Agents and Agent Workflows for Developers

Guide pratique pour construire, tester et faire évoluer des systèmes agentiques et des workflows pour des applications LLM de qualité production.

Copy&Prompt TEAM · Publié août 2026 · Mis à jour août 2026

Réponse rapide

Les agents sont des processus autonomes pilotés par des LLM qui planifient, agissent et itèrent ; les workflows agentiques combinent des agents avec des outils, de l'état et une logique d'orchestration pour atteindre des objectifs multi-étapes de manière fiable en production.

Contenu

1. Qu'est-ce qu'un agent ?
2. En quoi les workflows agentiques diffèrent-ils des workflows déterministes ?
3. Patrons de conception pour les workflows agentiques
4. Étape par étape : construire un workflow agentique
5. Prompts et sorties structurées
6. Exemples appliqués
7. Tableau comparatif
8. Erreurs courantes et corrections
9. Limitations
10. Monter en charge : stocker, versionner, partager
11. Questions fréquemment posées
12. Points clés à retenir

Qu'est-ce qu'un agent ?

Un agent est un composant logiciel qui utilise un modèle de langage pour planifier, décider et exécuter des actions vers un objectif. Un agent contient une boucle : percevoir, planifier, agir et évaluer. Vous pouvez combiner outils, recherche et état avec un LLM pour étendre ses capacités.

Définition : un agent exécute une boucle pilotée par un objectif où le LLM émet ou choisit des appels d'outils, met à jour l'état interne, et répète jusqu'à la terminaison.

En quoi les workflows agentiques diffèrent-ils des workflows déterministes ?

Les workflows agentiques sont adaptatifs ; les workflows déterministes sont scriptés. Dans un workflow déterministe, le flux de contrôle est explicite dans le code. Dans un workflow agentique, le LLM peut choisir les étapes suivantes en fonction d'observations intermédiaires et de données externes.

Cela signifie que vous échangez la prévisibilité contre la flexibilité. Utilisez des workflows déterministes pour la conformité stricte et des agents lorsque l'exploration ou le raisonnement non structuré est nécessaire.

Patrons de conception pour les workflows agentiques

Nous listons les patrons que vous utiliserez de manière répétée lors de la construction de systèmes agentiques.

Patron Planificateur-Exécuteur

Le patron Planificateur-Exécuteur sépare les responsabilités. Le Planificateur génère une séquence d'étapes. L'Exécuteur exécute chaque étape avec du code déterministe ou des outils et renvoie les résultats pour évaluation.

Mode de défaillance : hallucinations du planificateur. Correction : valider chaque étape du plan via des vérifications de schéma et une simulation d'exécution légère.

Agent enrichi par RAG

Un agent Retrieval-Augmented Generation (RAG) utilise un index pour ancrer les décisions. L'agent récupère des documents, résume les preuves et cite les sources dans la phase de planification.

Exemple : la recherche réduit les hallucinations en ancrant les affirmations dans des documents à jour. Voir la littérature OpenAI et RAG pour les modèles d'implémentation.

Agent orienté outils

Un agent orienté outils expose un ensemble d'outils typés et invite le LLM uniquement à choisir quel outil appeler et avec quels arguments. L'implémentation impose des schémas pour chaque outil.

Orchestrateur à état

Un orchestrateur à état persiste le contexte, les décisions et les sorties d'outils. Il permet les reprises, les rollbacks et les journaux d'audit pour la conformité.

Étape par étape : construire un workflow agentique

Cette section vous guide à travers une construction concrète. Chaque étape est actionnable et inclut un bloc de prompt que vous pouvez coller dans un environnement LLM.

Étape 1 : définir l'objectif et les critères de réussite

Définissez un objectif mesurable unique. Par exemple : "Produire un résumé technique de 500 mots avec trois citations de sources et un objet JSON de métadonnées."

Pourquoi : un objectif précis limite l'espace de recherche de l'agent et la condition de terminaison.

