Agents et workflows : Concevoir des workflows d'agents pour les systèmes

Guide pratique et technique pour concevoir, implémenter, tester et faire évoluer des workflows d'agents dans des systèmes de production afin d'obtenir une automatisation fiable et traçable.

Copy&Prompt TEAM · Publié 2026-08-05 · Mis à jour 2026-08-05

Réponse rapide

Les workflows d'agents combinent des agents LLM de type planificateur avec des étapes de workflow déterministes et des intégrations d'outils. Construisez-les en définissant des rôles clairs, des prompts structurés, des formats de sortie déterministes, des garde-fous et de l'observabilité. Testez avec des suites de régression, la validation de schémas et des scénarios de chaos avant la mise en production.

Sommaire

1. Quel problème les workflows d'agents résolvent-ils ?
2. Méthode : pattern de conception pour les workflows d'agents
3. Étape 1 : Définir objectifs, rôles et outils
4. Étape 2 : Composer les prompts système et planificateur
5. Étape 3 : Sortie structurée et schémas JSON
6. Étape 4 : Orchestration et solutions de repli
7. Exemples appliqués
8. Tableau comparatif : workflows vs agents vs hybride
9. Erreurs courantes — Erreur → Pourquoi → Correction
10. Limitations — ce que cela ne résout pas
11. Montée en charge : stocker, versionner, partager
12. Comment vérifier le succès
13. Dépannage
14. Rôle de Copy&Prompt
15. FAQ

Quel problème les workflows d'agents résolvent-ils ?

Les workflows d'agents permettent aux systèmes d'utiliser des modèles de langage de grande taille pour planifier, décider et appeler des outils tout en conservant une orchestration déterministe pour la fiabilité. Ils résolvent les tâches nécessitant à la fois un raisonnement ouvert et des effets secondaires précis : collecte de données en plusieurs étapes, automatisation multi-outils et logique métier conditionnelle. En bref : ils font le lien entre la créativité du modèle et le contrôle du système.

Méthode : pattern de conception pour les workflows d'agents

Un workflow d'agent est un système en couches. Les couches sont le planificateur (agent), l'exécuteur (moteur de workflow), les adaptateurs d'outils (APIs), le magasin de données (index RAG, BD) et l'observabilité (logs, traces). La conception commence par un objectif précis, puis définit des prompts basés sur les rôles et des contrats déterministes entre les couches. Le résultat est un comportement reproductible et des modes de défaillance testables.

Principes

• Séparation des rôles : planificateur vs exécuteur d'actions.
• Contrats structurés : sorties JSON que l'exécuteur analyse.
• Actions idempotentes autant que possible.
• Fenêtres de contexte courtes pour les outils ; pousser le contexte long vers des stores RAG.
• Solutions de repli fail-fast et points de contrôle avec intervention humaine.

Étape 1 : Définir objectifs, rôles et outils

Commencez par rédiger un critère de succès en une phrase pour le workflow. Puis cartographiez les rôles et les outils que l'agent peut appeler.

Exemple : « Produire une présentation de 10 diapositives à partir d'un brief produit, avec citations et un seul appel au service de génération de diapositives. » Cela donne les rôles : Planificateur, Chercheur, API de génération de diapositives. Outils : scraper web, KB interne (RAG), API de génération de diapositives, stockage authentifié.

Checklist pour rôles et outils

• Objectif : sortie unique mesurable.
• Actions autorisées : liste des appels d'outils et leurs signatures d'API exactes.
• Actions interdites : par ex. pas d'envoi d'email externe sans validation humaine.
• Sources de données et exigences de fraîcheur, avec TTL.

Étape 2 : Composer les prompts système et planificateur

Rédigez un prompt système qui définit le rôle, les contraintes et le contrat de sortie. Puis rédigez un prompt planificateur qui produit un plan d'étapes sous une forme lisible par machine. Gardez les deux courts et déterministes.

La sortie du planificateur doit être structurée. Cela réduit les erreurs de parsing et rend les tests de régression fiables.

Produit : un plan d'étapes au format JSON avec appels d'outils et motifs.

Role: System
Context: Vous êtes le Planificateur pour un workflow d'agent qui convertit un brief en présentation.
Task: Produire un plan JSON listant les étapes ordonnées. Chaque étape doit inclure "action", "tool", "input", "expected_output_schema".
Constraints:
- Max 7 étapes.
- N'utiliser que les outils dans [ALLOWED_TOOLS].
- Inclure un flottant "confidence" entre 0 et 1.
Output format: tableau JSON d'étapes.

