[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"portal-settings:stajic:fr":3,"public-menus:all":38,"post:agentic-ai-explained-when-an-ai-system-can-plan-use-tools-and-act:fr":205,"related:post:agentic-ai-explained-when-an-ai-system-can-plan-use-tools-and-act:fr:1":3333},{"statusCode":4,"data":5,"message":37},200,{"tenantId":6,"lang":7,"defaultLang":8,"siteUrl":9,"contactEmail":10,"brandName":11,"logoUrl":12,"siteName":11,"siteDescription":13,"ogImage":10,"robotsIndex":14,"socialLinks":10,"reservedSlugs":10,"seoPolicy":15},"stajic","fr","de","https:\u002F\u002Fstajic.de",null,"Stajic Platform","\u002FLogo_Planet.svg","Stajic Portal",true,{"branding":16,"relatedContent":17,"crossDomainLinks":18},{"logoUrl":12},{"enabled":14},[19,22,25,28,31,34],{"url":20,"label":21,"isActive":14,"showInFooter":14,"includeInSameAs":14},"https:\u002F\u002Ffigure.rocks","figure.rocks",{"url":23,"label":24,"isActive":14,"showInFooter":14,"includeInSameAs":14},"https:\u002F\u002Floving.rocks","loving.rocks",{"url":26,"label":27,"isActive":14,"showInFooter":14,"includeInSameAs":14},"https:\u002F\u002Fbazify.com","bazify.com",{"url":29,"label":30,"isActive":14,"showInFooter":14,"includeInSameAs":14},"https:\u002F\u002Fbazify.de","bazify.de",{"url":32,"label":33,"isActive":14,"showInFooter":14,"includeInSameAs":14},"https:\u002F\u002Fbazify.at","bazify.at",{"url":35,"label":36,"isActive":14,"showInFooter":14,"includeInSameAs":14},"https:\u002F\u002Fbazify.ba","bazify.ba","Portal settings resolved",[39,45],{"id":40,"name":41,"location":42,"isActive":14,"isDefault":43,"items":44},1,"main-navigation","header",false,[],{"id":46,"name":47,"location":48,"isActive":14,"isDefault":14,"items":49},4,"main-menu","sidebar",[50,66,79,93,103,118,133],{"id":51,"title":52,"url":60,"target":61,"icon":62,"isActive":14,"type":63,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":64,"portfolioId":10,"children":65},"item-18",{"de":53,"en":54,"es":55,"fr":56,"it":54,"ru":57,"sr":58,"zh":59},"Startseite","Home","Inicio","Accueil","Главная","Почетна","首页","\u002Ffull-stack-web-developer-munich-performance-seo-and-maintainable-builds","_self","i-lucide-home","page",111,[],{"id":67,"title":68,"url":75,"target":61,"icon":76,"isActive":14,"type":63,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":77,"portfolioId":10,"children":78},"item-22",{"de":69,"en":69,"es":70,"fr":69,"it":71,"ru":72,"sr":73,"zh":74},"Vision","Visión","Visione","Видение","Визија","想象","\u002Fueber-uns-webdesign-muenchen-webaplikation","i-lucide-eye",113,[],{"id":80,"title":81,"url":89,"target":61,"icon":90,"isActive":14,"type":63,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":91,"portfolioId":10,"children":92},"item-19",{"de":82,"en":83,"es":84,"fr":83,"it":85,"ru":86,"sr":87,"zh":88},"Leistungen","Services","Servicios","Servizi","Услуги","Услуге","服务","\u002Fservices-dienstleistungen-muenchen","i-lucide-wrench",116,[],{"id":94,"title":95,"url":99,"target":61,"icon":100,"isActive":14,"type":63,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":101,"portfolioId":10,"children":102},"item-23",{"de":96,"en":96,"es":96,"fr":96,"it":96,"ru":97,"sr":97,"zh":98},"Blog","Блог","博客","\u002Fblog","i-lucide-book-open",112,[],{"id":104,"title":105,"url":114,"target":61,"icon":115,"isActive":14,"type":63,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":116,"portfolioId":10,"children":117},"item-32",{"de":106,"en":107,"es":108,"fr":109,"it":110,"ru":111,"sr":112,"zh":113},"Neue Technologien","New Technologies","Nuevas tecnologías","Nouvelles technologies","Nuove tecnologie","Новые технологии","Нове технологије","新技术！","\u002Fneue-webtechnologien","i-lucide-sparkles",122,[],{"id":119,"title":120,"url":129,"target":61,"icon":130,"isActive":14,"type":63,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":131,"portfolioId":10,"children":132},"item-20",{"de":121,"en":122,"es":123,"fr":124,"it":125,"ru":126,"sr":127,"zh":128},"Kontakt","Contact us!","Contacto","Contact","Contatto","Контакт","Контактирајте нас","联系我们！","\u002Fcontact","i-lucide-mail",115,[],{"id":134,"title":135,"url":144,"target":61,"icon":145,"isActive":14,"type":63,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":146,"portfolioId":10,"children":147},"item-21",{"de":136,"en":137,"es":138,"fr":139,"it":140,"ru":141,"sr":142,"zh":143},"Unsere Arbeit","Our Work","Nuestro trabajo","Nos réalisations","I nostri lavori","Наши работы","Наши радови","文件夹","\u002Fportfolio","i-lucide-briefcase",114,[148,161,175,181,193],{"id":149,"title":150,"url":144,"target":61,"icon":159,"isActive":14,"type":63,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":146,"portfolioId":10,"children":160},"item-24",{"de":151,"en":152,"es":153,"fr":154,"it":155,"ru":156,"sr":157,"zh":158},"Alle Projekte","All Projects","Todos los proyectos","Tous les projets","Tutti i progetti","Все проекты","Сви пројекти","所有项目","i-lucide-grid-3x3",[],{"id":162,"title":163,"url":171,"target":61,"icon":172,"isActive":14,"type":173,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":10,"portfolioId":10,"children":174},"item-29",{"de":164,"en":165,"es":166,"fr":167,"it":168,"ru":169,"sr":170,"zh":143},"Local Roots, Global Reach","Local Roots - Global Reach","Empresa local ","Entreprise locale","Azienda locale","Местная компания","Локално предузеће глобално тржиште","\u002Fportfolio\u002Flocal-roots-global-reach-communication-media-systems-for-modern-business","i-lucide-folder","custom",[],{"id":176,"title":177,"url":179,"target":61,"icon":172,"isActive":14,"type":173,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":10,"portfolioId":10,"children":180},"item-28",{"de":178,"en":178,"es":178,"fr":178,"it":178,"ru":178,"sr":178,"zh":178},"Solr Suggester","\u002Fportfolio\u002Fsolr-fuzzy-suggester-und-solr-infix-suggester-abfrage-ueber-ajax-und-filterung",[],{"id":182,"title":183,"url":191,"target":61,"icon":172,"isActive":14,"type":173,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":10,"portfolioId":10,"children":192},"item-27",{"de":184,"en":185,"es":186,"fr":187,"it":188,"ru":189,"sr":190,"zh":185},"Firmenwebseite SEO","Company Website SEO","Sitio web corporativo SEO","Site web d’entreprise SEO","Sito web aziendale SEO","Корпоративный сайт SEO","Пословна веб-страница SEO","\u002Fportfolio\u002Fseo-sem-branding-mobile-webseite-muenchen",[],{"id":194,"title":195,"url":203,"target":61,"icon":172,"isActive":14,"type":173,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":10,"portfolioId":10,"children":204},"item-31",{"de":196,"en":197,"es":198,"fr":199,"it":200,"ru":201,"sr":202,"zh":197},"Digitalisierungsportal","Digitalization Portal","Portal de digitalización","Portail de numérisation","Portale di digitalizzazione","Портал цифровизации","Портал за дигитализацију","\u002Fportfolio\u002Fdigitalisierungsportal-archiv-museum-bibliothek-ead-lido-mets-mods",[],{"statusCode":4,"data":206,"message":3332},{"id":207,"title":208,"slug":209,"content":210,"contentJson":211,"excerpt":1538,"featuredImage":1539,"featuredImageAlt":1540,"featuredImageCaption":10,"featuredImageTitle":10,"featuredImageCopyright":10,"featuredImageAuthor":10,"featuredImageSourceUrl":10,"featuredImageLicense":10,"featuredImageIsAiGenerated":43,"status":1541,"publishedAt":1542,"createdAt":1543,"updatedAt":1544,"seoLocalePaths":1545,"categories":1554,"author":1567,"translations":1572},"489","L'IA agentique expliquée : quand un système d'IA peut planifier, utiliser des outils et agir","agentic-ai-explained-when-an-ai-system-can-plan-use-tools-and-act","\u003Cp>L'IA agentique est un système d'IA dans lequel un modèle peut poursuivre un objectif sur plusieurs étapes en décidant quoi faire ensuite, en utilisant des outils ou d'autres capacités, en observant les résultats, en mettant à jour son état de travail et en continuant jusqu'à atteindre une condition d'arrêt. Le modèle seul n'est pas l'agent. Un agent utilisable a également besoin d'un environnement d'exécution ou d'un harnais qui gère le contexte, l'exécution des outils, l'état, les permissions, les approbations, les erreurs et la boucle entre les décisions et les observations.\u003C\u002Fp>\n\u003Caside class=\"editorjs-callout editorjs-callout--info my-6 rounded-xl border p-5 border-blue-300 bg-blue-50 dark:border-blue-900 dark:bg-blue-950\u002F20\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">Réponse directe\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">Un appel de modèle normal est généralement \u003Cstrong>entrée → modèle → sortie\u003C\u002Fstrong>. Un système agentique est plus proche de \u003Cstrong>objectif → décision → outil\u002Faction → observation → décision mise à jour → … → résultat\u003C\u002Fstrong>.\u003Cbr>\u003Cbr>La distinction critique n'est pas de savoir si une application utilise un LLM ou l'appel de fonctions. C'est de savoir si le système donne au modèle un contrôle significatif sur l'étape suivante d'un processus multi-étapes, tandis qu'un environnement d'exécution limite ce que le modèle est réellement autorisé à faire.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Caside class=\"editorjs-callout editorjs-callout--warning my-6 rounded-xl border p-5 border-amber-300 bg-amber-50 dark:border-amber-900 dark:bg-amber-950\u002F20\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">La capacité n'est pas l'autorité\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">Un modèle peut savoir comment appeler un outil. Un environnement d'exécution peut exposer cet outil. Aucun de ces faits ne signifie que l'utilisateur ou l'agent actuel est autorisé à exécuter l'action métier sous-jacente. \u003Cstrong>La capacité d'un outil, la permission d'un outil et l'autorité métier sont des couches distinctes.