Système multiagent

Comme une équipe de spécialistes bat un généraliste, des agents spécialisés (un pour la recherche, un pour le code, un pour l'analyse) produisent de meilleurs résultats qu'un seul agent généraliste.

Via des protocoles comme le MCP, des messages structurés, ou des espaces de mémoire partagés. Chaque agent a son rôle et ses outils.

Un système multi-agent (SMA) est une architecture où plusieurs agents IA, chacun avec son rôle, ses outils et sa mémoire, se coordonnent pour résoudre une tâche qu'un seul agent gérerait mal. Au lieu d'un prompt monolithique, le travail est découpé entre des agents spécialisés qui échangent des messages, délèguent des sous-tâches et combinent les résultats. Des frameworks comme CrewAI, AutoGen et LangGraph rendent cette orchestration explicite et reproductible.

Un exemple courant est la recherche automatisée : un agent planificateur découpe une question, plusieurs agents exécutants cherchent sur le web en parallèle, et un agent rédacteur synthétise un rapport sourcé. Les pipelines logiciels fonctionnent de la même façon, avec un agent codeur, un relecteur et un testeur. Des outils comme Claude Code, openclaw et Relevance AI bâtissent de vrais produits sur ce schéma orchestrateur-exécutants.

Un agent seul exécute une seule boucle, décidant et agissant de lui-même avec un jeu d'outils fixe. Un système multi-agent répartit ce travail entre plusieurs agents qui se spécialisent, s'exécutent en parallèle et se transmettent des tâches. Le compromis : les configurations multi-agents passent à l'échelle sur des problèmes plus durs mais ajoutent de la coordination, de la latence et plus de points de défaillance ; elles paient surtout sur des tâches complexes et décomposables.

La coordination suit généralement quelques schémas. Dans l'orchestrateur-exécutants, un agent chef planifie et distribue les sous-tâches aux exécutants, puis fusionne leurs sorties. Dans le handoff (passage de relais), le contrôle passe d'un agent au suivant au fil des étapes. Certains systèmes utilisent des équipes hiérarchiques ou un espace de notes partagé. LangGraph les modélise en graphes explicites, tandis que CrewAI les formule comme des rôles dans une équipe.

Non, pas par défaut. ChatGPT est avant tout un modèle conversationnel unique, même quand il appelle des outils ou navigue sur le web dans une seule boucle. Il fait partie d'un système multi-agent seulement quand vous orchestrez plusieurs instances du modèle avec des rôles distincts qui se délèguent et se relisent. Le LLM est le moteur ; le système multi-agent est l'architecture construite autour de plusieurs de ces moteurs.

Les options les plus établies sont CrewAI, qui modélise les agents comme des rôles dans une équipe avec des tâches ; AutoGen de Microsoft, centré sur des agents conversationnels qui s'envoient des messages ; et LangGraph, qui représente les workflows d'agents en graphes d'états explicites pour un contrôle fin. L'Agents SDK d'OpenAI et Relevance AI sont aussi très utilisés. Le bon choix dépend du besoin de contrôle explicite par rapport à une orchestration rapide.

Utilisez-en un quand une tâche est assez complexe pour être découpée en sous-tâches distinctes et parallélisables qui profitent de rôles spécialisés, comme la recherche, le code plus la relecture, ou des workflows en plusieurs étapes couvrant plusieurs outils. Pour des tâches simples et linéaires, un agent seul est moins cher, plus rapide et plus facile à déboguer. N'optez pour plusieurs agents que si la coordination apporte réellement une meilleure qualité ou un meilleur débit.