Pourquoi cela fonctionne : contraindre à un plan JSON réduit les erreurs de parsing dans la couche d'orchestration. Validé sur ChatGPT (gpt-4o), Aug 2026.

Notes sur le prompt du planificateur

Variabilisez toujours les outils autorisés et les règles métier avec des [MAJUSCULES_ENTRE_CROCHETS]. Cela permet à votre code de substituer le contexte à l'exécution. Évitez les listes en langage naturel comme contrat principal.

Étape 3 : Sortie structurée et schémas JSON

Les formats de sortie déterministes sont le garde-fou le plus important. Traitez chaque sortie LLM comme non fiable tant qu'elle n'a pas passé la validation du schéma.

Définissez un JSON Schema pour chaque sortie d'étape. L'exécuteur rejette ou relance les sorties qui échouent à la validation.

{
  "$id": "https://example.com/schemas/slide-plan.json",
  "type": "object",
  "properties": {
    "slides": {
      "type": "array",
      "items": {
        "type": "object",
        "properties": {
          "title": {"type": "string"},
          "bullets": {"type": "array", "items": {"type": "string"}},
          "sources": {"type": "array", "items": {"type": "string"}}
        },
        "required": ["title","bullets"]
      }
    }
  },
  "required": ["slides"]
}

Pourquoi cela fonctionne : la validation de schéma isole les hallucinations et impose des champs pour les outils en aval.

Étape 4 : Orchestration et solutions de repli

L'exécuteur transforme les étapes du planificateur en appels d'API. Rendez chaque étape idempotente autant que possible. Ajoutez trois stratégies de repli : retry automatique avec jitter, basculement vers un outil secondaire et approbation humaine.

Concevez une machine à états pour le workflow. Chaque transition doit enregistrer les entrées, sorties et le prompt modèle utilisé. Cela rend le débogage reproductible.

Exemples appliqués

Nous incluons deux exemples concrets et compacts : recherche + résumé et rapprochement de factures. Chaque exemple montre la sortie du planificateur, le mappage par l'exécuteur et un cas d'échec.

Exemple A — Recherche + résumé

Objectif : rassembler trois sources faisant autorité sur le sujet X et produire un brief de 300 mots avec citations.

• Le planificateur produit des étapes : rechercher sur le web, récupérer des articles KB, synthétiser le résumé.
• L'exécuteur mappe "search web" à l'adaptateur scraper avec limites de taux.
• Mode d'échec : le scraper renvoie un CAPTCHA → repli : utiliser la KB en cache et ajouter un indicateur "data_gap".

Exemple B — Rapprochement de factures

Objectif : faire correspondre les factures fournisseurs aux paiements et signaler les discordances.

• Le planificateur ordonne les étapes : récupérer le grand livre, extraire les entités de facture, faire correspondre par montant et date, produire un rapport CSV.
• Utiliser un schéma strict d'extraction d'entités pour montants et dates afin d'éviter les correspondances floues.
• Mode d'échec : confiance de correspondance ambiguë < 0,6 → acheminer vers une file humaine avec pièces jointes.

Comparaison : workflows vs agents vs hybride

Ce tableau résume les cas d'usage recommandés, la complexité et les besoins d'observabilité.

Erreurs courantes — Erreur → Pourquoi → Correction

• Erreur : Laisser le planificateur appeler des APIs arbitraires.
  Pourquoi : Cela crée des problèmes de sécurité et d'audit.
  Correction : Mettre en liste blanche les outils et appliquer l'authentification au niveau des adaptateurs.
• Erreur : Pas de validation de schéma sur les sorties.
  Pourquoi : Des champs hallucinéss cassent le code en aval.
  Correction : Rejeter et relancer avec un prompt clarifié et des exemples.
• Erreur : Stocker les prompts uniquement dans des notes.
  Pourquoi : Les prompts dérivent et sont difficiles à reproduire.
  Correction : Utiliser une bibliothèque de prompts versionnée et des contrôles CI.

Limitations : ce que cela ne résout pas

Les workflows d'agents ne remplacent pas les validateurs spécifiques au domaine ni l'intégrité transactionnelle. Ils ne peuvent pas garantir la correction face à des entrées adversariales sans contrôles externes. De plus, le comportement et la latence des modèles varient selon les fournisseurs. Concevez pour le changement : versionnez prompts et modèles, et supposez des régressions après les mises à jour de modèles.

Observation : sur Claude Opus (Anthropic), nous avons observé des boucles de planification qui répètent une étape trois fois à moins d'être stoppées par une garde d'itération max (observé Aug 2026). Cela a nécessité une règle explicite de « stop » dans le prompt du planificateur.

