{"id":9266,"date":"2025-10-22T08:53:15","date_gmt":"2025-10-22T08:53:15","guid":{"rendered":"https:\/\/techhub.saworks.io\/?post_type=docs&p=9266"},"modified":"2025-11-17T16:54:04","modified_gmt":"2025-11-17T16:54:04","slug":"composants-des-agents-ia","status":"publish","type":"docs","link":"https:\/\/techhub.saworks.io\/fr\/docs\/tutoriel-agent-debutant\/construire-une-base-pour-creer-des-agents-ia-et-etendre-microsoft-365-copilot\/composants-des-agents-ia\/","title":{"rendered":"Composants des agents IA"},"content":{"rendered":"\n
\n

Les agents IA sont construits \u00e0 partir d\u2019un ensemble de composants fondamentaux qui fonctionnent ensemble pour permettre un comportement intelligent.<\/p>\n\n\n\n

<\/div>\n\n\n\n

Architecture d\u2019un agent<\/strong><\/h3>\n\n\n\n

Bien que tous les agents partagent g\u00e9n\u00e9ralement les composants suivants, leur mise en \u0153uvre et leur importance varient selon le but et la complexit\u00e9 de l\u2019agent.<\/p>\n\n\n\n

    \n
  • Mod\u00e8le fondamental (LLM)<\/strong> : Le grand mod\u00e8le de langage (LLM) fournit les capacit\u00e9s de g\u00e9n\u00e9ration et de raisonnement. Il permet la compr\u00e9hension du langage naturel, sa g\u00e9n\u00e9ration et la prise en compte du contexte.<\/li>\n\n\n\n
  • Orchestrateur<\/strong> : L\u2019orchestrateur coordonne le comportement de l\u2019agent, d\u00e9cidant quand r\u00e9cup\u00e9rer des connaissances, invoquer des comp\u00e9tences ou faire appel \u00e0 un humain. Il g\u00e8re les flux de travail, la m\u00e9moire et la logique d\u00e9cisionnelle.<\/li>\n\n\n\n
  • Connaissances<\/strong> : Il s\u2019agit des informations qu\u2019un agent utilise pour comprendre son environnement et prendre des d\u00e9cisions. Cela inclut les instructions d\u00e9finies pour l\u2019agent et les donn\u00e9es de r\u00e9f\u00e9rence auxquelles il a acc\u00e8s, comme les donn\u00e9es structur\u00e9es, le contenu non structur\u00e9, les documents, les bases de donn\u00e9es et les entr\u00e9es en temps r\u00e9el. Les agents utilisent ces connaissances pour fournir des r\u00e9ponses et des actions pertinentes selon le contexte.<\/li>\n\n\n\n
  • Comp\u00e9tences et outils<\/strong> : Ce sont les actions, capacit\u00e9s et flux de travail que l\u2019agent peut utiliser pour agir, comme envoyer des messages, interroger des bases de donn\u00e9es ou d\u00e9clencher des processus automatis\u00e9s. Cela peut inclure l\u2019envoi d\u2019e-mails, la r\u00e9cup\u00e9ration de donn\u00e9es, la mise \u00e0 jour de dossiers ou le d\u00e9clenchement d\u2019un processus automatis\u00e9. Les comp\u00e9tences sont souvent li\u00e9es \u00e0 des API, des services ou des outils d\u2019automatisation que l\u2019agent peut utiliser pour accomplir des t\u00e2ches.<\/li>\n\n\n\n
  • Autonomie<\/strong> : C\u2019est la logique qui guide la mani\u00e8re dont un agent interpr\u00e8te les informations et choisit ses actions. Elle inclut des cadres de prise de d\u00e9cision, une logique bas\u00e9e sur des r\u00e8gles, des d\u00e9clencheurs pour des capacit\u00e9s autonomes, et de plus en plus, des mod\u00e8les d\u2019apprentissage automatique qui permettent aux agents de s\u2019adapter et de s\u2019am\u00e9liorer avec le temps.<\/li>\n<\/ul>\n\n\n\n
    <\/div>\n\n\n\n