\u003C\u002Fstrong>\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Caside class=\"editorjs-callout editorjs-callout--note my-6 rounded-xl border p-5 border-gray-300 bg-gray-50 dark:border-gray-700 dark:bg-gray-900\u002F40\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">Note sur les sources actuelles — 8 octobre 2026\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">La terminologie des agents varie encore selon les fournisseurs et les communautés de recherche. OpenAI définit actuellement les environnements d'exécution des agents autour du travail multi-étapes, des outils, de l'état et de l'orchestration. La distinction pratique d'Anthropic reste utile : les workflows suivent des chemins de code prédéfinis, tandis que les agents dirigent dynamiquement leur propre processus et l'utilisation des outils. Cet article traite donc l'« IA agentique » comme un spectre architectural plutôt que comme une catégorie de produit standardisée.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Cnav class=\"editorjs-toc\" data-editorjs-toc=\"true\" aria-label=\"Sommaire\">\u003Cstrong class=\"editorjs-toc__title\">Sommaire\u003C\u002Fstrong>\u003Col class=\"editorjs-toc__list editorjs-toc__list--depth-0\">\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-6\" class=\"editorjs-toc__link\">Ce que signifie réellement l'IA agentique\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-10\" class=\"editorjs-toc__link\">L'exemple le plus simple\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-15\" class=\"editorjs-toc__link\">Où s'arrête l'exemple simple\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-18\" class=\"editorjs-toc__link\">Agent vs workflow\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-21\" class=\"editorjs-toc__link\">Le comportement agentique est un spectre, pas une étiquette binaire\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-24\" class=\"editorjs-toc__link\">L'architecture minimale d'un système agentique\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-26\" class=\"editorjs-toc__link\">Un modèle n'est pas un agent\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-30\" class=\"editorjs-toc__link\">L'utilisation d'outils est centrale — mais l'utilisation d'outils seule ne fait pas un agent\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-34\" class=\"editorjs-toc__link\">Capacité, permission et autorité des outils sont différentes\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-37\" class=\"editorjs-toc__link\">Le runtime ou harnais est le véritable système d'exécution\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-41\" class=\"editorjs-toc__link\">La planification est utile, mais un plan explicite n'est pas requis\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-44\" class=\"editorjs-toc__link\">Le retour d'information environnemental est ce qui rend la boucle utile\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-48\" class=\"editorjs-toc__link\">L'état de l'agent n'est pas la même chose que le contexte du modèle\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-51\" class=\"editorjs-toc__link\">La mémoire est optionnelle, pas la définition d'un agent\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-55\" class=\"editorjs-toc__link\">L'ingénierie du contexte devient dynamique dans les agents\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-58\" class=\"editorjs-toc__link\">Les outils de lecture et les outils à effet de bord présentent des risques différents\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-60\" class=\"editorjs-toc__link\">L'humain dans la boucle est un mécanisme de contrôle, pas l'opposé de l'IA agentique\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-64\" class=\"editorjs-toc__link\">Les agents ont besoin de conditions d'arrêt explicites\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-66\" class=\"editorjs-toc__link\">La récupération fait partie du comportement de l'agent\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-70\" class=\"editorjs-toc__link\">L'IA agentique ne nécessite pas plusieurs agents\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-74\" class=\"editorjs-toc__link\">Les protocoles d'agents sont des couches d'interopérabilité, pas l'agent lui-même\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-78\" class=\"editorjs-toc__link\">La trajectoire fait partie de la fiabilité de l'agent\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-83\" class=\"editorjs-toc__link\">Les systèmes agentiques augmentent la surface de sécurité\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-85\" class=\"editorjs-toc__link\">L'observabilité de l'agent doit suivre la boucle\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-88\" class=\"editorjs-toc__link\">Comment évaluer un système agentique\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-90\" class=\"editorjs-toc__link\">Quand un agent est approprié\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-93\" class=\"editorjs-toc__link\">Preuves d'implémentation originales\u003C\u002Fa>\u003Col class=\"editorjs-toc__list editorjs-toc__list--depth-1\">\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-94\" class=\"editorjs-toc__link\">Aaasaasa AI Client : modèle, runtime et permission sont séparés\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-99\" class=\"editorjs-toc__link\">Source of Truth Research Engine : étapes de recherche agentique bornées\u003C\u002Fa>\u003C\u002Fli>\u003C\u002Fol>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-105\" class=\"editorjs-toc__link\">Modes de défaillance courants de l'IA agentique\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-107\" class=\"editorjs-toc__link\">Idées fausses courantes\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-109\" class=\"editorjs-toc__link\">Une séquence pratique de conception d'agent\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-111\" class=\"editorjs-toc__link\">Liste de contrôle de l'architecture d'IA agentique\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-113\" class=\"editorjs-toc__link\">Cas limites et limitations\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-119\" class=\"editorjs-toc__link\">Qu'est-ce qui changerait cette réponse ?\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-123\" class=\"editorjs-toc__link\">Connaissances canoniques associées\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-127\" class=\"editorjs-toc__link\">Questions fréquentes\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-129\" class=\"editorjs-toc__link\">Glossaire\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-131\" class=\"editorjs-toc__link\">Conclusion\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-135\" class=\"editorjs-toc__link\">Sources primaires et orientations actuelles\u003C\u002Fa>\u003C\u002Fli>\u003C\u002Fol>\u003C\u002Fnav>\n\u003Ch2 id=\"section-6\">Ce que signifie réellement l'IA agentique\u003C\u002Fh2>\n\u003Cp>Le changement important entre l'IA générative ordinaire et l'IA agentique réside dans le contrôle du processus. Un assistant normal peut répondre à une question en utilisant le contexte qu'il reçoit. Un agent peut décider que répondre nécessite des étapes supplémentaires : inspecter un fichier, rechercher dans un dépôt, interroger une API, demander une clarification, exécuter un test, mettre à jour un ticket, déléguer une sous-tâche ou réessayer après une action échouée.\u003C\u002Fp>\n\u003Cp>Cela n'exige pas une autonomie illimitée. Un agent peut fonctionner dans un bac à sable étroit, sous des permissions strictes, avec une approbation requise avant chaque action conséquente. Le système reste agentique si le modèle choisit dynamiquement parmi les étapes suivantes autorisées.\u003C\u002Fp>\n\u003Cp>L'architecture importe donc plus que l'étiquette. « Agent » devrait décrire un comportement système : une prise de décision itérative pilotée par le modèle sur des outils, un état et des retours — et non simplement un chatbot avec un prompt plus grand.\u003C\u002Fp>\n\u003Ch2 id=\"section-10\">L'exemple le plus simple\u003C\u002Fh2>\n\u003Cp>Supposons qu'un développeur demande à un système d'IA : « Trouve pourquoi la suite de tests échoue et corrige le bug. » Un seul appel de modèle ne pourrait que suggérer des causes probables à partir du texte qui lui a été fourni.\u003C\u002Fp>\n\u003Cp>Un système de codage agentique peut inspecter le dépôt, rechercher le test qui échoue, lire les fichiers pertinents, proposer une modification, éditer le code, exécuter le test, observer l'échec, réviser l'implémentation et exécuter à nouveau le test.\u003C\u002Fp>\n\u003Cp>La partie agentique ne réside pas simplement dans l'existence d'outils de shell et de fichiers. Elle réside dans le fait que le modèle peut utiliser les retours de l'environnement pour choisir l'étape suivante au lieu de suivre une séquence entièrement prédéfinie.\u003C\u002Fp>\n\u003Csection class=\"editorjs-process my-6\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">La boucle d'agent de base\u003C\u002Fh3>\u003Cdiv class=\"grid grid-cols-1 md:grid-cols-2 xl:grid-cols-3 gap-4\">\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">1\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">1. Recevoir un objectif\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">L'utilisateur ou le système en amont définit l'objectif et les contraintes pertinentes.