Deep Agent

Le Deep Agent est le type d’agent le plus capable de FlowHunt, conçu pour les tâches qui vont bien au-delà d’un seul cycle prompt-et-réponse. Où un agent IA standard répond à une question ou effectue une action discrète, un Deep Agent poursuit un objectif — le décomposant, exécutant les étapes, évaluant les résultats et adaptant son approche jusqu’à ce que l’objectif soit atteint.

Comment un Deep Agent diffère d’un agent IA ordinaire

Un agent IA standard traite votre entrée avec un LLM, appelle optionnellement un outil et retourne une réponse. C’est excellent pour les tâches simples ou multi-étapes plus simples, les conversations, la synthèse de documents ou le déclenchement d’actions.

Un Deep Agent est proactif et itératif. Donné un objectif de haut niveau, il :

• Décompose l’objectif en une séquence de sous-tâches concrètes avant d’entreprendre une action
• Planifie son approche, en décidant quels outils utiliser et dans quel ordre
• Exécute les étapes de manière itérative, en appelant les outils, en traitant les résultats et en décidant quoi faire ensuite en fonction de ce qu’il trouve
• S’auto-évalue après chaque étape — en recommençant, en affinant ou en changeant de stratégie si un résultat est insuffisant
• Synthétise une sortie finale seulement après que toutes les sous-tâches soient complètes

La différence pratique clé : un agent ordinaire peut prendre plusieurs étapes au mieux, mais un Deep Agent peut en prendre des dizaines, et il sait quand s’arrêter.

Quand utiliser un Deep Agent

Les Deep Agents sont le bon choix lorsque :

• La tâche nécessite de rassembler et synthétiser des informations provenant de plusieurs sources
• Le flux de travail implique une logique conditionnelle, ou en d’autres termes, lorsque l’étape suivante dépend du résultat des étapes précédentes
• Vous avez besoin que l’agent vérifie ou recoupé ses propres résultats intermédiaires
• L’objectif est trop complexe ou ouvert pour être entièrement spécifié dans une seule invite
• Vous voulez que l’agent fonctionne de manière autonome sur une plus longue période

Rappelez-vous : pour les tâches simples et bien délimitées, un agent IA standard est plus rapide et plus rentable. Utilisez un Deep Agent uniquement lorsque la complexité justifie la profondeur de raisonnement supplémentaire.

Paramètres de Deep Agent

LLM

Choisissez le grand modèle de langage que l’agent utilisera. Vous pouvez choisir parmi les modèles de 6 grands fournisseurs. Le modèle par défaut est toujours le dernier modèle de gamme moyenne d’OpenAI, qui devrait suffire pour la plupart des tâches.

Les Deep Agents bénéficient le plus des modèles plus avancés avec de fortes capacités de raisonnement (par exemple les derniers modèles GPT, les derniers modèles Claude Sonnet ou Opus, les modèles Gemini Pro), car ils peuvent planifier sur plusieurs étapes, gérer l’ambiguïté et prendre des décisions judicieuses à chaque étape sans guidance humaine.

Outils

Les outils sont ce qui donne au Deep Agent sa capacité à agir dans le monde. Avec plus de 900 outils disponibles (couvrant les API, les bases de données, les plates-formes de communication, les moteurs de recherche, les environnements d’exécution de code) et les serveurs MCP — vous pouvez équiper l’agent exactement des capacités que sa tâche nécessite.

Comment connecter les outils

Cliquez sur + Ajouter un outil. La liste complète des outils disponibles apparaît. Vous pouvez filtrer par catégorie ou rechercher par nom :

Chaque outil a ses propres paramètres. Pour chacun, vous pouvez soit laisser l’IA décider comment l’utiliser en fonction du contexte (recommandé pour les Deep Agents, puisque l’agent a besoin de flexibilité pour s’adapter sur plusieurs étapes) soit configurer les paramètres manuellement pour verrouiller des valeurs spécifiques.

Pour basculer vers l’entrée manuelle, cliquez sur le bouton “L’IA décide”. Une fois qu’un paramètre est défini manuellement, il est fixé et l’IA ne peut pas le remplacer.

Une fois l’outil configuré, cliquez sur “Ajouter avec configuration”, ou ignorez entièrement la configuration en cliquant sur “Ignorer et ajouter”. Vous pouvez ensuite continuer à ajouter d’autres outils.

Pour les Deep Agents, un ensemble d’outils ciblé et pertinent conduit à de meilleures décisions et une exécution plus rapide qu’un ensemble trop large — l’agent considère tous les outils disponibles à chaque étape, donc les outils inutiles ajoutent du bruit.

Message système

Le message système est la configuration la plus importante pour un Deep Agent. Il définit le rôle, l’objectif, l’approche de raisonnement et les contraintes que l’agent doit respecter. C’est le mécanisme principal pour maintenir un agent autonome sur la bonne voie.

Pour les Deep Agents, votre message système doit couvrir :

• L’objectif — ce que l’agent essaie ultimement d’accomplir
• La sortie attendue — format, longueur, structure
• Règles de décision — quoi faire lorsqu’il rencontre des données manquantes, des sources conflictuelles ou des défaillances d’outils
• Contraintes de portée — ce que l’agent devrait et ne devrait pas faire

Exemple de message système :

Vous êtes un agent de recherche profonde. Votre objectif est de produire un rapport complet, précis et bien structuré sur n'importe quel sujet qui vous est donné.