    R\u00e9flexion :<\/strong><\/h3>\n\n\n\n

    Pensez \u00e0 un processus ou une t\u00e2che que vous aimeriez automatiser. Quels composants personnalis\u00e9s (connaissances, comp\u00e9tences, raisonnement) seraient les plus importants pour permettre \u00e0 un agent de g\u00e9rer ce processus avec succ\u00e8s ?<\/p>\n\n\n\n

    <\/div>\n\n\n\n

    LLM vs agents IA : Quelle est la diff\u00e9rence ?<\/strong><\/h3>\n\n\n\n

    Les grands mod\u00e8les de langage (LLM) sont le moteur central de l\u2019IA g\u00e9n\u00e9rative. Ils permettent aux agents de comprendre et de g\u00e9n\u00e9rer un langage humain, de r\u00e9sumer du contenu, de traduire du texte, etc.<\/p>\n\n\n\n

    Cependant, les LLM seuls ne sont pas des agents.<\/p>\n\n\n\n

    Les agents IA \u00e9tendent la puissance des LLM en int\u00e9grant des composants suppl\u00e9mentaires :<\/p>\n\n\n\n

      \n
    • M\u00e9moire<\/strong> pour conserver le contexte entre les interactions<\/li>\n\n\n\n
    • Comp\u00e9tences<\/strong> pour effectuer des actions dans le monde r\u00e9el<\/li>\n\n\n\n
    • Raisonnement et orchestration<\/strong> pour g\u00e9rer des flux de travail complexes<\/li>\n\n\n\n
    • Interfaces<\/strong> pour interagir avec les utilisateurs et les syst\u00e8mes<\/li>\n<\/ul>\n\n\n\n

      En r\u00e9sum\u00e9<\/strong> : les LLM g\u00e9n\u00e8rent de l\u2019intelligence. Les agents appliquent cette intelligence pour atteindre des objectifs.<\/p>\n\n\n\n

      <\/div>\n\n\n\n

      Comment fonctionnent les agents IA ?<\/strong><\/h3>\n\n\n\n

      Voici comment un agent IA typique fonctionne :<\/p>\n\n\n\n

        \n
      1. Entr\u00e9e<\/strong> : Un utilisateur pose une question ou initie une t\u00e2che.<\/li>\n\n\n\n
      2. Compr\u00e9hension<\/strong> : Le LLM interpr\u00e8te l\u2019entr\u00e9e, d\u00e9termine l\u2019intention et extrait les informations pertinentes.<\/li>\n\n\n\n
      3. Planification<\/strong> : L\u2019orchestrateur, souvent avec l\u2019aide du LLM, d\u00e9cide des \u00e9tapes \u00e0 suivre, comme r\u00e9cup\u00e9rer des connaissances, appeler une comp\u00e9tence ou demander des pr\u00e9cisions.<\/li>\n\n\n\n
      4. Action<\/strong> : L\u2019agent ex\u00e9cute les actions requises en utilisant ses comp\u00e9tences ou outils, guid\u00e9 par le plan.<\/li>\n\n\n\n
      5. G\u00e9n\u00e9ration de r\u00e9ponse<\/strong> : Le LLM g\u00e9n\u00e8re une r\u00e9ponse en langage naturel bas\u00e9e sur les r\u00e9sultats des actions et le contexte actuel.<\/li>\n\n\n\n
      6. Communication<\/strong> : L\u2019agent transmet la r\u00e9ponse \u00e0 l\u2019utilisateur via l\u2019interface choisie.<\/li>\n\n\n\n
      7. Apprentissage<\/strong> : L\u2019agent stocke le contexte ou les retours pertinents pour am\u00e9liorer les interactions futures.<\/li>\n<\/ol>\n\n\n\n
        <\/div>\n\n\n\n