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">2\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">2. Construire le contexte actuel\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">L'environnement d'exécution fournit les instructions, l'état, l'historique, la mémoire, les outils et les preuves actuelles.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">3\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">3. Le modèle décide de l'étape suivante\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Le modèle peut répondre, appeler un outil, demander des informations, déléguer ou s'arrêter.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">4\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">4. L'environnement d'exécution valide la demande\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Les permissions, les schémas, les approbations et la politique déterminent si l'action proposée peut s'exécuter.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">5\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">5. Exécuter l'outil ou l'action\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">L'environnement externe change ou renvoie de nouvelles informations.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">6\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">6. Observer le résultat\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">L'environnement d'exécution renvoie la sortie structurée de l'outil, les erreurs ou les changements d'état dans l'étape suivante du modèle.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">7\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">7. Continuer ou s'arrêter\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">La boucle se répète jusqu'au succès, au refus, à l'escalade, à la limite de budget, au délai d'attente ou à une autre condition d'arrêt.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003C\u002Fdiv>\u003C\u002Fsection>\n\u003Ch2 id=\"section-15\">Où s'arrête l'exemple simple\u003C\u002Fh2>\n\u003Cp>Tous les systèmes d'IA multi-étapes ne sont pas également agentiques. Un workflow peut utiliser plusieurs appels de LLM et outils alors que chaque étape est prédéterminée dans le code. Un autre système peut laisser le modèle décider quel outil appeler, dans quel ordre, combien de fois et quand s'arrêter.\u003C\u002Fp>\n\u003Cp>Les deux peuvent être utiles. La différence réside dans l'endroit où se trouve le contrôle. Les workflows prédéfinis placent plus de contrôle dans le code de l'application. Les agents déplacent davantage de décisions tactiques de processus dans la boucle modèle\u002Fenvironnement d'exécution.\u003C\u002Fp>\n\u003Ch2 id=\"section-18\">Agent vs workflow\u003C\u002Fh2>\n\u003Csection class=\"editorjs-comparison my-6\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">Flux de travail prédéfini et contrôle agentique\u003C\u002Fh3>\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left dark:border-gray-700 dark:bg-gray-900\">\u003C\u002Fth>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left font-semibold dark:border-gray-700 dark:bg-gray-900\">Flux de travail LLM\u003C\u002Fth>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left font-semibold dark:border-gray-700 dark:bg-gray-900\">Agent\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Chemin du processus\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Séquence d'outils\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Force\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Risque\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\u003C\u002Fsection>\n\u003Cp>Anthropic sépare explicitement ces deux modèles : les flux de travail orchestrent les modèles et les outils via des chemins de code prédéfinis, tandis que les agents laissent les modèles diriger dynamiquement leurs propres processus et l'utilisation des outils. Ce n'est pas la seule terminologie possible, mais c'est une frontière architecturale utile.\u003C\u002Fp>\n\u003Ch2 id=\"section-21\">Le comportement agentique est un spectre, pas une étiquette binaire\u003C\u002Fh2>\n\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Niveau\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Exemple\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Qui décide de l'étape suivante ?\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Appel unique au modèle\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Résumer ce document\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">L'application appelle le modèle une fois\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Réponse assistée par outil\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Le modèle peut utiliser la recherche web avant de répondre\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Le modèle sélectionne parmi des outils limités pour une réponse\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Flux de travail structuré\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Classer → récupérer → générer → valider\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Le flux de travail de l'application détermine les étapes\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Flux de travail adaptatif\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Le modèle peut choisir parmi plusieurs branches et réessayer\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Contrôle partagé entre l'application et le modèle\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Boucle d'agent\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Le modèle choisit de manière répétée des outils\u002Factions en fonction des observations\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Le modèle dirige l'exécution tactique dans les contraintes d'exécution\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Agent de longue durée\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">L'agent se met en pause, reprend, gère les artefacts et continue\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Le modèle + l'environnement d'exécution persistant gèrent l'exécution évolutive\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Cp>Appeler chaque système ci-dessus un « agent » peut masquer des différences opérationnelles importantes. Plus le contrôle du modèle sur la séquence, la durée et les actions est fort, plus l'isolation de l'environnement d'exécution, les permissions, la traçabilité, les conditions d'arrêt et l'évaluation de la trajectoire deviennent importants.\u003C\u002Fp>\n\u003Ch2 id=\"section-24\">L'architecture minimale d'un système agentique\u003C\u002Fh2>\n\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Composant\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Responsabilité\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Objectif \u002F tâche\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Définit ce que le système cherche à accomplir.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Modèle\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Interprète le contexte et décide de l'action ou de la sortie suivante.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Instructions\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Définissent le rôle, les contraintes, les priorités et la politique spécifique à la tâche.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Assembleur de contexte\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Construit les informations visibles par le modèle à chaque étape.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Catalogue d'outils\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Définit les capacités que le modèle peut demander.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Environnement d'exécution \u002F harnais\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Exécute la boucle, exécute les outils, gère l'état et gère les conditions d'arrêt.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Couche d'autorisation\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Détermine si une action proposée est autorisée pour le principal actuel.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">État \u002F session\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Préserve la progression de la tâche à travers les tours ou les étapes d'exécution.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Canal d'observation\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Renvoie les résultats des outils et les changements d'environnement à l'étape suivante du modèle.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Approbations \u002F contrôle humain\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Met en pause les actions conséquentes lorsque une revue est nécessaire.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Traçage \u002F audit\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Enregistre les appels au modèle, les outils, les transitions, les approbations et les échecs.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Évaluation\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Mesure les résultats et les trajectoires d'exécution par rapport aux critères d'acceptation.