ai-agent-builder

name	ai-agent-builder
description	Conception et implémentation d'agents IA autonomes avec outils, mémoire et orchestration. Se déclenche avec "agent IA", "AI agent", "autonomous agent", "tool use", "function calling", "agent framework", "LangChain agent", "CrewAI", "AutoGen", "agent loop", "ReAct". Also triggers on "build an AI agent", "agent with tools and memory".

AI Agent Builder

Critères de choix du pattern

Complexité	Pattern recommandé	Framework
Tâche unique, 1-5 outils	ReAct (Reasoning + Acting)	LangChain, SDK natif
Tâche longue multi-étapes	Plan-and-Execute	LangGraph
Exploration de solutions alternatives	Tree of Thoughts	LangGraph + custom
Équipe de spécialistes	Multi-agent orchestré	CrewAI, AutoGen, LangGraph
Workflow avec état persistant et branchements	Stateful graph	LangGraph

Règle de base : commencer par ReAct. Passer à Plan-and-Execute si l'agent doit coordonner plus de 5 étapes séquentielles. Passer au multi-agent si les domaines de compétence sont orthogonaux (ex : code + recherche + rédaction).

Workflow en étapes

1. Rédiger le system prompt de l'agent

Structure minimale :

Tu es [RÔLE]. Tu [OBJECTIF PRINCIPAL].
Règles :
- Tu réponds uniquement sur [DOMAINE].
- Tu n'inventes pas de données.
- Si tu manques d'information, utilise l'outil [NOM_OUTIL] avant de répondre.
Finalisation : quand tu as la réponse, utilise l'outil `final_answer`.

Inclure : rôle, périmètre, règles de refus, format de sortie attendu, condition d'arrêt explicite.

2. Définir les outils (tool schemas)

Format Anthropic (compatible aussi OpenAI avec adaptation mineure) :

tools = [
    {
        "name": "search_web",
        "description": "Recherche des informations récentes sur le web. Utiliser si la question porte sur des faits susceptibles d'avoir changé récemment.",
        "input_schema": {
            "type": "object",
            "properties": {
                "query": {"type": "string", "description": "Requête de recherche optimisée"}
            },
            "required": ["query"]
        }
    },
    {
        "name": "run_python",
        "description": "Exécute du code Python et retourne stdout + stderr. Utiliser pour calculs, transformations de données.",
        "input_schema": {
            "type": "object",
            "properties": {
                "code": {"type": "string", "description": "Code Python à exécuter"}
            },
            "required": ["code"]
        }
    }
]

Bonnes pratiques outil :

• Description orientée quand utiliser, pas seulement ce que ça fait
• Toujours retourner {"success": bool, "result": ..., "error": str | None}
• Timeout par outil (ex : 30s web, 10s DB, 60s code)
• Idempotent ou documenté comme non-idempotent

3. Implémenter la boucle agent

Boucle ReAct minimaliste avec Anthropic SDK :

import anthropic

client = anthropic.Anthropic()

async def agent_loop(task: str, tools: list, max_iter: int = 15) -> str:
    messages = [{"role": "user", "content": task}]

    for iteration in range(max_iter):
        response = client.messages.create(
            model="claude-sonnet-4-5",
            max_tokens=4096,
            tools=tools,
            messages=messages
        )

        # Arrêt naturel
        if response.stop_reason == "end_turn":
            return next(b.text for b in response.content if hasattr(b, "text"))

        # Exécution des outils
        if response.stop_reason == "tool_use":
            messages.append({"role": "assistant", "content": response.content})
            tool_results = []
            for block in response.content:
                if block.type == "tool_use":
                    result = await execute_tool(block.name, block.input)
                    tool_results.append({
                        "type": "tool_result",
                        "tool_use_id": block.id,
                        : (result)
                    })
            messages.append({: , : tool_results})

     

  () -> :
    :
        handler = TOOL_REGISTRY[name]
         {: , :  handler(**args)}
     Exception  e:
         {: , : , : (e)}

4. Mémoire — choisir la couche adaptée

Besoin	Solution
Contexte de session (< 200k tokens)	Passer tout le fil dans messages
Historique long / multi-session	Résumé LLM + vector store (pgvector, Chroma)
Faits persistants sur l'utilisateur/projet	mem0, Zep, ou table SQL simple
Cache de résultats d'outils	Redis avec TTL

Mémoire avec résumé automatique (LangChain) :

from langchain.memory import ConversationSummaryBufferMemory
from langchain_anthropic import ChatAnthropic

llm = ChatAnthropic(model="claude-sonnet-4-5")
memory = ConversationSummaryBufferMemory(
    llm=llm,
    max_token_limit=3000,
    return_messages=True
)

