Skip to main content

Les agents en tant qu'AI component

Remarque : Ce document est une traduction automatique de la version originale anglaise.

Les agents en tant qu'AI component

Agents en tant qu'AI component signifie que la couche IA du projet est construite autour d'un framework d'agents — un système qui perçoit des entrées, prend des décisions et exécute des actions, souvent avec de la mémoire, des outils et des objectifs. Lorsqu'une fiche projet DecAIHub liste une valeur liée aux agents dans le champ AI component, elle décrit l'architecture technique spécifique : le runtime, la couche d'orchestration ou le framework qui rend possible un comportement autonome ou semi-autonome. Cela diffère du concept général de ce qu'est un agent IA et de l'étiquette de catégorie AI/Agents.

En bref : les agents en tant que composant signifient que le projet dispose d'un vrai framework d'agents — pas seulement du mot « agent » dans son nom.

À quoi cela ressemble dans les fiches DecAIHub

Le champ AI component utilise des valeurs normalisées. Les entrées liées aux agents incluent :

  • agentic framework (memory/actions/plugins) — un runtime d'agent avec mémoire persistante, capacités d'action et intégrations d'outils/plugins
  • agent swarm + NL prompt-to-DeFi — un système multi-agents qui traduit des prompts en langage naturel en opérations DeFi
  • AI agent platform (workflows/tools/KB) — une infrastructure pour construire et déployer des agents avec orchestration de workflows, outils et base de connaissances
  • AI agents + orchestration — des systèmes qui coordonnent plusieurs agents pour accomplir des tâches complexes
  • autonomous trading agent — un agent qui exécute de manière indépendante des stratégies de trading fondées sur une analyse pilotée par l'IA
  • on-chain AI agent — un agent dont la prise de décision ou l'exécution est enregistrée de manière vérifiable on-chain

Chaque valeur décrit l'architecture d'agent réelle, pas un slogan produit. Si la fiche indique agentic framework (memory/actions/plugins), cela signifie que l'évaluateur a trouvé des preuves d'un système d'agent doté de ces capacités spécifiques.

Le spectre des agents

Tous les systèmes appelés « agents » n'ont pas la même profondeur. En pratique, les implémentations d'agents se répartissent le long d'un spectre :

  1. Bot simple — un script exécutant des règles fixes sans aucun modèle d'IA impliqué. Ce n'est pas un AI component.
  2. Chatbot avec prompts — un LLM derrière une interface de chat, répondant à une question à la fois. Agentivité minimale.
  3. Agent avec mémoire — un LLM qui maintient le contexte entre les interactions et peut se référer à des conversations ou données passées.
  4. Agent avec outils et objectifs — un système capable d'appeler des API externes, d'interagir avec des smart contracts et de poursuivre des objectifs en plusieurs étapes.
  5. Système multi-agents autonome — plusieurs agents qui se coordonnent, délèguent des tâches et prennent des décisions collectives avec une supervision humaine minimale.

Les fiches projets DecAIHub décrivent où se situe le composant agent du projet sur ce spectre. Plus on va vers la droite, plus l'affirmation d'AI component est forte — mais plus la charge de preuve est élevée.

Le spectre est un guide de lecture des fiches, pas une taxonomie rigide. Un produit peut combiner des éléments (par exemple mémoire plus outils, mais avec une forte validation humaine). Ce qui compte pour la vérification, c'est de savoir si le comportement documenté correspond à la valeur normalisée d'AI component et si des artefacts Tier-1 montrent la boucle d'agent en fonctionnement.