\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Ch2 id=\"section-26\">Un modèle n'est pas un agent\u003C\u002Fh2>\n\u003Cp>Un modèle de langage produit des sorties à partir d'entrées. Il ne possède pas en soi un système de fichiers, n'exécute pas de commande shell, ne maintient pas d'état de tâche durable, n'applique pas de permissions et ne s'appelle pas automatiquement à nouveau.\u003C\u002Fp>\n\u003Cp>Ces capacités proviennent de l'environnement d'exécution environnant. Le même modèle peut se comporter comme un simple modèle de chat dans une application et comme le moteur de décision au sein d'une boucle d'agent dans une autre.\u003C\u002Fp>\n\u003Caside class=\"editorjs-callout editorjs-callout--success my-6 rounded-xl border p-5 border-emerald-300 bg-emerald-50 dark:border-emerald-900 dark:bg-emerald-950\u002F20\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">Règle d'architecture\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">\u003Cstrong>La capacité du modèle détermine quelles décisions peuvent être proposées. L'architecture d'exécution détermine ce qui peut réellement se produire.\u003C\u002Fstrong>\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Ch2 id=\"section-30\">L'utilisation d'outils est centrale — mais l'utilisation d'outils seule ne fait pas un agent\u003C\u002Fh2>\n\u003Cp>Les outils permettent au modèle d'acquérir des informations et d'affecter des systèmes externes. Les exemples incluent les lectures de base de données, les opérations sur fichiers, l'exécution de shell, la recherche web, le contrôle de navigateur, les appels API, les mises à jour de tickets ou les agents spécialistes délégués.\u003C\u002Fp>\n\u003Cp>Un appel unique au modèle peut utiliser un outil et rester une réponse assistée par outil limitée plutôt qu'un agent de longue durée. Le comportement agentique apparaît lorsque les observations des outils alimentent une boucle adaptative dans laquelle le modèle choisit quoi faire ensuite.\u003C\u002Fp>\n\u003Cp>La conception des outils est importante car les outils sont le contrat entre le raisonnement du modèle et la réalité externe. Des outils ambigus ou qui se chevauchent créent des erreurs de routage ; de grandes sorties non structurées polluent le contexte ; des outils à large effet de bord augmentent le rayon d'impact.\u003C\u002Fp>\n\u003Ch2 id=\"section-34\">Capacité, permission et autorité des outils sont différentes\u003C\u002Fh2>\n\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Couche\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Question\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Capacité\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Cet environnement d'exécution peut-il techniquement effectuer l'opération ?\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Exposition des outils\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Cette capacité est-elle disponible pour cet agent ?\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Permission\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Cet agent\u002Fsession peut-il l'utiliser selon la politique actuelle ?\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Autorisation utilisateur\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Le principal demandeur est-il autorisé à provoquer cette opération ?\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Autorité métier\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">L'opération est-elle valide selon les règles du domaine, les approbations et les limites ?\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Exécution\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">L'opération a-t-elle réellement eu lieu ?\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Audit\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Le système peut-il prouver qui a demandé, approuvé et exécuté l'opération ?\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Cp>Ces couches sont souvent fusionnées dans les prototypes. Un modèle voit un outil de remboursement et semble donc capable d'émettre des remboursements. En production, l'outil doit toujours valider le compte, l'utilisateur, la transaction, le montant, la politique et les conditions d'approbation indépendamment de la demande du modèle.\u003C\u002Fp>\n\u003Ch2 id=\"section-37\">Le runtime ou harnais est le véritable système d'exécution\u003C\u002Fh2>\n\u003Cp>La documentation actuelle d'OpenAI sur les agents rend explicite la distinction de runtime. Différents runtimes peuvent gérer l'orchestration, l'état, les outils, les sandboxes et l'exécution à différents endroits, tandis que le modèle ne reste qu'une partie du système.\u003C\u002Fp>\n\u003Cp>Le SDK Agents décrit une boucle qui appelle de manière répétée le modèle actuel, inspecte la sortie, exécute les outils ou transferts demandés, et continue jusqu'à ce que le modèle renvoie une réponse finale ou un autre point d'arrêt réel.\u003C\u002Fp>\n\u003Cp>Cela signifie que les décisions d'architecture d'agent incluent où l'orchestration s'exécute, où réside l'état, qui exécute les outils, quelle sandbox contient les effets de bord, et qui est responsable des tentatives, des délais d'attente et de la reprise.\u003C\u002Fp>\n\u003Ch2 id=\"section-41\">La planification est utile, mais un plan explicite n'est pas requis\u003C\u002Fh2>\n\u003Cp>Les agents sont souvent décrits comme des systèmes qui « planifient ». En pratique, la planification peut être explicite ou implicite. Un agent peut d'abord produire un plan visible en plusieurs étapes, ou choisir une action à la fois et réviser après chaque observation.\u003C\u002Fp>\n\u003Cp>Pour les tâches très incertaines, une planification à court terme peut être plus sûre car l'environnement peut invalider un plan à long terme. L'exigence architecturale est la capacité de choisir et de réviser des actions en fonction de l'objectif, de l'état actuel et des nouvelles preuves.\u003C\u002Fp>\n\u003Ch2 id=\"section-44\">Le retour d'information environnemental est ce qui rend la boucle utile\u003C\u002Fh2>\n\u003Cp>Un agent devient opérationnellement significatif lorsqu'il peut observer si son action a fonctionné. La sortie d'outil, les résultats de tests, les réponses d'API, l'état du système de fichiers, l'état du navigateur et les enregistrements d'application fournissent des preuves externes que le système peut utiliser pour réviser sa prochaine décision.\u003C\u002Fp>\n\u003Cp>Les conseils d'Anthropic sur les agents mettent l'accent sur cette boucle de rétroaction : les agents utilisent des outils, obtiennent la vérité terrain de l'environnement, évaluent les progrès et continuent ou demandent une intervention humaine.\u003C\u002Fp>\n\u003Caside class=\"editorjs-callout editorjs-callout--warning my-6 rounded-xl border p-5 border-amber-300 bg-amber-50 dark:border-amber-900 dark:bg-amber-950\u002F20\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">L'auto-déclaration n'est pas une preuve environnementale\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">Un agent qui dit « la tâche est terminée » ne prouve pas l'achèvement. Dans la mesure du possible, vérifiez l'état final via un système externe, un test, un fichier, un enregistrement de transaction ou un autre résultat observable.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Ch2 id=\"section-48\">L'état de l'agent n'est pas la même chose que le contexte du modèle\u003C\u002Fh2>\n\u003Cp>Une tâche de longue durée peut nécessiter un état qui ne peut pas ou ne devrait pas rester dans le contexte du modèle : identifiants de tâche, points de contrôle, artefacts, approbations, identifiants d'objets externes, compteurs de tentatives et statut du flux de travail.\u003C\u002Fp>\n\u003Cp>Le runtime peut préserver cet état durable en dehors de la fenêtre du modèle et reconstruire le contexte nécessaire pour l'étape suivante. Cela permet de garder le contexte visible par le modèle ciblé tout en maintenant la continuité et la reprise.\u003C\u002Fp>\n\u003Ch2 id=\"section-51\">La mémoire est optionnelle, pas la définition d'un agent\u003C\u002Fh2>\n\u003Cp>Un agent peut fonctionner avec succès sans mémoire à long terme si la tâche complète tient dans une seule exécution bornée. La mémoire devient utile lorsque les informations doivent persister à travers les sessions, les tâches ou de longs horizons d'exécution.\u003C\u002Fp>\n\u003Cp>RAG, mémoire, état et contexte résolvent des problèmes différents. Traiter une base de données vectorielle comme « la mémoire de l'agent » ou l'historique de conversation comme « la machine à états » masque généralement des frontières importantes de cycle de vie et d'autorité.\u003C\u002Fp>\n\u003Caside class=\"editorjs-referral my-6\">\u003Ca href=\"https:\u002F\u002Fstajic.de\u002Ffr\u002Fblog\u002Fai-agent-memory-is-not-rag-how-to-separate-memory-retrieval-state-and-context\" class=\"flex flex-col sm:flex-row gap-4 rounded-xl border border-gray-200 dark:border-gray-700 p-4 transition hover:border-primary-500\">\u003Cdiv class=\"min-w-0 flex-1\">\u003Cstrong class=\"block text-lg text-gray-900 dark:text-gray-100\">La mémoire de l'agent IA n'est pas le RAG : comment séparer mémoire, récupération, état et contexte\u003C\u002Fstrong>\u003Cp class=\"mt-2 text-sm text-gray-600 dark:text-gray-300\">Une architecture pratique séparant la mémoire persistante, l'état applicatif faisant autorité, la récupération et le contexte fourni au modèle.