5. Multi-agent avec LangGraph

from langgraph.graph import StateGraph, END
from typing import TypedDict, Annotated
import operator

class AgentState(TypedDict):
    task: str
    plan: list[str]
    results: Annotated[list, operator.add]
    final_answer: str

def orchestrator_node(state: AgentState) -> AgentState:
    # Décompose la tâche en sous-tâches
    plan = decompose_task(state["task"])
    return {"plan": plan}

def worker_node(state: AgentState) -> AgentState:
    # Exécute la prochaine sous-tâche
    result = execute_subtask(state["plan"][0])
    return {"results": [result], "plan": state["plan"][1:]}

def should_continue(state: AgentState) -> str:
    return "worker" if state["plan"] else "synthesizer"

graph = StateGraph(AgentState)
graph.add_node("orchestrator", orchestrator_node)
graph.add_node("worker", worker_node)
graph.add_conditional_edges("worker", should_continue, {"worker": "worker", "synthesizer": END})

6. Monitoring et observabilité

LangSmith (tracing complet) :

export LANGCHAIN_TRACING_V2=true
export LANGCHAIN_API_KEY=ls__...
export LANGCHAIN_PROJECT=mon-agent-prod

Avec le décorateur @traceable :

from langsmith import traceable

@traceable(run_type="chain", name="agent_loop")
async def run_agent(task: str) -> str:
    return await agent_loop(task, tools)

Métriques à tracker :

• Taux de succès des tâches (objectif : > 90%)
• Itérations moyennes par tâche (signal de complexité ou de boucle)
• Coût moyen par tâche (tokens * prix modèle)
• Taux d'erreur par outil (identifier les outils fragiles)
• Latence P95 (pour les agents synchrones)

Garde-fous et sécurité

HIGH_RISK_TOOLS = {"send_email", "delete_file", "execute_sql_write", "deploy"}

async def safe_execute_tool(name: str, args: dict) -> dict:
    # Human-in-the-loop pour actions irréversibles
    if name in HIGH_RISK_TOOLS:
        confirmation = await ask_human(
            f"L'agent veut exécuter `{name}` avec les args : {args}\nConfirmer ? [o/N]"
        )
        if not confirmation:
            return {"success": False, "error": "Action refusée par l'opérateur"}

    # Rate limiting
    if rate_limiter.is_exceeded(name):
        return {"success": False, "error": "Rate limit dépassé pour cet outil"}

    return await execute_tool(name, args)

Checklist sécurité avant mise en prod :

• max_iterations défini (recommandé : 10-20)
• max_cost_usd par session (ex : 0.50$)
• Timeout par outil (évite les blocages)
• Validation des inputs outils (types, longueur max)
• Human-in-the-loop sur toute action irréversible
• Logs de toutes les décisions et appels d'outils
• Pas de secrets dans les prompts ou tool results

Anti-patterns à éviter

Anti-pattern	Impact	Correctif
Pas de max_iterations	Boucle infinie, coût incontrôlé	Toujours borner la boucle
Outil qui lève une exception raw	L'agent crashe ou hallucine	try/except systématique, retourner {"success": false}
Trop d'outils (> 15)	L'agent choisit mal	Limiter à 7±2 par rôle, regrouper par domaine
System prompt flou sur la condition d'arrêt	L'agent ne sait jamais quand s'arrêter	Définir explicitement final_answer ou un outil de finalisation
Multi-agent sans protocole de message	Messages incompréhensibles entre agents	Définir un format JSON structuré pour chaque échange inter-agent
Mémoire illimitée dans les messages	Context window explosée, coût élevé	Sliding window + résumé automatique
Outil non-idempotent appelé plusieurs fois	Effets de bord multiples	Documenter, détecter les appels répétés

Bonnes pratiques 2026

• Prefer native SDK over framework : pour les agents simples, l'Anthropic SDK directement est plus maintenable que LangChain. Utiliser LangGraph uniquement si le workflow est un graphe réel.
• Structured outputs : forcer le format de réponse finale avec un tool final_answer plutôt que de parser du texte libre.
• Prompt caching : utiliser cache_control: {"type": "ephemeral"} sur les blocs statiques (system prompt, tools) pour réduire les coûts de 70-90% sur les agents longue durée.
• Model routing : utiliser claude-haiku-3-5 pour les sous-tâches de classification/routing, claude-sonnet-4-5 pour le raisonnement principal.
• Parallel tool calls : Anthropic retourne plusieurs tool_use dans un seul message — les exécuter en parallèle avec asyncio.gather().
• Eval-driven development : créer un dataset de 20-50 cas de test représentatifs avant de déployer. Relancer les evals à chaque modification du system prompt ou des outils.