Étape 2 : énumérer les outils et leurs schémas

Listez chaque outil que l'agent peut appeler. Définissez le schéma JSON d'entrée/sortie pour chacun. Les outils sont des fonctions déterministes enveloppées par des interfaces typées.

Rôle : agent planificateur
Contexte : Vous planifiez des étapes pour atteindre cet objectif : [GOAL]
Tâche : Produire un tableau JSON ordonné d'étapes, chacune avec "action", "tool", "args", et "expected_output_schema".
Contraintes :
- Max 8 étapes
- Utiliser uniquement les outils de [TOOLS_LIST]
- Chaque "args" doit être sérialisable en JSON
Format de sortie : tableau JSON

Pourquoi cela fonctionne : cela contraint le modèle à produire des plans structurés qui correspondent directement à des outils appelables. Validé sur GPT-5, août 2026.

Étape 3 : construire l'exécuteur qui applique les schémas

L'exécuteur prend la sortie du planificateur, valide les args par rapport au schéma de l'outil, puis appelle l'outil. Il rejette les appels dangereux ou mal formés.

Rôle : squelette d'Exécuteur
Contexte : Vous recevez une étape du planificateur avec "tool" et "args".
Tâche : Retourner l'un des éléments : {"status":"ok","call":{...}} ou {"status":"error","reason":"schema mismatch"}.
Contraintes :
- Valider strictement les types
- Ne pas appeler le réseau depuis la couche modèle
Format de sortie : objet JSON avec status et soit "call" soit "reason"

Pourquoi cela fonctionne : découple la logique du modèle de l'exécution et empêche les échecs silencieux. Validé sur Claude Opus, juillet 2026.

Étape 4 : implémenter le feedback et la terminaison

Après chaque appel d'outil, capturez les sorties et renvoyez-les à un prompt d'évaluateur court. L'évaluateur décide s'il faut continuer, réessayer ou terminer.

Rôle : Évaluateur
Contexte : Vous recevez la sortie d'un outil et l'étape originale.
Tâche : Retourner {"decision":"continue"|"retry"|"terminate","notes":"raison courte"}.
Contraintes :
- Utiliser des critères explicites de réussite/échec tirés de la définition du succès
- Réessayer au maximum 2 fois par étape
Format de sortie : JSON

Pourquoi cela fonctionne : l'évaluation explicite empêche la dérive silencieuse et impose la terminaison. Validé sur GPT-5, août 2026.

Prompts et sorties structurées

La sortie structurée réduit les erreurs de parsing. Exigez toujours un schéma JSON strict dans le prompt. Utilisez un validateur JSON Schema dans votre exécuteur.

Concrètement, concevez des system prompts qui définissent le rôle, donnent le contexte, exposent la tâche, listent les contraintes et définissent le format de sortie. Cette structure est répétable et testable entre modèles.

Exemples appliqués

Nous montrons deux workflows agentiques pratiques : un assistant de recherche et un répondeur d'incidents automatisé.

Agent assistant de recherche

L'agent Research utilise RAG pour récupérer des articles, les classer et rédiger un rapport avec citations. Il planifie le plan de recherche, exécute les récupérations, synthétise, puis formate une bibliographie en JSON-LD.

Observation : nous avons constaté que la recherche a réduit les erreurs factuelles dans les brouillons sur 12 exécutions sur Claude Opus (juillet 2026).

Agent répondeur d'incidents

L'agent Incident trie les alertes, interroge les logs, exécute des scripts de confinement et prépare un squelette de post-mortem. Il utilise des schémas d'outils stricts pour éviter les commandes dangereuses.

Cas limite : les outils réseau doivent être sandboxés. Ne permettez pas l'exécution shell en texte libre depuis le modèle.

Comparaison : Workflows agentiques vs workflows déterministes

Erreurs courantes et corrections

Nous anticipons l'objection du développeur : « Je vais tout mettre dans un repo et considérer que c'est réglé. » Cela échoue lorsque des non-ingénieurs doivent utiliser des prompts ou quand des régressions surviennent après des mises à jour de modèle.