\u003C\u002Fp>\u003Cspan class=\"mt-3 inline-flex text-sm font-medium text-primary-600 dark:text-primary-400\">Lire l'article sur l'architecture de la mémoire →\u003C\u002Fspan>\u003C\u002Fdiv>\u003C\u002Fa>\u003C\u002Faside>\n\u003Ch2 id=\"section-55\">L'ingénierie du contexte devient dynamique dans les agents\u003C\u002Fh2>\n\u003Cp>Chaque appel d'outil peut produire un nouveau contexte. Chaque étape peut aussi rendre obsolètes les informations antérieures. Un runtime d'agent robuste reconstruit ou organise donc le contexte au fur et à mesure de l'exécution plutôt que de tout rejouer indéfiniment.\u003C\u002Fp>\n\u003Cp>Les définitions d'outils, l'état de la tâche, les preuves récupérées, les observations et la mémoire se disputent tous l'attention du modèle. Les agents de longue durée ont besoin d'élagage, de compactage ou de chargement juste-à-temps pour que le contexte reste pertinent pour la décision en cours.\u003C\u002Fp>\n\u003Ch2 id=\"section-58\">Les outils de lecture et les outils à effet de bord présentent des risques différents\u003C\u002Fh2>\n\u003Csection class=\"editorjs-comparison my-6\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">Accès à l'information versus action externe\u003C\u002Fh3>\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left dark:border-gray-700 dark:bg-gray-900\">\u003C\u002Fth>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left font-semibold dark:border-gray-700 dark:bg-gray-900\">Lire \u002F observer\u003C\u002Fth>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left font-semibold dark:border-gray-700 dark:bg-gray-900\">Écrire \u002F agir\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Exemples\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Risque principal\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Contrôle typique\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\u003C\u002Fsection>\n\u003Ch2 id=\"section-60\">L'humain dans la boucle est un mécanisme de contrôle, pas l'opposé de l'IA agentique\u003C\u002Fh2>\n\u003Cp>Un agent ne cesse pas d'être agentique parce qu'un humain approuve des étapes conséquentes. Le modèle peut toujours inspecter, raisonner, rechercher et préparer une action de manière autonome, tandis que le runtime exige une confirmation humaine avant l'exécution.\u003C\u002Fp>\n\u003Cp>Les directives actuelles d'OpenAI en matière de sécurité des agents recommandent explicitement des approbations pour les opérations d'outils dans les flux de travail à risque élevé. Anthropic met également l'accent sur les points de contrôle et le jugement humain lorsque les agents rencontrent des blocages ou des décisions conséquentes.\u003C\u002Fp>\n\u003Cp>La question architecturale utile n'est pas « humain ou autonome ? » mais quelles décisions peuvent être déléguées, lesquelles nécessitent une revue et lesquelles doivent rester déterministes ?\u003C\u002Fp>\n\u003Ch2 id=\"section-64\">Les agents ont besoin de conditions d'arrêt explicites\u003C\u002Fh2>\n\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Condition d'arrêt\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Objectif\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Résultat vérifié avec succès\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Terminer lorsque l'état cible externe est confirmé.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Nombre maximal d'étapes\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Empêcher les boucles incontrôlées.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Budget temps\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Borner l'exécution en temps réel.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Budget de coût\u002Fjetons\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Limiter la consommation de ressources.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Détecteur d'actions répétées\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Arrêter les boucles qui ne progressent plus.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Limite de permissions\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Mettre en pause ou arrêter lorsque l'action suivante requise n'est pas autorisée.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Point de contrôle d'approbation humaine\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Attendre avant une exécution conséquente.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Échec d'outil irrécupérable\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Escalader au lieu de réessayer indéfiniment.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Seuil d'incertitude\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Demander une clarification lorsque la tâche ne peut pas être déduite en toute sécurité.\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Ch2 id=\"section-66\">La récupération fait partie du comportement de l'agent\u003C\u002Fh2>\n\u003Cp>Les agents opèrent dans des environnements qui échouent : les API expirent, les fichiers changent, les identifiants expirent, les pages web se déplacent et les outils renvoient des sorties malformées. Un système agentique utile a donc besoin d'un comportement de récupération, pas seulement d'une boucle d'outils idéale.\u003C\u002Fp>\n\u003Cp>La récupération peut inclure une nouvelle tentative avec limites, le choix d'un autre outil, la relecture de l'état actuel, demander à l'utilisateur, annuler une action partielle ou escalader vers un humain.\u003C\u002Fp>\n\u003Cp>Les nouvelles tentatives doivent aussi tenir compte de l'idempotence. Répéter une lecture est généralement à faible risque ; répéter un paiement ou l'envoi d'un message peut créer des effets de bord en double.\u003C\u002Fp>\n\u003Ch2 id=\"section-70\">L'IA agentique ne nécessite pas plusieurs agents\u003C\u002Fh2>\n\u003Cp>Un agent unique avec un ensemble d'outils clair est souvent plus simple et plus facile à évaluer qu'une architecture multi-agents. Plusieurs agents sont utiles lorsque la spécialisation améliore matériellement l'isolation des outils, l'isolation des politiques, la clarté des invites, la propriété ou la lisibilité des traces.\u003C\u002Fp>\n\u003Cp>Les directives actuelles d'orchestration d'OpenAI recommandent explicitement de commencer avec un seul agent lorsque c'est possible et d'ajouter des spécialistes uniquement lorsque le contrat ou la frontière de propriété change matériellement.\u003C\u002Fp>\n\u003Cp>Les systèmes multi-agents ajoutent de nouveaux problèmes : qualité de la délégation, contexte dupliqué, état conflictuel, sémantique de transfert, identité, coût et gestion des défaillances distribuées.\u003C\u002Fp>\n\u003Ch2 id=\"section-74\">Les protocoles d'agents sont des couches d'interopérabilité, pas l'agent lui-même\u003C\u002Fh2>\n\u003Cp>Des protocoles tels que MCP et A2A peuvent rendre une architecture d'agent interopérable, mais ils ne créent pas la boucle de l'agent à eux seuls. MCP peut exposer des outils et des ressources. A2A peut connecter des agents implémentés indépendamment. L'application a toujours besoin d'un runtime, d'une autorisation, d'un état, d'une évaluation et d'une logique métier.\u003C\u002Fp>\n\u003Cp>C'est pourquoi la capacité du protocole doit rester séparée de l'autorité métier. Découvrir un outil via MCP ne prouve pas que le principal actuel est autorisé à l'utiliser. Recevoir une tâche via A2A ne prouve pas que l'agent distant peut effectuer toutes les actions demandées.\u003C\u002Fp>\n\u003Caside class=\"editorjs-referral my-6\">\u003Ca href=\"https:\u002F\u002Fstajic.de\u002Fde\u002Fblog\u002Fmcp-vs-a2a-vs-ucp-vs-ap2-vs-a2ui-the-agent-protocol-stack-explained\" class=\"flex flex-col sm:flex-row gap-4 rounded-xl border border-gray-200 dark:border-gray-700 p-4 transition hover:border-primary-500\">\u003Cdiv class=\"min-w-0 flex-1\">\u003Cstrong class=\"block text-lg text-gray-900 dark:text-gray-100\">MCP vs A2A vs UCP vs AP2 vs A2UI : la pile de protocoles d'agents expliquée\u003C\u002Fstrong>\u003Cp class=\"mt-2 text-sm text-gray-600 dark:text-gray-300\">Une carte des responsabilités des protocoles montrant pourquoi l'accès aux outils, la collaboration entre agents, le commerce, l'autorité de paiement et l'interface pilotée par agent appartiennent à des frontières d'interopérabilité différentes.\u003C\u002Fp>\u003Cspan class=\"mt-3 inline-flex text-sm font-medium text-primary-600 dark:text-primary-400\">Lire la pile de protocoles d'agents →\u003C\u002Fspan>\u003C\u002Fdiv>\u003C\u002Fa>\u003C\u002Faside>\n\u003Ch2 id=\"section-78\">La trajectoire fait partie de la fiabilité de l'agent\u003C\u002Fh2>\n\u003Cp>Une réponse finale est une preuve insuffisante pour un système agentique car un agent peut atteindre le bon résultat par un chemin dangereux ou invalide. Il peut utiliser un outil non autorisé, sauter une vérification requise, répéter un effet de bord, s'appuyer sur un état obsolète ou réussir accidentellement.\u003C\u002Fp>\n\u003Cp>L'évaluation nécessite donc des traces d'exécution : décisions, appels d'outils, approbations, observations, changements d'état et résultat final. Les recommandations actuelles d'OpenAI en matière de sécurité préconisent des évaluateurs de traces et des évaluations ; les recommandations d'Anthropic de 2026 sur l'évaluation des agents traitent de la même manière les trajectoires d'outils multi-tours comme des objets d'évaluation de premier ordre.\u003C\u002Fp>\n\u003Cp>La question de fiabilité plus forte est : l'agent a-t-il atteint un résultat acceptable par une trajectoire acceptable, récupérable et auditable ?