Dans les sections précédentes, nous avons appris :
Dans cette section, nous explorerons l’ensemble du Workflow de l’Agent IA, un cycle que nous avons défini comme Raisonnement-Action-Observation (Thought-Action-Observation).
Puis, nous approfondirons chacune de ces étapes.
Les agents fonctionnent selon un cycle continu de : raisonner (Raisonnement) → agir (Action) et observer (Observation) (thinking (Thought) → acting (Act) and observing (Observe)).
Décomposons ensemble ces actions :
Les trois composants fonctionnent ensemble dans une boucle continue. Pour utiliser une analogie issue de la programmation, l’agent utilise une boucle while : la boucle continue jusqu’à ce que l’objectif de l’agent soit atteint.
Visuellement, cela ressemble à ceci :
Dans de nombreux frameworks d’agents, les règles et directives sont intégrées directement dans le prompt système, garantissant que chaque cycle respecte une logique définie.
Dans une version simplifiée, notre prompt système pourrait ressembler à ceci :
Nous voyons ici que dans le Message Système, nous avons défini :
Prenons un petit exemple pour comprendre le processus avant d’approfondir chacune des étapes.
Nous avons créé Alfred, l’Agent météo.
Un utilisateur demande à Alfred : « Quel temps fait-il à New York aujourd’hui ? »
La mission d’Alfred est de répondre à cette question en utilisant un outil d’API météo.
Voici comment le cycle se déroule :
Raisonnement Interne :
Après avoir reçu la requête, le dialogue interne d’Alfred pourrait être :
“L’utilisateur a besoin d’informations météorologiques actuelles pour New York. J’ai accès à un outil qui récupère les données météo. D’abord, je dois appeler l’API météo pour obtenir des détails à jour.”
Cette étape montre l’agent décomposant le problème en étapes : d’abord, rassembler les données nécessaires.
Utilisation de l’Outil :
En se basant sur son raisonnement et sur le fait qu’Alfred connaît l’outil get_weather, Alfred prépare une commande au format JSON qui appelle l’outil API météo. Par exemple, sa première action pourrait être :
Raisonnement : Je dois vérifier la météo actuelle pour New York.
{
"action": "get_weather",
"action_input": {
"location": "New York"
}
}Ici, l’action précise clairement quel outil appeler (par exemple, get_weather) et quel paramètre passer (la « location » : « New York »).
Retour d’information de l’Environnement :
Après l’appel à l’outil, Alfred reçoit une observation. Cela pourrait être les données météo brutes renvoyées par l’API, par exemple :
“Météo actuelle à New York : partiellement nuageux, 15°C, 60% d’humidité.”
Cette observation est ensuite ajoutée au prompt en tant que contexte supplémentaire. Elle agit comme un retour du monde réel, confirmant si l’action a réussi et fournissant les détails nécessaires.
Réflexion :
Avec l’observation en main, Alfred met à jour son raisonnement interne :
“Maintenant que j’ai les données météo pour New York, je peux préparer une réponse pour l’utilisateur.”
Alfred génère ensuite une réponse finale formatée comme nous le lui avons indiqué :
Raisonnement : J’ai maintenant les données météo. La météo actuelle à New York est partiellement nuageuse avec une température de 15°C et 60% d’humidité.
Réponse finale : La météo actuelle à New York est partiellement nuageuse avec une température de 15°C et 60% d’humidité.
Cette action finale renvoie la réponse à l’utilisateur, bouclant ainsi le cycle.
Ce que nous voyons dans cet exemple :
Les agents itèrent dans une boucle jusqu’à ce que l’objectif soit atteint :
Le processus d’Alfred est cyclique. Il commence par un raisonnement, passe à l’action en appelant un outil, puis observe le résultat. Si l’observation avait indiqué une erreur ou des données incomplètes, Alfred aurait pu reprendre le cycle pour corriger son approche.
Intégration des outils :
La capacité d’appeler un outil (comme une API météo) permet à Alfred d’aller au-delà de la connaissance statique et de récupérer des données en temps réel, un aspect essentiel de nombreux agents d’IA.
Adaptation dynamique :
Chaque cycle permet à l’agent d’intégrer des informations fraîches (observations) dans son raisonnement, garantissant que la réponse finale est bien informée et précise.
Cet exemple illustre le concept fondamental du cycle ReAct (un concept que nous allons développer dans la section suivante) : l’interaction entre Raisonnement, Action et Observation permet aux agents d’IA de résoudre de manière itérative des tâches complexes.
En comprenant et en appliquant ces principes, vous pouvez concevoir des agents qui non seulement réfléchissent à leurs tâches, mais utilisent également efficacement des outils externes pour les accomplir, tout en affinant continuellement leur production en fonction des retours de l’environnement.
Plongeons maintenant plus en profondeur dans le Raisonnement, l’Action et l’Observation en tant qu’étapes individuelles du processus.
< > Update on GitHub