Agent

Le bloc Agent sert d'interface entre votre workflow et les grands modèles de langage (LLM). Il exécute des requêtes d'inférence auprès de différents fournisseurs d'IA, traite les entrées en langage naturel selon des instructions définies, et génère des sorties structurées ou non structurées à destination des blocs en aval.

Vue d'ensemble

Le bloc Agent vous permet de :

Traiter le langage naturel : analyser les entrées utilisateur et générer des réponses contextuelles

Exécuter des tâches pilotées par l'IA : effectuer des analyses de contenu, de la génération et de la prise de décision

Appeler des outils externes : accéder à des API, des bases de données et des services durant le traitement

Générer une sortie structurée : renvoyer des données JSON conformes à vos exigences de schéma

Options de configuration

Invite système

L'invite système établit les paramètres opérationnels et les contraintes comportementales de l'agent. Cette configuration définit le rôle de l'agent, sa méthodologie de réponse et ses limites de traitement pour toutes les requêtes entrantes.

You are a helpful assistant that specializes in financial analysis.
Always provide clear explanations and cite sources when possible.
When responding to questions about investments, include risk disclaimers.

Invite utilisateur

L'invite utilisateur représente les données d'entrée principales pour le traitement de l'inférence. Ce paramètre accepte du texte en langage naturel ou des données structurées que l'agent va analyser et auxquelles il va répondre. Les sources d'entrée incluent :

Configuration statique : texte saisi directement dans la configuration du bloc
Entrée dynamique : données transmises depuis des blocs en amont via les interfaces de connexion
Génération à l'exécution : contenu généré par programme lors de l'exécution du workflow

Sélection du modèle

Le bloc Agent ne référence aucun fournisseur par son nom. Il déclare un besoin en capacité LLM et le registre d'intégrations de la plateforme résout la requête auprès des fournisseurs installés — d'abord par surcharge à l'appel, puis par politique organisationnelle, puis par sélection automatique parmi les fournisseurs installés.

Fournisseurs proposant la capacité LLM aujourd'hui :

Anthropic — famille Claude via l'API Messages
OpenAI — famille GPT via openai-chat-v1
Mistral — modèles Mistral via openai-chat-v1
AWS Bedrock — modèles fondamentaux via bedrock-converse-v1
Azure AI Foundry — modèles déployés par organisation
Google Cloud (Vertex AI) — Gemini via openai-chat-v1
Ollama — LLM locaux via endpoint compatible OpenAI
vLLM — inférence haute performance auto-hébergée

Température

Contrôlez la créativité et l'aléatoire des réponses :

Réponses plus déterministes et ciblées. Idéal pour les tâches factuelles, le support client et les situations où la précision est critique.

Équilibre entre créativité et précision. Convient aux applications polyvalentes nécessitant à la fois exactitude et une certaine créativité.

Réponses plus créatives et variées. Parfait pour l'écriture créative, le brainstorming et la génération d'idées diverses.

La plage de température (0-1 ou 0-2) varie selon le modèle sélectionné.

Clé API

Les identifiants ne sont pas configurés sur le bloc Agent lui-même. Chaque fournisseur compatible LLM stocke ses identifiants via le flux des intégrations, et le registre transmet le jeton d'accès actif au runtime au moment de l'exécution.

Outils

Les outils étendent les capacités de l'agent via l'appel de fonctions. Les outils proviennent de produits de fournisseurs — jamais d'un pool global unifié. Lorsque vous cliquez sur « Ajouter des outils » sur le bloc Agent, vous choisissez dans le catalogue de fournisseurs installés : chaque produit apporte son propre ensemble d'outils (par ex. google:gmail apporte send-mail, list-messages, … ; scrydon:knowledge apporte knowledge-rag-search).

Processus d'intégration des outils :

Ouvrez la section Outils sur le bloc Agent
Sélectionnez un produit fournisseur dans le catalogue installé
Ajoutez un ou plusieurs outils du produit et (si requis) configurez un identifiant

Origine des outils :

Intégrés : voir scrydon — Knowledge, Memory, Storage, Tables, Workflow, Web, SMTP, SMS, Guardrails, A2A, SSH
Productivité et stockage : Google, Microsoft, Atlassian, GitHub, Salesforce, …
Personnalisés : créez les vôtres avec le SDK d'authoring des intégrations et téléversez-les via les Paramètres

Contrôle de l'exécution des outils :

Auto : le modèle détermine l'invocation des outils selon le contexte et la nécessité
Requis : l'outil doit être appelé lors de chaque requête d'inférence
Aucun : la définition de l'outil est disponible mais exclue du contexte du modèle

Format de réponse

Le paramètre Format de réponse impose la génération de sorties structurées via la validation par JSON Schema. Cela garantit des réponses cohérentes et lisibles par les machines, conformes à des structures de données prédéfinies :

{
  "name": "user_analysis",
  "schema": {
    "type": "object",
    "properties": {
      "sentiment": {
        "type": "string",
        "enum": ["positive", "negative", "neutral"]
      },
      "confidence": {
        "type": "number",
        "minimum": 0,
        "maximum": 1
      }
    },
    "required": ["sentiment", "confidence"]
  }
}

Cette configuration contraint la sortie du modèle à respecter le schéma spécifié, empêchant les réponses en texte libre et garantissant la génération de données structurées.