\u003C\u002Fp>\n\u003Caside class=\"editorjs-referral my-6\">\u003Ca href=\"https:\u002F\u002Fstajic.de\u002Ffr\u002Fblog\u002Fai-agent-reliability-why-the-final-answer-is-not-enough\" class=\"flex flex-col sm:flex-row gap-4 rounded-xl border border-gray-200 dark:border-gray-700 p-4 transition hover:border-primary-500\">\u003Cdiv class=\"min-w-0 flex-1\">\u003Cstrong class=\"block text-lg text-gray-900 dark:text-gray-100\">Fiabilité des agents IA : pourquoi la réponse finale ne suffit pas\u003C\u002Fstrong>\u003Cp class=\"mt-2 text-sm text-gray-600 dark:text-gray-300\">Pourquoi l'évaluation en production doit inspecter les trajectoires, l'utilisation des outils, les transitions d'état et la récupérabilité plutôt que seulement les réponses finales.\u003C\u002Fp>\u003Cspan class=\"mt-3 inline-flex text-sm font-medium text-primary-600 dark:text-primary-400\">Lire l'article sur la fiabilité →\u003C\u002Fspan>\u003C\u002Fdiv>\u003C\u002Fa>\u003C\u002Faside>\n\u003Ch2 id=\"section-83\">Les systèmes agentiques augmentent la surface de sécurité\u003C\u002Fh2>\n\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Risque\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Pourquoi les agents l'amplifient\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Réponse architecturale\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Injection de prompt\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Un contenu non fiable peut influencer les futures décisions d'outils\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Séparer les instructions des données ; contraindre les outils ; assainir ou structurer les entrées externes lorsque c'est possible\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Permissions excessives\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Les erreurs de raisonnement peuvent devenir des effets de bord réels\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Moindre privilège, identifiants à portée limitée, politique par outil et approbations\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Exposition des identifiants\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Les outils peuvent nécessiter des secrets puissants\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Garder les secrets hors du contexte du modèle ; intermédier l'accès via un runtime de confiance\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Député confus\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">L'agent peut agir avec une autorité plus large que l'utilisateur demandeur\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Lier l'exécution à l'identité de l'utilisateur\u002Fservice et réautoriser les actions conséquentes\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Boucles emballées\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Le modèle appelle répétitivement des outils sans progrès\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Budgets d'étapes, de temps et de coût plus détection de boucles\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Dérive d'état\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">L'environnement change après que l'agent a formé un plan\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Relire l'état faisant autorité avant les actions conséquentes\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Injection indirecte\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Le contenu d'outil\u002Fweb\u002Fdocument contient des instructions visant le modèle\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Traiter le contenu externe comme des données non fiables, non comme une autorité d'instruction\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Lacune d'audit\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Le résultat final ne peut pas montrer ce qui a été exécuté\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Tracer les appels d'outils, les approbations, les identités et les changements d'état\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Ch2 id=\"section-85\">L'observabilité de l'agent doit suivre la boucle\u003C\u002Fh2>\n\u003Cp>L'observabilité traditionnelle des services enregistre les requêtes, la latence et les erreurs. L'observabilité des agents nécessite un modèle d'exécution supplémentaire : quel agent était actif, quelle version du modèle a pris la décision, quel contexte était disponible, quel outil a été sélectionné, quels arguments ont été envoyés, quel résultat est revenu et pourquoi l'exécution s'est arrêtée.\u003C\u002Fp>\n\u003Cp>Pour les systèmes sensibles, les traces elles-mêmes nécessitent un contrôle d'accès et une politique de rétention car les prompts, les sorties d'outils et les artefacts peuvent contenir des données confidentielles.\u003C\u002Fp>\n\u003Ch2 id=\"section-88\">Comment évaluer un système agentique\u003C\u002Fh2>\n\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Dimension\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Question\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Exemple de preuve\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Succès de la tâche\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Le résultat demandé s'est-il produit ?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">État externe, tests, résultat métier\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Qualité de la trajectoire\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Les étapes étaient-elles acceptables ?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Trace d'outil\u002Faction\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Sélection d'outil\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">L'agent a-t-il choisi des capacités appropriées ?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Appels d'outils attendus vs réels\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Respect des permissions\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Est-il resté dans l'autorité autorisée ?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Journaux d'autorisation et tests d'action refusée\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Gestion de l'état\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">A-t-il utilisé l'état faisant autorité actuel ?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Vérifications de fraîcheur et tests de changement d'état\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Récupération\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">A-t-il répondu correctement aux défaillances ?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Scénarios de timeout\u002Ferreur injectés\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Comportement d'arrêt\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">S'est-il arrêté au bon moment ?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Nombre d'étapes, détection de boucles, preuve d'état final\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Escalade humaine\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">A-t-il demandé quand une revue était requise ?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Traces d'approbation\u002Fescalade\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Coût\u002Flatence\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">L'autonomie valait-elle le coût opérationnel ?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Tokens, appels d'outils, durée\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Robustesse\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Survit-il à une variation réaliste de l'environnement ?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Essais répétés et adversariaux\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Ch2 id=\"section-90\">Quand un agent est approprié\u003C\u002Fh2>\n\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Utilisez un agent quand\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Préférez un workflow ou un appel simple quand\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Le nombre ou l'ordre des étapes ne peut pas être connu de manière fiable à l'avance\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">La séquence est stable et déterministe\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Le système doit inspecter l'environnement et s'adapter\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Une seule étape de récupération + génération suffit\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Plusieurs outils peuvent être utiles selon les résultats intermédiaires\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Un seul appel API connu résout la tâche\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">La tâche bénéficie d'une vérification ou d'une réparation itérative\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">La réponse peut être produite directement à partir du contexte fourni\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Les échecs nécessitent un comportement de récupération flexible\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Les branches d'échec sont simples et peuvent être encodées explicitement\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Une revue humaine peut être insérée à des points de contrôle significatifs\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Chaque étape est à haut risque et doit de toute façon être contrôlée manuellement\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">La valeur attendue justifie la latence, le coût et la complexité supplémentaires\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">La prévisibilité et le faible coût importent plus que la flexibilité\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Cp>Un bon défaut consiste à commencer par la solution la plus simple qui fonctionne et à n'augmenter la complexité agentique que lorsque la flexibilité produit une valeur mesurable. Les agents échangent la prévisibilité, la latence et le coût contre une exécution adaptative.