        Exemple :<\/strong><\/h3>\n\n\n\n

        Un employ\u00e9 demande \u00e0 un agent :<\/p>\n\n\n\n

        \n

        \u00ab Quelle est la politique de voyage de notre entreprise, et peux-tu r\u00e9server un vol pour Seattle la semaine prochaine ? \u00bb<\/em><\/p>\n<\/blockquote>\n\n\n\n

          \n
        • L\u2019agent r\u00e9cup\u00e8re la derni\u00e8re politique de voyage de l\u2019entreprise \u00e0 partir de la documentation interne ou d\u2019une base de connaissances, en tenant compte des directives organisationnelles et du r\u00f4le de l\u2019employ\u00e9.<\/li>\n\n\n\n
        • Il appelle ensuite une API externe de r\u00e9servation de vols pour rechercher des vols disponibles vers Seattle qui respectent la politique de voyage de l\u2019entreprise (ex. : compagnies a\u00e9riennes pr\u00e9f\u00e9r\u00e9es, limites budg\u00e9taires, exigences d\u2019approbation).<\/li>\n\n\n\n
        • L\u2019agent r\u00e9pond \u00e0 l\u2019employ\u00e9 avec un r\u00e9sum\u00e9 de la politique de voyage pertinente, des options de vol propos\u00e9es et une confirmation que la demande de r\u00e9servation a \u00e9t\u00e9 initi\u00e9e ou compl\u00e9t\u00e9e \u2014 le tout en langage naturel.<\/li>\n<\/ul>\n\n\n\n
          <\/div>\n\n\n\n

          Agents autonomes<\/strong><\/h3>\n\n\n\n

          Les agents autonomes fonctionnent avec une plus grande ind\u00e9pendance, poursuivant souvent des objectifs sur plusieurs \u00e9tapes ou sessions avec une intervention humaine minimale. Un \u00e9l\u00e9ment cl\u00e9 des agents autonomes est leur capacit\u00e9 \u00e0 r\u00e9pondre \u00e0 des d\u00e9clencheurs \u2014 \u00e9v\u00e9nements ou changements dans les donn\u00e9es \u2014 qui incitent l\u2019agent \u00e0 agir sans intervention directe de l\u2019utilisateur. Les d\u00e9clencheurs peuvent inclure des horaires planifi\u00e9s, des mises \u00e0 jour de donn\u00e9es, des \u00e9v\u00e9nements de syst\u00e8mes externes ou des changements dans le contexte utilisateur.<\/p>\n\n\n\n

          Leur flux de travail ressemble g\u00e9n\u00e9ralement \u00e0 ceci :<\/p>\n\n\n\n

            \n
          • D\u00e9finition d\u2019objectif<\/strong> : L\u2019agent re\u00e7oit un objectif de haut niveau (d\u2019un utilisateur ou d\u2019un syst\u00e8me).<\/li>\n\n\n\n
          • Surveillance des d\u00e9clencheurs<\/strong> : L\u2019agent surveille en continu les d\u00e9clencheurs pertinents tels que les \u00e9ch\u00e9ances, les changements de donn\u00e9es ou les \u00e9v\u00e9nements externes n\u00e9cessitant une action.<\/li>\n\n\n\n
          • Auto-planification<\/strong> : Lorsqu\u2019un d\u00e9clencheur est d\u00e9tect\u00e9 ou qu\u2019un objectif est re\u00e7u, l\u2019agent d\u00e9compose de mani\u00e8re autonome l\u2019objectif en sous-t\u00e2ches et cr\u00e9e un plan, souvent en le raffinant de mani\u00e8re it\u00e9rative.<\/li>\n\n\n\n
          • Action it\u00e9rative<\/strong> : L\u2019agent ex\u00e9cute des actions, surveille les r\u00e9sultats et adapte son plan si n\u00e9cessaire, bouclant potentiellement plusieurs fois entre planification et action. Ces actions peuvent inclure le d\u00e9clenchement de flux de travail, combinant le comportement autonome avec des flux d\u00e9terministes automatis\u00e9s.<\/li>\n\n\n\n
          • Auto-\u00e9valuation<\/strong> : L\u2019agent \u00e9value les progr\u00e8s vers l\u2019objectif, d\u00e9cidant de continuer, d\u2019ajuster son approche ou de d\u00e9clarer l\u2019objectif atteint.<\/li>\n\n\n\n
          • Rapport\/communication<\/strong> : L\u2019agent r\u00e9sume les r\u00e9sultats ou demande une intervention uniquement si n\u00e9cessaire.<\/li>\n\n\n\n
          • Apprentissage continu<\/strong> : L\u2019agent met \u00e0 jour sa m\u00e9moire et ses strat\u00e9gies en fonction des r\u00e9sultats pour am\u00e9liorer son autonomie future.<\/li>\n<\/ul>\n\n\n\n

