)
Imaginez un adaptateur universel qui permet à n'importe quel LLM de se connecter à n'importe quel système externe, base de données, ou outil sans intégration personnalisée pour chacun.
Goal Setting and Monitoring
Le Goal Setting and Monitoring Pattern concerne la planification agentique : comment un agent prend un objectif de haut niveau et génère de manière autonome une série d'étapes ou de sous-objectifs intermédiaires.
Exception Handling and Recovery
Le Exception Handling and Recovery Pattern traite le besoin pour les agents IA de gérer les défaillances opérationnelles.
Human-in-the-Loop (HITL)
Le Human-in-the-Loop (HITL) Pattern intègre l'intelligence artificielle avec l'input humain pour améliorer les capacités des agents.
Knowledge Retrieval (RAG)
Le Knowledge Retrieval (RAG) Pattern améliore significativement les capacités des LLMs en leur accordant l'accès à des bases de connaissances externes avant de générer une réponse.
Inter-Agent Communication (A2A)
Le protocole Agent2Agent (A2A) est un standard ouvert conçu pour permettre la communication et la collaboration entre différents frameworks d'agents IA.
Resource-Aware Optimization
Le Resource-Aware Optimization Pattern permet aux agents intelligents de surveiller et gérer dynamiquement les ressources computationnelles, temporelles, et financières pendant l'opération.
Reasoning Techniques
Le Reasoning Techniques Pattern englobe les méthodes qui permettent aux agents de raisonner explicitement et de manière transparente.
Guardrails/Safety Patterns
Les Guardrails, ou safety patterns, fournissent une solution standardisée pour gérer les risques inhérents aux systèmes agentiques.
Evaluation and Monitoring
Le Evaluation and Monitoring Pattern reconnaît qu'évaluer les agents intelligents va au-delà des tests traditionnels pour mesurer continuellement leur efficacité, efficience, et adhérence aux exigences dans des environnements réels.
Prioritization
Le Prioritization Pattern permet aux agents de gérer efficacement les tâches, objectifs, et sous-objectifs, guidant les actions subséquentes.
Exploration and Discovery
Le Exploration and Discovery Pattern s'applique quand un agent opère dans des domaines ouverts, complexes, ou en évolution rapide où l'espace de solution n'est pas complètement défini.
4 parties, 21 chapitres
Patterns fondamentaux
Les briques de base : prompt chaining, routing, parallélisation, reflection, tool use, planning et multi-agent. Ces patterns couvrent 80 % des cas d'usage courants.
Patterns cognitifs
Mémoire, apprentissage, MCP et monitoring des objectifs. Ces patterns donnent aux agents la capacité de retenir, apprendre et s'adapter.
Patterns de robustesse
Gestion des exceptions, human-in-the-loop et RAG. Ces patterns assurent la fiabilité et la sécurité en production.
Patterns avancés
Communication inter-agents, optimisation des ressources, raisonnement, guardrails, évaluation, priorisation et exploration.
Auditez l'architecture de votre agent IA
Identifiez les patterns manquants, les risques et les quick wins pour améliorer votre système agentique.
Auditer mon agent