\u003C\u002Fp>\n\u003Ch2 id=\"section-93\">Preuves d'implémentation originales\u003C\u002Fh2>\n\u003Ch3 id=\"section-94\">Aaasaasa AI Client : modèle, runtime et permission sont séparés\u003C\u002Fh3>\n\u003Cp>Aaasaasa AI Client sépare explicitement l'agent\u002Fclient, le fournisseur, le modèle, l'emplacement du runtime et les permissions. Sa documentation d'architecture traite les permissions comme une politique centrale d'outil\u002Fespace de travail plutôt que comme une propriété du modèle.\u003C\u002Fp>\n\u003Cp>La même application peut exposer un Direct Chat sans outils de système de fichiers ou de shell, tandis qu'un runtime Codex fonctionne sous un espace de travail et un profil de permissions sélectionnés. Cela démontre une frontière architecturale agentique essentielle : changer la surface du runtime\u002Foutils change ce que le système peut faire, même lorsque l'accès au modèle reste disponible.\u003C\u002Fp>\n\u003Cp>Le dépôt distingue également un runtime Codex local de l'emplacement du modèle : un runtime local peut appeler un modèle cloud. Cela évite l'erreur courante consistant à assimiler « l'agent s'exécute localement » à « l'inférence est locale ».\u003C\u002Fp>\n\u003Cp>L'implémentation désactive les chemins d'exécution intégrés dont la sémantique d'approbation ne satisfait pas le modèle de permissions requis. Cela soutient le principe selon lequel la capacité d'un agent ne doit pas contourner l'autorisation du runtime simplement parce qu'un framework sous-jacent peut exécuter des outils.\u003C\u002Fp>\n\u003Ch3 id=\"section-99\">Source of Truth Research Engine : étapes de recherche agentique bornées\u003C\u002Fh3>\n\u003Cp>Le Source of Truth Research Engine utilise un pipeline de recherche borné : découvrir → acquérir → extraire → vérifier → contredire → synthétiser. Les tâches de recherche peuvent s'exécuter via un runtime IA tandis que les preuves, sources, affirmations et contradictions restent dans un stockage persistant externe.\u003C\u002Fp>\n\u003Cp>C'est intentionnellement plus contrôlé qu'un agent de recherche autonome non contraint. Les étapes fournissent des garde-fous sur le type de travail à effectuer ensuite tout en permettant une recherche pilotée par le modèle à l'intérieur de chaque tâche bornée.\u003C\u002Fp>\n\u003Cp>Cette distinction est une preuve utile pour la conception d'agents : l'autonomie peut être placée à l'intérieur d'une enveloppe de livraison structurée plutôt qu'appliquée uniformément à l'ensemble du processus.\u003C\u002Fp>\n\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Modèle implémenté\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Leçon d'architecture agentique\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Direct Chat n'a pas d'outils OS\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Un modèle peut exister sans capacité d'exécution agentique.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Le runtime Codex a un profil de permissions d'espace de travail\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">L'autorité des outils appartient à la politique du runtime, pas à la capacité du modèle.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Fournisseur\u002Fmodèle\u002Fruntime sont des concepts séparés\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">L'emplacement du harnais d'agent et l'emplacement de l'inférence sont des décisions indépendantes.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Courtier de permissions pour les runtimes capables d'outils\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">L'exposition des capacités peut être centralisée et gouvernée.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Étapes de recherche bornées\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">L'autonomie peut opérer à l'intérieur de frontières de processus explicites.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Affirmations\u002Fpreuves persistantes en dehors du contexte du modèle\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">L'état de l'agent et les preuves n'ont pas besoin de résider uniquement dans l'historique de conversation.\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Caside class=\"editorjs-callout editorjs-callout--note my-6 rounded-xl border p-5 border-gray-300 bg-gray-50 dark:border-gray-700 dark:bg-gray-900\u002F40\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">Frontière des preuves\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">Ces projets démontrent des modèles concrets d'agent\u002Fruntime, de permissions et de recherche bornée. Ils ne sont pas présentés comme une preuve d'un déploiement commercial à grande échelle d'agents autonomes.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Ch2 id=\"section-105\">Modes de défaillance courants de l'IA agentique\u003C\u002Fh2>\n\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Mode de défaillance\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Ce qui a réellement échoué\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">« L'agent » n'est qu'un chatbot avec des outils listés dans le prompt\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Aucune boucle de runtime fiable ni architecture d'exécution d'outils n'existe\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Le support d'outils est traité comme une permission\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Les frontières de capacité et d'autorisation sont confondues\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">L'agent fait confiance à sa propre déclaration d'achèvement\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Le résultat n'est pas vérifié par rapport à l'état externe\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Chaque tâche devient multi-agent\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">La complexité augmente sans véritable frontière de propriété ou de spécialisation\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">L'historique de conversation est utilisé comme état durable\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">La reprise et l'état faisant autorité deviennent fragiles\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">L'agent réessaie les effets de bord aveuglément\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Des messages, paiements ou changements d'état en double deviennent possibles\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Aucune limite d'étapes\u002Fcoûts\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">L'agent peut boucler indéfiniment ou consommer des ressources non contrôlées\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">La sortie d'outil est traitée comme une instruction\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">L'injection de prompt indirecte peut rediriger le comportement\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">La réponse finale correcte est la seule évaluation\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Les trajectoires dangereuses ou invalides restent invisibles\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">La mise à niveau du modèle est traitée comme transparente\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">La sélection d'outils, la planification et le comportement d'arrêt peuvent changer\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Un seul outil large expose de nombreuses opérations privilégiées\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Le rayon d'impact augmente et l'intention devient plus difficile à valider\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">L'approbation humaine existe mais le réviseur manque de contexte\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">L'approbation devient cérémonielle plutôt qu'efficace\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Ch2 id=\"section-107\">Idées fausses courantes\u003C\u002Fh2>\n\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Idée fausse\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Correction\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">« Un LLM est un agent. »\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Le modèle est le composant de décision ; l'agent est le système environnant qui gère les outils, l'état et l'itération.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">« L'appel d'outils signifie automatiquement une IA agentique. »\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Un seul appel d'outil borné peut ne pas impliquer une boucle d'agent adaptative à plusieurs étapes.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">« Les agents doivent être entièrement autonomes. »\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Les systèmes agentiques peuvent exiger des approbations et fonctionner sous des frontières de permissions étroites.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">« Les agents ont besoin d'une mémoire à long terme. »\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">La mémoire est facultative ; de nombreux agents utiles accomplissent des tâches bornées sans mémoire inter-sessions.