            Les agents autonomes mettent l\u2019accent sur la planification autonome, l\u2019ex\u00e9cution d\u00e9clench\u00e9e et une d\u00e9pendance minimale \u00e0 l\u2019entr\u00e9e utilisateur \u00e9tape par \u00e9tape, leur permettant de g\u00e9rer des t\u00e2ches complexes et multi-\u00e9tapes.<\/p>\n\n\n\n

            <\/div>\n\n\n\n

            Exemple :<\/strong><\/h3>\n\n\n\n

            Une organisation financi\u00e8re utilise un agent de correction fiscale construit avec les flux d\u2019agents de Copilot Studio.<\/p>\n\n\n\n

              \n
            • L\u2019agent surveille en continu les donn\u00e9es financi\u00e8res pour d\u00e9tecter des anomalies pouvant indiquer la n\u00e9cessit\u00e9 d\u2019un audit.<\/li>\n\n\n\n
            • Lorsqu\u2019une anomalie est d\u00e9tect\u00e9e, il d\u00e9clenche de mani\u00e8re autonome un flux d\u2019audit structur\u00e9, collecte les documents n\u00e9cessaires et r\u00e9sume les principales conclusions.<\/li>\n\n\n\n
            • L\u2019agent transmet ensuite les r\u00e9sultats de l\u2019audit aux r\u00e9viseurs humains appropri\u00e9s pour approbation, garantissant conformit\u00e9 et transparence.<\/li>\n\n\n\n
            • Tout au long du processus, l\u2019agent adapte ses actions en fonction des nouvelles donn\u00e9es ou des retours, combinant prise de d\u00e9cision autonome et flux de travail d\u00e9terministes pour maintenir flexibilit\u00e9 et conformit\u00e9 r\u00e9glementaire.<\/li>\n<\/ul>\n\n\n\n

              Ce cycle bas\u00e9 sur les d\u00e9clencheurs permet aux agents d\u2019op\u00e9rer dans des environnements dynamiques, de s\u2019adapter aux besoins des utilisateurs et de fournir des r\u00e9sultats de plus en plus personnalis\u00e9s et efficaces.<\/p>\n\n\n\n

              <\/div>\n\n\n\n

              Cr\u00e9ation d\u2019agents IA<\/strong><\/h3>\n\n\n\n

              La cr\u00e9ation d\u2019agents IA peut n\u00e9cessiter une combinaison de technologies fondamentales, d\u2019infrastructure et d\u2019outils de d\u00e9veloppement.<\/p>\n\n\n\n