Montée en charge : stocker, versionner, partager

Faites des prompts et des schémas des artefacts de première classe. Utilisez un registre de prompts avec tags sémantiques, versions et tests. Traitez un prompt comme du code : PR, revue et contrôles automatisés. Les trois artefacts à stocker par workflow sont les bundles de prompts, les fichiers de schéma et les spécifications d'adaptateur.

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

Checklist de versioning

• Hash du prompt et diff sémantique.
• Version du contrat de schéma.
• Modèle et horodatage pour chaque exécution de validation.
• Tests de régression automatisés en CI.

Comment vérifier que c'est un succès

Utilisez trois classes de tests : unitaires (prompt unique → schéma), d'intégration (planificateur → exécuteur → outil) et chaos (simuler pannes d'API et latences). Suivez ces métriques : taux de réussite par étape, moyenne de relances, escalades humaines par 1 000 exécutions.

Exemples de critères d'acceptation pour un générateur de présentations :

• Le planificateur produit un plan JSON valide dans 95 % des essais.
• L'exécuteur termine la génération de diapositives sans approbation manuelle dans 90 % des cas.
• Maximum une relance par appel d'outil défaillant en moyenne.

Que faire si ça ne fonctionne pas

Faites un triage rapide avec ces étapes.

1. Reproduire l'exécution en échec avec les prompts exacts et la version du modèle.
2. Valider la sortie JSON du planificateur contre le schéma.
3. Vérifier les logs des adaptateurs d'outils pour erreurs d'API ou limites de taux.
4. Si le planificateur boucle, ajouter des limites d'itération et exiger des jetons "next_step".
5. Si des hallucinations surviennent, augmenter l'ancrage par la récupération ou des citations explicites.

Prompts copiables et exemples de schémas d'exécuteur

Ci‑dessous, trois blocs de prompts estampillés par modèle. Collez-les tels quels et remplacez les variables entre crochets.

Produit : un extracteur qui retourne des entités normalisées pour les factures.

Role: Extractor Agent
Context: Extraire les données de facture à partir d'un texte OCR brut.
Task: Retourner un objet JSON avec les clés : invoice_id, vendor_name, date (ISO), amount (decimal), currency.
Constraints:
- Les dates doivent être en ISO-8601.
- Les montants doivent être uniquement numériques.
Output format: objet JSON.

Pourquoi cela fonctionne : force des valeurs normalisées pour des correspondances fiables. Validé sur GPT-4o (OpenAI), Aug 2026.

Produit : une spécification d'appel d'action résistante aux relances pour l'exécuteur.

Role: Executor Helper
Context: Convertir une étape du planificateur en une spécification d'appel API.
Task: Étant donné une étape du planificateur, produire {"endpoint","method","body","retry_policy"}.
Constraints:
- retry_policy doit inclure "max_attempts" et "backoff_ms".
Output format: JSON.

Pourquoi cela fonctionne : standardise le comportement de l'exécuteur entre les outils. Validé sur Claude Opus (Anthropic), Aug 2026.

Rôle de Copy&Prompt

Copy&Prompt vous aide à versionner, tester et récupérer des bundles de prompts et de schémas. Utilisez-le pour stocker des variantes de prompts validées, exécuter des tests A/B de prompts et servir des prompts canoniques dans le CI. Cela réduit la dérive et centralise des prompts qui, autrement, resteraient dans des notes ou des chats.

Concrètement, copiez vos prompts de planificateur et d'extracteur testés dans Copy&Prompt avec des tags pour le modèle, la date et la version du schéma. Ensuite, reliez l'ID du prompt à l'exécuteur ; l'environnement d'exécution récupère le prompt canonique au lieu de le copier depuis des fichiers dispersés.

Questions fréquemment posées

Quelle est la différence entre un agent et un workflow ?

Un agent est un planificateur piloté par le modèle qui décide des actions suivantes. Un workflow est une séquence orchestrée et déterministe de tâches. Combinez-les lorsque vous avez besoin de planification plus des effets secondaires garantis ; préférez les workflows purs pour des SLA stricts.

Comment empêcher un agent de boucler ?

Appliquez des limites d'itération, exigez que le planificateur émette des jetons "next_step", validez les plans contre les outils autorisés et ajoutez un watchdog qui arrête après N secondes ou M relances.

Une fois vos workflows reproductibles, le défi devient la récupération et la gouvernance.

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

Lectures complémentaires : guide OpenAI Chat Completions, docs Anthropic sur l'utilisation d'outils, et cours n8n sur les patterns d'intégration.

Sources : documentation OpenAI (platform.openai.com/docs), documentation Anthropic (www.anthropic.com/docs) et matériel de cours n8n résumé pour les patterns d'intégration.