Youssef ELMIZEB · fondateur de tekfold.com · mis à jour le 26 octobre 2026
« Un agent, c’est un chatbot avec des outils » : la définition circule, elle est à moitié vraie et elle masque l’essentiel. La vraie différence tient à la boucle : un chatbot répond une fois, un agent décide, agit, observe le résultat et recommence jusqu’à un critère d’arrêt. Comprendre cette boucle suffit à écrire ton premier agent — et à éviter les trois pièges classiques qui le font déconner en production.
Chatbot, workflow, agent : trois choses distinctes
Tout confondre conduit à construire des « agents » qui ne sont que des menus déroulants, ou au contraire à confier des actions irréversibles à un système sans garde-fous. La frontière se juge à deux questions : qui décide de l’étape suivante ? et le système peut-il se tromper sans être détecté ?
| Type | Qui enchaîne les étapes | Boucle | Cas d’usage typique | Risque principal |
|---|---|---|---|---|
| Chatbot | Aucune enchaînement : réponse unique | Entrée → réponse | FAQ, reformulation, assistance documentaire | Hallucination de réponse |
| Workflow (automatisation) | Le créateur, à l’avance | Fixe, déterministe | Envoi d’un mail quand un formulaire est rempli | Rigide face à l’imprévu |
| Agent | Le modèle, au fil de l’eau | Décider → agir → observer → recommencer | Investigation, recherche multi-sources, tâches ouvertes | Dérive, coût non maîtrisé, action mal ciblée |
Trois familles d’agents se distinguent ensuite, selon la manière dont l’étape suivante est choisie : séquentiel (enchaînement fixe d’étapes, simple et prévisible), réactif (décision prise sur l’état courant, sans plan durable), et planificateur (élaboration d’un plan explicite, puis exécution et révision). En pratique, un agent de production mélange les trois : un squelette séquentiel, une décision réactive à l’intérieur de chaque étape, et une planification seulement quand la tâche le demande.
La boucle, en une seule image mentale
Toute la logique tient dans ce cycle :
- Objectif : la consigne initiale, formalisée avec un critère d’arrêt explicite (« tu t’arrêtes quand tu as trois sources exploitables »).
- Décision : le modèle choisit une action parmi les outils exposés — ou décide qu’il a terminé.
- Action : appel d’une API, exécution d’une requête, lecture d’un fichier.
- Observation : résultat renvoyé, y compris l’erreur : c’est le moment le plus important de la boucle.
- Mise à jour : l’état interne change, et la boucle recommence.
Deux conséquences pratiques en découlent. Premièrement, la qualité de ton agent dépend surtout de ce que renvoient tes outils : un message d’erreur explicite aide le modèle à corriger sa trajectoire, un code HTTP muet le fait dériver. Deuxièmement, sans limite de boucle (nombre d’itérations, budget, temps), un agent peut tourner en rond indéfiniment en te facturant chaque tour.
Construire un premier agent avec l’ADK de Google
L’Agent Development Kit (ADK) de Google permet d’écrire des agents en Python avec des outils typés. L’exemple ci-dessous crée un agent planificateur d’article : il reçoit un sujet, produit un plan structuré, puis s’arrête — l’agent suivant prendra le relais.
from google.adk.agents import Agent
from google.adk.tools import google_search
planificateur = Agent(
name="planificateur",
model="gemini-2.0-flash",
instruction=(
"Tu es planificateur éditorial. À partir d'un sujet, tu rends "
"un plan en Markdown : titre, 4 à 5 sections H2, pour chaque "
"section une idée directrice en une phrase, et 3 questions "
"auxquelles l'article doit répondre. Si le sujet est trop large, "
"tu poses 3 questions de cadrage AVANT de rendre le plan."
),
tools=[google_search],
output_key="plan",
)
redacteur = Agent(
name="redacteur",
model="gemini-2.0-flash",
instruction=(
"Tu reçois dans 'plan' un plan validé. Tu écris l'article "
"section par section, 150 à 200 mots par section, exemples "
"concrets, pas de promesse non vérifiable. Tu t'arrêtes "
"lorsque chaque section du plan est couverte."
),
)
racine = Agent(
name="orchestrateur",
model="gemini-2.0-flash",
instruction="Tu enchaînes planificateur puis redacteur, sans sortir du plan validé.",
sub_agents=[planificateur, redacteur],
)Les noms de classes et la disponibilité des outils évoluent avec les versions du SDK : vérifie toujours la documentation du jour plutôt que de recopier un snippet. Le principe, en revanche, ne change pas : un agent = un modèle + une instruction + des outils + une condition d’arrêt.
Le pipeline multi-agents : quand ça vaut vraiment le coup
Faire rédiger un article par trois agents (plan, rédaction, relecture) n’a d’intérêt que si chaque agent a un objectif distinct et vérifiable. Sinon, tu multiplies les appels sans améliorer le résultat. La bonne façon de découper :
- Un agent planificateur : sorties structurées, critères de plan explicites.
- Un agent exécutant : il ne choisit rien, il applique le plan et se limite à son périmètre.
- Un agent vérificateur : il ne réécrit pas, il note les écarts par rapport à une grille (couverture du plan, sources, longueur, ton).
- Une boucle bornée : deux allers-retours maximum, puis escalade humaine. Sans borne, un correcteur qui corrige son propre correcteur produit souvent du bruit.
Erreurs classiques à éviter dès le départ : donner les mêmes outils à tous les agents (le vérificateur doit être en lecture seule) ; laisser un agent décider de sa propre validation ; oublier de journaliser les appels (tu ne pourras pas comprendre un échec) et ne pas prévoir de mode dégradé quand l’appel de modèle échoue.
Si tu préfères assembler ce type de logique sans écrire de Python, le générateur de workflow n8n traduit le même découpage en nœuds visuels ; l’API gratuite du site te donne, elle, un exemple d’appel d’outil à intégrer comme première action d’un agent.
Questions fréquentes
Quelle différence entre agent et workflow avec une condition ?
Le workflow exécute un enchaînement que tu as défini à l’avance ; l’agent choisit la suite en fonction de ce qu’il observe. Si tu peux décrire toutes les étapes à l’avance, prends un workflow : il est moins cher et plus fiable. L’agent se justifie quand l’étape dépend du contenu rencontré.
Combien de temps pour un premier agent utile ?
Un agent simple avec un outil et un critère d’arrêt se monte en quelques minutes ; le rendre fiable sur tes propres données prend en général plusieurs jours de jeu d’évaluation et de correction des prompts. Le développement initial n’est pas l’étape longue, l’évaluation l’est.
Comment éviter qu’un agent dépense sans fin ?
Trois limites cumulées : nombre maximal d’itérations, budget en tokens par exécution, et timeout global. Ajoute un journal qui agrège ces trois compteurs : c’est ce qui te permet de détecter une boucle avant la facture.
Les agents sont-ils fiables pour des tâches critiques ?
Ils sont fiables pour des tâches bornées et vérifiables — chercher, trier, formater, proposer. Ils le sont rarement pour des décisions à fort enjeu sans revue humaine. La question n’est pas « l’agent est-il bon » mais « mon système détecte-t-il son erreur à temps ».
À retenir : un agent, c’est une boucle dotée d’outils et d’un critère d’arrêt. Commence par un seul agent, un seul outil, une métrique claire et une limite d’itération ; ajoute la multi-agentique seulement quand la qualité plafonne. C’est la même logique, à plus grande échelle, que celle décrite dans l’article sur les systèmes d’agents ouverts du hub Tech & IA.