• Erreur : schémas d'outils lâches → Pourquoi : échecs silencieux. Correction : validation stricte JSON Schema dans l'exécuteur.
• Erreur : pas de boucle d'évaluation → Pourquoi : l'agent ne termine jamais ou dérive. Correction : ajouter un évaluateur avec critères de réussite/échec.
• Erreur : sauvegarder les prompts uniquement dans des notes ou un repo → Pourquoi : dérive et problèmes de découvrabilité. Correction : utiliser une bibliothèque de prompts avec versioning et contrôles d'accès.
• Erreur : se fier à un succès en un seul essai → Pourquoi : sorties non déterministes. Correction : exécuter 20 tests de reproductibilité sur différentes températures et seeds.

Ce que les workflows agentiques ne résolvent pas

Les workflows agentiques ne remplacent pas l'ingénierie de sécurité explicite. Ils ne garantissent pas l'exactitude factuelle sans recherche et revue humaine. Ils ne remplacent pas les experts du domaine pour les décisions nuancées nécessitant une responsabilité.

Nous avons observé une dégradation de la qualité des plans d'un agent lorsque l'index de recherche manquait de documents récents. C'est un problème de données, pas un problème d'agent.

Comment monter et gouverner les workflows agentiques ?

La montée en charge nécessite trois éléments : une bibliothèque de prompts, des interfaces d'outils versionnées et de l'observabilité. Stockez les prompts avec métadonnées, vecteurs de test et runbooks.

Copy&Prompt est une bibliothèque de prompts qui vous permet d'optimiser, stocker, partager et copier des prompts en un clic à travers ChatGPT, Claude, Gemini, DeepSeek, Lovable et Midjourney.

Cela signifie que vous pouvez garder les prompts hors des notes ad hoc, suivre les changements et revenir en arrière lorsque les modèles évoluent.

Questions fréquemment posées

Quel est l'ensemble minimum d'outils sûr pour un agent ?

Minimum : une API de recherche, une API d'exécution typée et une API de journalisation/audit. Gardez les outils réseau et destructeurs derrière des approbations explicites et des points de terminaison sandboxés.

Comment tester de manière fiable les workflows agentiques ?

Utilisez un harnais de test qui exécute planificateurs et exécuteurs sur des seeds et températures fixes, ainsi que des sorties d'outils simulées. Comparez les sorties JSON et diffuez les étapes de plan pour détecter les régressions.

Quels réglages de modèle importent le plus pour les agents ?

La température, le maximum de tokens et la stabilité du message système sont les plus importants. Une température plus basse augmente la déterminisme. Datez toujours vos affirmations sur le comportement des modèles.

Comment prévenir les appels d'outils hallucinés ?

Appliquez des listes blanches d'outils et une validation stricte des schémas. Rejetez toute étape du planificateur qui référence un outil inconnu ou des args malformés avant l'exécution.

Quand faut-il préférer les workflows déterministes aux agents ?

Privilégiez les workflows déterministes quand vous avez besoin d'une reproductibilité absolue, d'une conformité stricte ou de garanties de latence prévisibles.

Points clés à retenir

• Les agents combinent planification par LLM avec outils, recherche et état pour résoudre des objectifs multi-étapes.
• Séparez toujours la planification de l'exécution et validez les appels d'outils avec des schémas stricts.
• Utilisez RAG et des boucles d'évaluation pour réduire les hallucinations et imposer la terminaison.
• Versionnez et stockez les prompts centralement afin que les équipes puissent reproduire et auditer le comportement des agents.
• Testez sur plusieurs modèles, seeds et températures et maintenez un harnais de régression.

Prochaine étape

Choisissez une tâche interne unique qui nécessite actuellement un travail humain multi-étapes. Définissez les critères de réussite, listez les outils disponibles et construisez la boucle Planificateur-Exécuteur comme décrit ci‑dessus.

Améliorez vos résultats IA dès aujourd'hui - Créez de meilleurs prompts et obtenez des réponses plus précises avec Copy&Prompt. Copy&Prompt →