L'écosystème des agents IA autonomes dans un seul dépôt

Andrew Ng a récemment soulevé un point intéressant : un modèle simple comme GPT-3.5, enveloppé dans un workflow agentique, peut surpasser un GPT-4 basique sur des tâches pratiques. Une affirmation débattue, mais la tendance est claire. Les chatbots traditionnels cèdent la place à des systèmes autonomes capables de planifier des étapes, d'appeler des API externes et de corriger leurs propres erreurs.

Pendant que certains développeurs tentent de construire leur propre agent à partir de zéro, d'autres créent des outils pour l'orchestration, la mémoire et le débogage de ces systèmes. Tous ces projets sont dispersés sur GitHub. Slava Kuryliak a assemblé le catalogue awesome-ai-agents, organisant plus de deux cents bibliothèques, frameworks et solutions prêtes à l'emploi pour la construction d'agents.

Ce qu'on trouve dans le catalogue

La sélection est divisée en blocs thématiques, bien que l'accent principal soit mis sur les outils de développement. Si l'on filtre le bruit et les liens promotionnels, le dépôt offre une carte claire de la pile technologique moderne des agents.

Les catégories de la liste couvrent presque toutes les étapes du développement :

• Cadres d'orchestration et systèmes multi-agents.
• Outils pour travailler avec le code et exécuter des commandes dans l'OS.
• Couche mémoire, appel de fonctions et sortie structurée.
• Solutions pour exécuter des modèles localement et suivre les métriques.

Des points méritant une attention particulière

Avec des centaines de liens, il est facile de se perdre. J'ai mis en évidence quelques groupes de projets qui transforment véritablement les approches du développement de code et de la construction de systèmes.

Cadres multi-agents

L'idée de répartir une tâche complexe entre plusieurs agents spécialisés est devenue la norme. La liste est menée par crewAI, LangGraph et Microsoft AutoGen.

Dans crewAI, vous définissez les rôles des agents (par exemple, chercheur et éditeur), vous définissez leurs objectifs et leurs outils, puis vous lancez le processus. LangGraph va plus loin et construit des graphes cycliques. Dans ceux-ci, l'état est transmis entre les nœuds avec la possibilité d'intervention humaine. AutoGen de Microsoft se concentre sur les dialogues entre agents, où ils peuvent écrire du code de manière autonome, le tester et se fournir des commentaires mutuels.

Programmeurs autonomes

Des outils comme Open Interpreter et Aider changent notre façon de travailler traditionnellement avec les terminaux et les IDE.

Open Interpreter exécute le code généré directement sur votre ordinateur, en gérant les fichiers et les utilitaires système par le langage naturel. Aider fonctionne directement dans un dépôt git. Vous lui demandez de réécrire une fonction ou d'ajouter des tests, et il effectue les modifications et crée lui-même un commit informatif.

Fiabilité et sortie structurée

Le principal problème des LLMs basiques est leurs réponses imprévisibles. Si un agent a besoin d'appeler une API REST, il a besoin d'un JSON strict. Pour cela, la sélection inclut les bibliothèques Instructor et Outlines.

Instructor étend Pydantic et force le modèle à renvoyer des types de données validés. Si le modèle commet une erreur dans le schéma, la bibliothèque renvoie automatiquement une demande de nouvelle tentative avec les détails de l'erreur. Outlines utilise des expressions régulières et des grammaires hors contexte au niveau de la génération de jetons, garantissant une conformité de format à 100 %.

Mémoire à long terme

Les agents sans mémoire oublient le contexte des sessions passées. Le projet Mem0 résout ce problème en ajoutant une couche de mémoire intelligente pour les LLMs. Il sauvegarde des faits sur l'utilisateur et les opérations passées, éliminant le besoin de passer un contexte massif à chaque prompt.

Le catalogue aide à sélectionner rapidement une pile pour une tâche spécifique. Besoin d'un agent local pour travailler avec des documents sans fuite de données à l'extérieur ? Consultez Ollama, PrivateGPT et Jan. Besoin de configurer la surveillance des appels et de suivre les coûts des jetons ? Langfuse et Helicone sont là pour ça.

Dans le même temps, le projet a ses particularités. La page contient de nombreux liens promotionnels vers des services commerciaux et les startups de l'auteur. Le nombre de problèmes ouverts sur GitHub dépasse deux cents, et l'auteur met à jour certaines entrées manuellement. Les descriptions des projets sont parfois clairsemées, donc vous devrez toujours cliquer sur les liens et lire le README original.

Avantages pratiques et pièges

Le catalogue aide à sélectionner rapidement une pile pour une tâche spécifique. Besoin d'un agent local pour travailler avec des documents sans fuite de données à l'extérieur ? Consultez Ollama, PrivateGPT et Jan. Besoin de configurer la surveillance des appels et de suivre les coûts des jetons ? Langfuse et Helicone sont là pour ça.

Dans le même temps, le projet a ses particularités. La page contient de nombreux liens promotionnels vers des services commerciaux et les startups de l'auteur. Le nombre de problèmes ouverts sur GitHub dépasse deux cents, et l'auteur met à jour certaines entrées manuellement. Les descriptions des projets sont parfois clairsemées, donc vous devrez toujours cliquer sur les liens et lire le README original.

Faut-il l'ajouter aux favoris

Si vous concevez un agent autonome ou si vous surveillez simplement l'évolution de l'infrastructure LLM, le dépôt sert de point de départ pratique. Il fait gagner du temps dans la recherche de bibliothèques comme les validateurs de schéma ou les moteurs de mémoire locale. Un rapide coup d'œil en haut de la liste suffit pour comprendre la direction prise par l'industrie.