Qu'est-ce que l'IA agentique? Un guide simple des modèles qui agissent

« Agentique » est le mot qui désigne une IA qui fait des choses. Posez une question à un modèle de clavardage et il répond; donnez un objectif à un agent et il franchit les étapes pour l'atteindre, en se servant d'outils en chemin. Ce guide explique simplement ce qu'est un agent, comment il fonctionne et où il est utile, avec ce que nous construisons comme exemples concrets.

Qu'est-ce que l'IA agentique?

L'IA agentique est un système dans lequel un modèle ne s'arrête pas à une réponse. Il choisit une action, l'exécute avec un outil, regarde ce qui s'est passé et décide de la suite, jusqu'à ce que l'objectif soit atteint. Le modèle est du même genre que celui qui anime une application de clavardage. Ce qui en fait un agent, c'est tout ce qui l'entoure : les outils auxquels il a accès, la boucle dans laquelle il tourne et les vérifications qu'il fait en chemin.

Quelles sont les parties d'un agent d'IA?

• Un modèle qui lit l'objectif, planifie la prochaine étape et décide quel outil utiliser.
• Des outils : des fonctions, des commandes ou des programmes que le modèle peut appeler, chacun décrit pour que le modèle sache quand s'en servir.
• Une boucle qui renvoie au modèle le résultat de chaque outil, étape après étape.
• Une vérification de chaque résultat, comme un test qui réussit, une compilation qui passe ou une réponse conforme à sa source, avant que l'agent continue ou s'arrête.

Comment un agent utilise-t-il des outils?

Par l'appel d'outils. Le modèle reçoit une liste de fonctions, chacune avec un nom, une description et ses paramètres. Quand il en a besoin, il répond par un appel plutôt que par du texte; le programme qui l'entoure exécute la fonction et renvoie le résultat. Dans l'API DipoleML, Raven Flash et Raven Max appellent des outils de cette façon depuis le jour du lancement, dans le format du SDK d'OpenAI. Le modèle n'exécute jamais rien lui-même : c'est votre code qui décide quoi exécuter. La page de l'API présente ce que l'API prend en charge.

À quoi ressemble un agent en pratique?

DCode, notre environnement de codage agentique, en est un. Confiez-lui une tâche dans un dépôt et il fait tourner la boucle sur du vrai code :

• Il indexe les arborescences du dépôt, les définitions de types et les graphes de dépendances avant de toucher au disque, pour que chaque changement s'inscrive dans son contexte complet.
• Il lance compilateurs, analyseurs et suites de tests dans votre propre terminal, lit les erreurs et répare les échecs qu'il a introduits.
• Il parle nativement le Model Context Protocol : bases de données, outils de suivi des billets et outils internes se connectent en un clic et deviennent des outils qu'il peut utiliser.
• Sous Windows, l'utilisation de l'ordinateur lui permet d'inspecter l'écran et de se servir d'applications de bureau quand une tâche quitte le terminal.

Les tests sont la vérification : quand l'un d'eux échoue, DCode lit l'erreur et corrige ce qu'il a brisé. La page DCode présente le reste, et notre compte rendu de DCode 1.0 raconte ses débuts.

Qu'est-ce qui rend un modèle bon pour le travail agentique?

La tâche d'un agent compte de nombreuses étapes, et chacune dépend de la précédente : une erreur au début peut gâcher tout ce qui suit. Un modèle conçu pour les agents doit garder un plan sur de nombreuses étapes, appeler les outils correctement et se rétablir quand une étape échoue. Les modèles Raven sont conçus pour cela : l'exécution dans le terminal, l'usage autonome d'outils et le raisonnement en plusieurs étapes. Selon nos résultats publiés, avec l'effort de raisonnement maximal, Raven Max a obtenu 42,8 sur Terminal Bench 4.0, qui mesure le travail autonome dans un vrai terminal, et 39,5 sur Agent's Last Exam, un test de raisonnement agentique à long horizon. Il est arrivé au premier rang des modèles comparés sur les deux.

Il n'est pas en tête partout. Sur AutomationBench, Fable 5 a obtenu 48,6 contre 48,3 pour Raven Max, tandis que Raven Flash est arrivé premier au même test parmi les modèles auxquels il est comparé, avec 49,2. Tous les résultats sont dans notre rapport sur Raven Max.

Comment garder un agent sous contrôle?

En rendant son travail visible et ses résultats vérifiables. Raven diffuse son raisonnement avant d'agir, pour que vous puissiez lire le plan pendant qu'il se forme. Un objectif avec un état final clair, comme des tests qui réussissent ou une compilation qui passe, donne à l'agent une vérification qu'il peut faire lui-même. Et un agent ne peut agir que par les outils qu'on lui donne : donnez-lui ceux dont la tâche a besoin.

Où essayer un agent?

Pour le code, téléchargez DCode. Pour votre propre produit, donnez vos fonctions à Raven par l'API DipoleML. Les prix sont sur la page des tarifs, et les pages des modèles mettent Raven Max et Raven Flash côte à côte.