Ce qu'il faut vérifier

Lors de l'évaluation des affirmations liées aux agents dans une fiche projet, recherchez :

  • Capacités de raisonnement — l'agent démontre-t-il une vraie prise de décision, ou exécute-t-il des flux pré-scriptés ?
  • Intégrations d'outils et d'actions — l'agent interagit-il avec des systèmes externes (DEX, smart contracts, API), ou ne fait-il que générer du texte ?
  • Mémoire et contexte — l'agent maintient-il un état entre les sessions ? Peut-il se référer à des interactions antérieures ou à l'historique on-chain ?
  • Preuves d'autonomie — existe-t-il des logs, des historiques de transactions ou des démos montrant l'agent agir sans sollicitation humaine ?
  • Preuves Tier-1 — dépôts de code, frameworks d'agents avec documentation, démos en direct, ou traces de transactions on-chain produites par des agents.

La question clé : l'agent prend-il réellement des décisions, ou est-ce un wrapper de prompts qui transmet l'entrée de l'utilisateur à un LLM tiers et renvoie la réponse ?

Ce que les agents en tant que composant ne prouvent pas

  • Avoir un composant « agent » ne prouve pas l'autonomie. Beaucoup de soi-disant agents nécessitent des déclencheurs manuels ou une approbation humaine pour chaque action.
  • L'étiquette d'agent ne prouve pas la qualité des décisions. Un agent qui prend des décisions ne prend pas nécessairement de bonnes décisions.
  • Les agents peuvent être des wrappers superficiels — l'« agent » est un modèle de prompt envoyé à une API tierce sans raisonnement interne, mémoire ni intégration d'outils. Voir API wrapper.
  • Un composant agent ne prouve pas que le token est nécessaire au fonctionnement de l'agent.
  • Les affirmations multi-agents exigent proportionnellement plus de preuves. Un « swarm » d'agents doit démontrer que plusieurs agents se coordonnent, et non qu'un seul modèle exécute plusieurs prompts.

Vérifiez toujours le tableau des preuves et les indicateurs d'AI reality dans la fiche projet.

Ne pas confondre avec

  • Qu'est-ce qu'un agent IA explique le concept d'agents en général. Cette page décrit comment les agents apparaissent comme un composant spécifique dans les fiches projets DecAIHub.
  • AI/Agents est une catégorie de projets classant les projets centrés sur les agents au niveau supérieur. Un projet d'une autre catégorie (p. ex. AI/Analytics) peut néanmoins avoir un composant agent.
  • Chatbots et assistants répondent aux prompts mais manquent d'autonomie et de raisonnement multi-étapes. Les agents vont plus loin.
  • Inférence est le processus d'exécution d'un modèle. Un agent utilise l'inférence dans le cadre de sa boucle de raisonnement, mais l'inférence seule n'est pas un agent.
  • Automatisation suit des règles prédéfinies sans apprentissage ni raisonnement. Un agent IA doit démontrer une prise de décision fondée sur un modèle.

Questions fréquentes

Le mot « agent » dans un nom de produit garantit-il un AI component de type agent ?

Non. Le langage marketing utilise souvent agent pour n'importe quel workflow automatisé. Sur DecAIHub, le champ AI component doit refléter une architecture étayée par des preuves : runtime, outils, mémoire ou orchestration tels que décrits dans les valeurs normalisées. Comparez le nom aux preuves Tier-1 et au spectre ci-dessus.

Quelle est la différence entre un composant agent et la catégorie AI/Agents ?

La catégorie AI/Agents décrit l'orientation principale du projet à un niveau élevé. Les entrées agent du champ AI component décrivent le mécanisme concret (par exemple agentic framework vs on-chain AI agent). Un projet peut se situer dans une autre catégorie tout en listant un composant lié aux agents si ce mécanisme est présent.

Quelle quantité de preuves un « swarm » ou un système multi-agents doit-il fournir ?

Plus qu'une pile mono-agent. Recherchez des artefacts de coordination : rôles distincts, passage de messages, délégation ou runtimes séparés — pas seulement plusieurs prompts adressés à un même modèle. En leur absence, traitez les affirmations multi-agents comme des hypothèses jusqu'à ce que la documentation ou des démos les étayent.

Références externes

Voir aussi

No comments to display

Back to top