Processus :
1. Décomposez le sujet en 4–6 questions de recherche clés.
2. Pour chaque question, recherchez les informations pertinentes en utilisant les outils disponibles.
3. Évaluez la qualité et la pertinence de chaque source avant de l'utiliser.
4. Synthétisez les résultats de toutes les questions dans un rapport cohérent.
5. Incluez un résumé, les principales conclusions et une liste des sources à la fin.

Règles :
- Ne fabriquez pas d'informations. Si vous ne pouvez pas trouver une source fiable, dites-le.
- Si un appel d'outil échoue, réessayez une fois avec une requête modifiée avant de continuer.
- N'arrêtez pas tant que toutes les questions de recherche n'ont pas été abordées ou que vous n'avez pas épuisé les sources disponibles.
- Gardez le rapport final factuel, neutre en ton et exempt de spéculation.

Format de sortie : Markdown, avec des en-têtes clairs pour chaque section.

Profondeur de récursion maximale

Contrôle combien de niveaux de profondeur l’agent peut récurrer lors de la décomposition et de l’exécution des sous-tâches. Une valeur plus élevée permet à l’agent de s’attaquer à des problèmes plus complexes et imbriqués, mais augmente le temps d’exécution et l’utilisation des ressources. Pour la plupart des tâches, la valeur par défaut est plus que suffisante. Augmentez-la uniquement lorsque l’agent doit poursuivre des objectifs véritablement multi-niveaux.

Historique de discussion d’agent

Fournit les messages de chat passés comme contexte pour l’exécution actuelle. Avec l’historique activé, le Deep Agent peut référencer les échanges antérieurs, ce qui est utile lorsque l’agent fait partie d’une conversation en cours ou d’un flux de travail itératif où le contexte antérieur façonne l’étape suivante. Sans historique, l’agent traite chaque exécution comme entièrement indépendante.

Mémoire d’agent

Contrôle si l’agent peut lire et écrire dans la mémoire de votre espace de travail. Lorsqu’elle est activée, le Deep Agent peut persister les résultats, les décisions et les connaissances accumulées entre les exécutions séparées — ce qui permet de construire une base de connaissances de manière progressive ou de reprendre des projets de longue durée où recommencer à zéro serait gaspilleur. Si activée, vous serez invité à définir le mode mémoire et les invites de comportement qui régissent ce qui est stocké et comment il est récupéré.

Remarque : Seule l’entrée Outils est strictement requise ; tous les autres paramètres sont optionnels mais ont un impact significatif sur la qualité et la fiabilité de la sortie d’un Deep Agent.

Comment un Deep Agent résout les tâches

Les Deep Agents suivent une boucle d’exécution structurée. Cette boucle est exactement ce qui rend les Deep Agents capables de gérer les tâches qui accableraient un agent standard :

• Décomposition d’objectif : L’agent analyse l’objectif et le décompose en une séquence de sous-tâches.
• Exécution itérative : L’agent travaille sur les sous-tâches une à la fois, en appelant les outils, en traitant les résultats et en décidant quoi faire ensuite en fonction des étapes terminées.
• Auto-évaluation : Après chaque étape, l’agent évalue si le résultat est suffisant pour avancer ou s’il doit réessayer, affiner sa requête ou adopter une approche entièrement différente.
• Synthèse : Une fois que toutes les sous-tâches sont complètes, l’agent combine les résultats intermédiaires dans une sortie finale et cohérente.
• Arrêt : L’agent s’arrête lorsque l’objectif est atteint, lorsqu’il atteint les limites configurées, ou lorsqu’il détermine qu’il ne peut pas accomplir la tâche avec les outils et les informations disponibles.

Choisir le bon modèle pour un Deep Agent

Le LLM est le moteur de raisonnement derrière chaque décision que prend le Deep Agent. Pour les tâches profondes et multi-étapes, la qualité du modèle a un impact disproportionné sur la performance.

• Modèles de pointe (GPT-4o, Claude 3.5 Sonnet, Gemini 1.5 Pro) : Meilleur pour le raisonnement complexe, la planification à long terme et les tâches où l’agent doit gérer l’ambiguïté ou prendre des décisions de jugement sans entrée humaine. Le coût plus élevé est généralement justifiable pour les charges de travail des Deep Agents.
• Modèles de gamme moyenne : Un équilibre solide entre la capacité et le coût pour les tâches modérément complexes mais bien définies.
• Petits modèles de langage : Non recommandé comme modèle principal pour les Deep Agents. Ils manquent de la profondeur de raisonnement nécessaire pour une exécution multi-étapes fiable. Cela dit, ils conviennent toujours aux sous-tâches simples au sein d’un flux de travail plus large où la vitesse et le coût importent plus que la qualité du raisonnement.

Commencez avec un modèle de gamme moyenne et montez uniquement si la performance l’exige. Le bon choix dépend de la complexité de votre tâche, de la latence acceptable et de votre budget.