                \n
              • Mod\u00e8les fondamentaux (LLMs)<\/strong> : Pour la compr\u00e9hension du langage naturel, le raisonnement et la g\u00e9n\u00e9ration.<\/li>\n\n\n\n
              • Couche d\u2019orchestration<\/strong> : Pour g\u00e9rer la planification, la prise de d\u00e9cision et la coordination des actions.<\/li>\n\n\n\n
              • Comp\u00e9tences et outils<\/strong> : Une biblioth\u00e8que d\u2019API, de plugins et de services que l\u2019agent peut invoquer pour accomplir des t\u00e2ches.<\/li>\n\n\n\n
              • M\u00e9moire et stockage de contexte<\/strong> : Pour conserver la m\u00e9moire \u00e0 court et long terme, permettant la personnalisation et la continuit\u00e9.<\/li>\n\n\n\n
              • Infrastructure de donn\u00e9es<\/strong> : Acc\u00e8s s\u00e9curis\u00e9 et \u00e9volutif aux sources de donn\u00e9es structur\u00e9es et non structur\u00e9es.<\/li>\n\n\n\n
              • S\u00e9curit\u00e9 et gouvernance<\/strong> : Gestion des identit\u00e9s, contr\u00f4le d\u2019acc\u00e8s et surveillance de la conformit\u00e9.<\/li>\n\n\n\n
              • Environnement de d\u00e9ploiement<\/strong> : Infrastructure cloud-native (ex. Azure Kubernetes Service, Azure Functions) pour h\u00e9berger et faire \u00e9voluer l\u2019agent.<\/li>\n<\/ul>\n\n\n\n

                Cependant, le niveau de d\u00e9veloppement requis sur ces couches de la pile IA peut varier consid\u00e9rablement selon le but et la complexit\u00e9 de l\u2019agent. Pour les sc\u00e9narios d\u2019agents de r\u00e9cup\u00e9ration ou bas\u00e9s sur des t\u00e2ches, il peut suffire d\u2019ajouter des connaissances, des comp\u00e9tences et des instructions tout en utilisant l\u2019infrastructure existante (par exemple, cr\u00e9er un agent qui \u00e9tend Microsoft 365 Copilot). Pour des sc\u00e9narios plus avanc\u00e9s et complexes, vous pouvez personnaliser enti\u00e8rement votre solution, y compris les mod\u00e8les, l\u2019orchestration, la logique, les actions, la s\u00e9curit\u00e9 et la gouvernance.<\/p>\n\n\n\n

                <\/div>\n\n\n\n

                Solutions d\u2019agents IA de Microsoft<\/strong><\/h3>\n\n\n\n

                Microsoft propose une gamme d\u2019outils et de solutions pour accompagner votre parcours de transformation par l\u2019IA, que vous souhaitiez cr\u00e9er une solution avec une pile IA enti\u00e8rement personnalis\u00e9e ou tirer parti de composants existants avec vos donn\u00e9es d\u2019entreprise, API et logique m\u00e9tier.<\/p>\n\n\n\n

                <\/div>\n\n\n\n
                \"\"<\/figure>\n\n\n\n
                <\/div>\n\n\n\n

                Adopter :<\/strong><\/h3>\n\n\n\n

                Microsoft 365 Copilot, Copilot Chat et une gamme d\u2019agents propri\u00e9taires offrent des capacit\u00e9s puissantes pour soutenir la productivit\u00e9 aliment\u00e9e par l\u2019IA d\u00e8s le d\u00e9part, avec des contr\u00f4les de s\u00e9curit\u00e9 et de gouvernance int\u00e9gr\u00e9s.<\/p>\n\n\n\n

                <\/div>\n\n\n\n

                \u00c9tendre :<\/strong><\/h3>\n\n\n\n

                Microsoft 365 Copilot peut \u00eatre \u00e9tendu avec des agents qui exploitent le mod\u00e8le, l\u2019orchestrateur et l\u2019interface utilisateur de Copilot, mais qui sont adapt\u00e9s \u00e0 une logique m\u00e9tier, des donn\u00e9es et des syst\u00e8mes personnalis\u00e9s pour l\u2019automatisation des processus m\u00e9tier.<\/p>\n\n\n\n

