Agent contre chat : la boucle objectif → plan → action

Tout ce que vous avez étudié jusqu'à présent a été un dialogue : vous demandez → il répond → vous décidez de la suite. Un agent prend le « et après ? » à sa charge. Dans la leçon précédente, nous avons convenu d'une définition de travail d'un agent ; maintenant, décortiquons le mécanisme sur lequel repose tout le cours — la boucle.

La boucle de l'agent

1. Objectif : « trouver 10 supports publicitaires pertinents et collecter leurs prix dans un tableau ».
2. Plan : l'agent décompose l'objectif en étapes : rechercher des supports → ouvrir chacun → trouver la grille tarifaire → la noter.
3. Action : il appelle un outil — une opération externe disponible pour le modèle : rechercher, lire une page, écrire dans une feuille de calcul. Les outils sont les « mains » qui manquaient au chat de 2022.
4. Observation : il obtient le résultat de l'action et évalue : cela a-t-il fonctionné ? y a-t-il suffisamment de données ? Le résultat de chaque action est littéralement appelé une observation.
5. Répétition — à partir de l'étape 2, jusqu'à ce que l'objectif soit atteint (ou que la limite de tours soit atteinte — une protection contre les boucles infinies, abordée dans le module de fiabilité).

La différence clé avec un chat : c'est le modèle qui prend les décisions à l'intérieur de la boucle, pas vous. Vous définissez l'objectif, les limites et les outils — l'agent construit lui-même le chemin.

Une mini-trace : trois tours vus par l'agent

Voici à quoi ressemble la boucle de l'intérieur — sur notre tâche de recherche de supports :

• Tour 1. Pensée : J'ai besoin d'une liste de supports. Action : rechercher « publicité dans les blogs de cuisine ». Observation : 12 liens, 7 semblent être des blogs.
• Tour 2. Pensée : ouvrir le premier. Action : ouvrir le lien n°1. Observation : la page n'a pas pu se charger — erreur.
• Tour 3. Pensée : lien mort — le marquer, prendre le suivant. Action : ouvrir le lien n°2. Observation : il y a une page « Advertise » avec un prix. L'écrire dans le tableau.

Regardez le tour 2 : l'outil a renvoyé une erreur — et l'agent a révisé le plan au lieu de s'entêter. L'observation est ce qui rend la boucle vivante. Vous vous souvenez d'AutoGPT de la leçon précédente ? Il a échoué précisément ici : il s'est convaincu que l'étape avait réussi et a traîné ce « succès » inventé dans les tours suivants.

Un agent n'est pas un nouveau modèle

Levons le voile sur la magie : à l'intérieur d'un agent tourne le même modèle de langage que dans un chat. La différence réside dans le harnais qui l'entoure : la boucle, les outils et la mémoire (ce que l'agent retient entre les tours — une leçon distincte à venir). Ainsi, l'agent hérite de toutes les faiblesses du modèle : il peut se tromper, il peut « voir » des choses qui n'existent pas. Et la boucle amplifie à la fois les compétences et les erreurs : une observation erronée au tour 2 devient l'entrée du tour 3.

La réponse : un chat doit tout livrer en une seule fois, tandis qu'un agent peut essayer, regarder le résultat et se corriger. Pas plus d'intelligence — plus de tentatives, et chacune s'appuie sur la réalité (observations), pas sur une supposition.

Vous avez déjà vu des agents

• Recherche approfondie — un agent de recherche : il planifie des requêtes, lit des sources, assemble un rapport. Sa boucle : requête → lecture → « que manque-t-il ? » → nouvelle requête.
• Agents de codage (Claude Code, Replit et autres) — ils écrivent du code, l'exécutent, voient l'erreur, la corrigent. L'exécution du code est leur « observation ».
• Le nœud agent dans n8n — le constructeur d'automatisation que notre plateforme couvre dans un cours séparé : le nœud lui-même décide s'il doit vérifier la feuille de calcul ou lancer une recherche.

Même schéma à chaque fois — maintenant vous connaissez son nom et pouvez voir sa boucle.

Quand avez-vous besoin d'un agent, d'un chat ou d'un workflow ?

• Une réponse en une étape → un chat.
• Une chaîne d'étapes fixe → un workflow (flèches dans n8n) : un humain a écrit le chemin à l'avance — moins cher et plus prévisible.
• Étapes inconnues à l'avance, dépendant des découvertes → un agent.

L'erreur classique du débutant est d'utiliser un agent là où un workflow suffirait. Un agent n'est pas « plus cool » — il est « plus flexible, mais à un prix » : chaque tour est un appel de modèle distinct, donc c'est plus coûteux, plus lent, moins prévisible. Une leçon entière est consacrée à ce choix — juste après la carte des applications.

Bac à sable : touchez la différence du doigt

Envoyez deux prompts l'un après l'autre et comparez. D'abord un chat classique :

Répondez en un paragraphe : comment planifier le lancement d'un nouveau produit ?

Maintenant, faites agir le modèle comme un agent :

Agissez comme un agent autonome. OBJECTIF : planifier le lancement d'un nouveau produit.
Travaillez en boucle : Pensée → Action (appel d'outil) → Observation.
Les outils sont uniquement imaginaires : search(query), calendar_add(event),
send_email(to, text). Montrez 5 tours de la boucle, inventez des observations
plausibles. Après le tour 5 — STOP et un bref résumé : terminé vs restant.

Le contraste entre la première et la seconde réponse est la définition d'un agent : pas « une réponse » mais « un travail en boucle ».

Faites-le maintenant

Exécutez les deux prompts du bac à sable. Dans la seconde réponse, trouvez un tour où une observation a modifié le plan. S'il n'y en a pas — ajoutez la ligne « au tour 3 l'outil renvoie une erreur » au prompt et observez le modèle se rediriger.