Accéder aux résultats

Après l'exécution d'un agent, vous pouvez accéder à ses sorties :

<agent.content> : le texte de réponse ou les données structurées de l'agent
<agent.tokens> : statistiques d'utilisation des tokens (invite, complétion, total)
<agent.tool_calls> : détails des outils utilisés par l'agent durant l'exécution
<agent.cost> : coût estimé de l'appel API (si disponible)

Fonctionnalités avancées

Intégration de la mémoire

Les agents peuvent maintenir le contexte entre les interactions grâce au système de mémoire :

// In a Function block before the agent
const memory = {
  conversation_history: previousMessages,
  user_preferences: userProfile,
  session_data: currentSession
};

Validation de la sortie structurée

Utilisez JSON Schema pour garantir des réponses cohérentes et lisibles par les machines :

{
  "type": "object",
  "properties": {
    "analysis": {"type": "string"},
    "confidence": {"type": "number", "minimum": 0, "maximum": 1},
    "categories": {"type": "array", "items": {"type": "string"}}
  },
  "required": ["analysis", "confidence"]
}

Gestion des erreurs

Les agents gèrent automatiquement les erreurs courantes :

Limites de débit API avec recul exponentiel
Appels d'outils invalides avec logique de réessai
Échecs réseau avec récupération de connexion
Erreurs de validation de schéma avec réponses de repli

Entrées et sorties

Invite système : instructions définissant le comportement et le rôle de l'agent
Invite utilisateur : texte d'entrée ou données à traiter
Modèle : sélection du modèle IA (OpenAI, Anthropic, Google, etc.)
Température : contrôle de l'aléatoire des réponses (0-2)
Outils : tableau des outils disponibles pour l'appel de fonctions
Format de réponse : JSON Schema pour la sortie structurée

agent.content : texte de réponse ou données structurées de l'agent
agent.tokens : objet de statistiques d'utilisation des tokens
agent.tool_calls : tableau des détails d'exécution des outils
agent.cost : coût estimé de l'appel API (si disponible)

Contenu : sortie de réponse principale de l'agent
Métadonnées : statistiques d'utilisation et détails d'exécution
Accès : disponible dans les blocs situés après l'agent

Exemples d'utilisation

Automatisation du support client

Scénario : traiter les demandes clients avec accès à la base de données

L'utilisateur soumet un ticket de support via le bloc API
L'agent traite la demande avec les outils de la base de données produits
L'agent génère une réponse et crée un ticket de suivi
Le bloc Response envoie la réponse au client

Analyse de contenu multi-modèles

Scénario : analyser du contenu avec différents modèles IA

Le bloc Function traite le document téléversé
L'agent avec GPT-4o effectue l'analyse technique
L'agent avec Claude analyse le sentiment et le ton
Le bloc Function combine les résultats pour le rapport final

Assistant de recherche avec outils

Scénario : assistant de recherche avec accès au web et aux documents

La requête utilisateur est reçue via l'entrée
L'agent effectue des recherches web avec scrydon:web (fetch-webpage) ou google:search (Custom Search)
L'agent récupère des documents internes via scrydon:knowledge (RAG search)
L'agent compile un rapport de recherche complet

Bonnes pratiques

Soyez précis dans les invites système : définissez clairement le rôle, le ton et les limites de l'agent. Plus vos instructions sont spécifiques, mieux l'agent pourra remplir sa fonction.
Choisissez le bon réglage de température : utilisez des températures basses (0-0,3) lorsque la précision est importante, ou augmentez la température (0,7-2,0) pour des réponses plus créatives ou variées.
Tirez parti des outils efficacement : intégrez des outils qui complètent la fonction de l'agent et renforcent ses capacités. Soyez sélectif dans les outils que vous fournissez pour ne pas surcharger l'agent. Pour des tâches avec peu de recoupements, utilisez un autre bloc Agent pour de meilleurs résultats.

Agent

Scénario : traiter les demandes clients avec accès à la base de données

Scénario : analyser du contenu avec différents modèles IA

Scénario : assistant de recherche avec accès au web et aux documents

Sur cette page