                <\/div>\n\n\n\n

                Cr\u00e9er :<\/strong><\/h3>\n\n\n\n

                Une gamme d\u2019outils et de services Microsoft, dont Copilot Studio, Microsoft 365 Agents Toolkit, Azure AI Foundry, et bien d\u2019autres, peuvent \u00eatre utilis\u00e9s pour cr\u00e9er des agents personnalis\u00e9s et des applications commerciales d\u2019IA g\u00e9n\u00e9rative pour des sc\u00e9narios plus avanc\u00e9s ou complexes.<\/p>\n\n\n\n

                Microsoft propose les meilleures solutions pour les agents IA utilisables tout au long de ce spectre, notamment :<\/p>\n\n\n\n

                  \n
                • Microsoft 365 Copilot et Agent Builder<\/strong> : Les utilisateurs m\u00e9tier peuvent cr\u00e9er des agents IA en utilisant le langage naturel dans une interface sans code.<\/li>\n\n\n\n
                • Copilot Studio<\/strong> : Les cr\u00e9ateurs peuvent utiliser une interface low-code pour cr\u00e9er des agents IA personnalis\u00e9s et \u00e9tendre Microsoft 365 Copilot.<\/li>\n\n\n\n
                • Visual Studio \/ GitHub \/ Azure AI Foundry<\/strong> : Les d\u00e9veloppeurs peuvent utiliser ces outils pro-code avec des SDK et des services comme Semantic Kernel, Azure AI Agent Service et Microsoft 365 Agents Toolkit pour concevoir, cr\u00e9er, personnaliser, publier et g\u00e9rer des solutions d\u2019agents IA de niveau entreprise.<\/li>\n<\/ul>\n\n\n\n
                  <\/div>\n\n\n\n

                  Unit\u00e9 suivante : \u00c9valuation du module<\/strong><\/h2>\n<\/div>\n","protected":false},"excerpt":{"rendered":"

                  Les agents IA sont construits \u00e0 partir d\u2019un ensemble de composants fondamentaux qui fonctionnent ensemble pour permettre un comportement intelligent. Architecture d\u2019un agent […]<\/p>\n","protected":false},"author":2,"featured_media":0,"parent":9251,"menu_order":27,"comment_status":"closed","ping_status":"closed","template":"","doc_tag":[],"doc_badge":[],"class_list":["post-9266","docs","type-docs","status-publish","hentry"],"author_avatar":"https:\/\/secure.gravatar.com\/avatar\/6a70e7c73db9f245e650948d09d74f61?s=96&d=mm&r=g","author_name":"Annick N'dri","_links":{"self":[{"href":"https:\/\/techhub.saworks.io\/fr\/wp-json\/wp\/v2\/docs\/9266"}],"collection":[{"href":"https:\/\/techhub.saworks.io\/fr\/wp-json\/wp\/v2\/docs"}],"about":[{"href":"https:\/\/techhub.saworks.io\/fr\/wp-json\/wp\/v2\/types\/docs"}],"author":[{"embeddable":true,"href":"https:\/\/techhub.saworks.io\/fr\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/techhub.saworks.io\/fr\/wp-json\/wp\/v2\/comments?post=9266"}],"version-history":[{"count":0,"href":"https:\/\/techhub.saworks.io\/fr\/wp-json\/wp\/v2\/docs\/9266\/revisions"}],"up":[{"embeddable":true,"href":"https:\/\/techhub.saworks.io\/fr\/wp-json\/wp\/v2\/docs\/9251"}],"wp:attachment":[{"href":"https:\/\/techhub.saworks.io\/fr\/wp-json\/wp\/v2\/media?parent=9266"}],"wp:term":[{"taxonomy":"doc_tag","embeddable":true,"href":"https:\/\/techhub.saworks.io\/fr\/wp-json\/wp\/v2\/doc_tag?post=9266"},{"taxonomy":"doc_badge","embeddable":true,"href":"https:\/\/techhub.saworks.io\/fr\/wp-json\/wp\/v2\/doc_badge?post=9266"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}