1

Fondements des agents intelligents et rôle des LLMs

• Définition : agent, autonomie, environnement, perception, action, objectifs.
• Agent symbolique vs LLM-powered. Différence entre agents, chaînes et copilotes.
• Différence entre agents, chaînes et copilotes.
• Vision d’ensemble des architectures d’agents (BDI, planificateurs, prompt-based).
• Modèle de langage comme moteur de planification et de raisonnement.
• Limitations : hallucinations, coordination, coût computationnel.

2

Agents LangChain et raisonnement basé sur l'utilisation d'outils

• Architecture d’un agent LangChain.
• Composants : tools, memory, output parser, AgentExecutor.
• Exemples d’outils : calcul, recherche, fichiers, APIs.
• Gestion des chaînes de raisonnement et de l’environnement.

3

Théories et frameworks multi-agents

• Types d’agents : spécialisés, hiérarchiques, compétitifs, collaboratifs.
• Différentes approches de coordination : par tâche, par rôle, par message.
• Modèles de communication : blackboard, publish/subscribe, dialogue direct (JSON).
• Quelques frameworks : LangChain Multi-Agent, CrewAI, AutoGen, ChatDev, AutoGPT.
• Structuration de workflows complexes : délégation, rôles, dépendances

4

Ontologies et raisonnement sémantique

• Standardisation des connaissances partagées.
• Intégration d'ontologies métiers dans un système multi-agent.
• Raisonnement à partir de graphes de connaissances (RDF, Neo4j).
• Mémoire longue pour la coordination inter-agents.

5

Planification, supervision et sécurité

• Mise en œuvre les chaînes de pensée (chain-of-thought) pour la planification par LLM.
• Les limites des LLMs : bruit, instabilité, boucles infinies.
• Stratégies de contrôle : scoring, pruning, critic agents.
• Supervision et le monitoring des interactions (logging, replay, auditabilité).
• Gouvernance et la sécurité : sandboxing, conformité, agent critique ou humain dans la boucle (HITL).