Glossaire

Agent IA

Un agent IA est un système piloté par un LLM qui fonctionne en boucle : planifier, décomposer un objectif en sous-tâches ; agir, sélectionner et invoquer un ou plusieurs outils ; observer, lire les résultats des outils et mettre à jour l'état interne ; itérer, répéter jusqu'à ce que l'objectif soit atteint ou qu'une condition d'arrêt soit remplie. Ce qui en fait un agent plutôt qu'un workflow, c'est que le modèle décide du flux de contrôle à l'exécution : quel outil appeler, s'il faut boucler encore, quand s'arrêter.

Expliqué dans Les agents IA, MCP et le paysage moderne des frameworks, Est-ce vraiment un agent ? J'ai construit la même tâche de trois façons pour le savoir

Coupe-circuit

La commande qui arrête les agents, globalement ou par environnement, équipe ou agent. Elle doit arrêter le travail nouveau, pas seulement l'ancien : arrêter tous les agents est trivial à implémenter comme une mise à jour de statut sur des lignes existantes, et totalement inutile si un agent arrêté peut ouvrir une nouvelle exécution une seconde plus tard, donc l'interrupteur doit conditionner la création de travail.

Expliqué dans J'ai construit un plan de contrôle pour agents IA. Voici ce que la gouvernance exige vraiment

Fenêtre de contexte

La quantité de texte que l'on peut donner à un modèle en un seul appel. C'est un plafond, pas une pente : au-delà, le prompt ne se dégrade pas, il échoue, avec zéro appel au modèle et une erreur disant que le prompt est trop long. Une architecture qui met tout le jeu de données dans le prompt ne devient donc pas moins bonne quand les données grossissent : elle disparaît.

Expliqué dans Est-ce vraiment un agent ? J'ai construit la même tâche de trois façons pour le savoir

Hallucination

Le mot de l'industrie elle-même pour une sortie fausse énoncée avec assurance : des inexactitudes substantielles qui paraissent exactes par leur niveau de détail ou de spécificité. C'est le risque qui définit le produit, et les conditions de chaque fournisseur vous transfèrent le devoir de vérifier la sortie.

Expliqué dans Qui paie quand l'IA se trompe ? J'ai lu les conditions de dix fournisseurs pour le savoir

LLMLarge Language Model

Les LLM exploitent la puissance des algorithmes d'apprentissage profond et des réseaux de neurones, en particulier les modèles transformeurs, pour comprendre et générer du texte en langage naturel. Entraînés sur de vastes jeux de données tels que des livres, des articles et des sites web, ces modèles sont capables de produire un texte d'apparence humaine.

Expliqué dans Imaginez un monde où les livres répondent à vos questions

MCPModel Context Protocol

Un standard ouvert, créé à l'origine par Anthropic et désormais gouverné par la Linux Foundation. Les clients, parmi lesquels Claude, ChatGPT, VS Code, les IDE JetBrains et Cursor, se connectent à des serveurs MCP qui exposent des schémas d'outils. Sa valeur clé : écrivez vos outils une seule fois et exposez-les à n'importe quel client compatible MCP, sans aucun travail d'intégration par client.

Expliqué dans Les agents IA, MCP et le paysage moderne des frameworks

Observabilité

Le relevé de ce qu'un agent a réellement fait à l'exécution : les exécutions, les spans, les appels de modèles, les appels d'outils, les tokens, la latence, le coût. Sans lui, tout ce qui se passe entre la requête et la réponse est invisible, et c'est la première des lacunes que rencontrent les équipes qui mettent des agents en production.

Expliqué dans J'ai construit un plan de contrôle pour agents IA. Voici ce que la gouvernance exige vraiment

Outil (d'un agent)

Les outils sont des contrats sémantiques. Un agent lit le nom, la description et le schéma d'un outil pour décider s'il doit l'appeler et comment ; si l'un de ces signaux est vague, l'agent peut appeler le mauvais outil, transmettre des entrées mal formées ou mal interpréter les sorties et halluciner par la suite.

Expliqué dans Les agents IA, MCP et le paysage moderne des frameworks

Plan de contrôle

Le seul endroit où une flotte d'agents est inventoriée, observée, gouvernée et arrêtable. « Arrête tous les agents qui ont touché à l'outil de facturation cette heure-ci, et dis-moi qui a approuvé ça » est à la fois une question de registre, une question d'observabilité, une question de politique et une question d'audit, et un plan de contrôle, c'est l'endroit où ces quatre-là peuvent former une seule requête.

Expliqué dans J'ai construit un plan de contrôle pour agents IA. Voici ce que la gouvernance exige vraiment

RAGRetrieval-Augmented Generation

Relier un modèle de langage à des sources de données externes, telles que des PDF, des API et des bases de données, pour que la réponse sorte de ces sources et non du seul entraînement général du modèle. L'essentiel est de cibler les tâches ou les questions qui exigent une expertise métier ou des informations qui vont au-delà des connaissances générales du modèle, et de comprendre quelle information précise est requise pour générer des réponses justes.

Expliqué dans Imaginez un monde où les livres répondent à vos questions

Suite d'évaluations

Des suites de tests automatisées et rejouables qui mesurent le taux de réussite de l'agent par outil : de 10 à 20 tâches réalistes avec des sorties de référence attendues, rejouées après chaque correction, en relevant le taux de réussite, le nombre d'appels d'outils, la consommation de tokens, la latence et le taux d'erreur par catégorie.

Expliqué dans Les agents IA, MCP et le paysage moderne des frameworks

Workflow

Les workflows orchestrent des LLM le long de chemins de code prédéfinis ; les agents dirigent leur propre processus. Une chaîne fixe classifier, exécuter, composer reste un workflow quel que soit le nombre d'appels LLM qu'elle contient, parce que chaque chemin possible a été énuméré par un humain à l'écriture.

Expliqué dans Est-ce vraiment un agent ? J'ai construit la même tâche de trois façons pour le savoir

Dernière mise à jour 8 oct. 2026