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">« Les agents doivent d'abord créer un plan écrit. »\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">La planification peut être explicite ou implicite et peut se produire une étape à la fois.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">« Le multi-agent est plus avancé que le mono-agent. »\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">C'est plus complexe ; utilisez-le uniquement lorsque des frontières de spécialisation ou de propriété le justifient.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">« MCP crée un agent. »\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">MCP expose des outils\u002Fressources ; le runtime a toujours besoin d'une boucle d'agent et d'un modèle d'autorisation.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">« Un runtime local signifie que le modèle est local. »\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">L'emplacement du runtime et l'emplacement de l'inférence\u002Ffournisseur sont séparés.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">« Si le résultat final est correct, l'agent a fonctionné correctement. »\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Une trajectoire dangereuse ou non autorisée peut tout de même produire un résultat correct.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">« L'approbation humaine supprime l'autonomie. »\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">L'approbation peut contraindre certaines actions tandis que le reste du processus reste dirigé par le modèle.\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Ch2 id=\"section-109\">Une séquence pratique de conception d'agent\u003C\u002Fh2>\n\u003Csection class=\"editorjs-process my-6\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">Concevoir l'agent à partir de l'autorité vers l'extérieur\u003C\u002Fh3>\u003Cdiv class=\"grid grid-cols-1 md:grid-cols-2 xl:grid-cols-3 gap-4\">\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">1\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">1. Définir le résultat\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Énoncer quel résultat externe ou artefact prouve la réussite de la tâche.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">2\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">2. Décider si un agent est réellement nécessaire\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Préférer un simple appel ou un flux de travail déterministe lorsque le chemin est prévisible.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">3\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">3. Identifier l'état et la source de vérité\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Définir quels systèmes détiennent les faits actuels, la progression de la tâche et l'état métier.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">4\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">4. Définir la surface des outils\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Exposer le plus petit ensemble de capacités claires requises pour la tâche.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">5\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">5. Lier l'identité et les permissions\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Séparer l'autorité de l'utilisateur, les permissions de l'agent\u002Fruntime et les capacités des outils.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">6\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">6. Choisir les limites d'autonomie\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Spécifier ce que le modèle peut décider dynamiquement et ce qui reste déterministe.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">7\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">7. Ajouter des points de contrôle d'approbation\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Exiger une revue avant les actions conséquentes ou irréversibles lorsque cela est approprié.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">8\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">8. Définir l'arrêt et la récupération\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Établir la preuve de succès, les budgets, les délais d'attente, les tentatives, l'escalade et les contrôles de boucle.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">9\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">9. Concevoir la gestion du contexte et de l'état\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Conserver l'état actuel, la mémoire, les observations des outils et les artefacts durables dans les bonnes couches.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">10\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">10. Tracer la trajectoire\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Enregistrer suffisamment de structure d'exécution pour déboguer et auditer les décisions du modèle et des outils.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">11\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">11. Évaluer les défaillances réalistes\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Tester l'état obsolète, les erreurs d'outils, l'injection de prompt, les demandes ambiguës et les environnements modifiés.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">12\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">12. Étendre l'autonomie uniquement à partir de preuves\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Augmenter les permissions ou l'horizon d'exécution lorsque l'évaluation montre que le bénéfice justifie le risque.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003C\u002Fdiv>\u003C\u002Fsection>\n\u003Ch2 id=\"section-111\">Liste de contrôle de l'architecture d'IA agentique\u003C\u002Fh2>\n\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Question\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Preuve attendue\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Qu'est-ce qui prouve le succès ?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Résultat externe, artefact, test ou état faisant autorité.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Pourquoi un agent est-il nécessaire ?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Le chemin dépend réellement d'observations intermédiaires.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Quelles décisions sont pilotées par le modèle ?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Limite d'autonomie explicite.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Quels outils existent ?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Ensemble de capacités restreint, documenté et sans ambiguïté.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Qui peut utiliser chaque outil ?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Politique d'autorisation tenant compte de l'identité et du contexte.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Quelles actions nécessitent une approbation ?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Règles de revue basées sur les conséquences.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Où réside l'état de la tâche ?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">État détenu par l'application, séparé du contexte transitoire du modèle.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Comment l'agent récupère-t-il ?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Comportement de nouvelle tentative, relecture, annulation, clarification et escalade.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Comment s'arrête-t-il ?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Achèvement vérifié plus limites d'étapes, de temps et de coût.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Comment les effets de bord sont-ils protégés ?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Validation, idempotence, moindre privilège et confirmation.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">L'exécution peut-elle être reconstruite ?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Traces des outils, des approbations et des transitions d'état.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Comment est-il évalué ?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Tests de résultat, de trajectoire et de robustesse.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Qu'est-ce qui change après une mise à jour du modèle ou du runtime ?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Suite de régression pour la sélection des outils, les permissions, l'arrêt et la récupération.\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Ch2 id=\"section-113\">Cas limites et limitations\u003C\u002Fh2>\n\u003Cp>Certains systèmes ne sont « agentiques » que dans un sens étroit de routage : le modèle sélectionne un spécialiste ou un outil, puis le reste du flux de travail est déterministe. Cela peut rester utile, mais cela ne doit pas être décrit comme équivalent à un agent autonome de longue durée.\u003C\u002Fp>\n\u003Cp>Les domaines à fort enjeu peuvent intentionnellement restreindre l'autonomie de l'agent. Un système d'IA peut examiner des preuves, préparer des recommandations et remplir des formulaires structurés tandis qu'un humain reste le seul acteur autorisé à valider la transaction finale.\u003C\u002Fp>\n\u003Cp>Certains environnements sont bien adaptés aux agents parce que le retour d'information est objectif. Les agents de codage peuvent exécuter des tests ; les agents d'infrastructure peuvent inspecter des métriques ; les agents de données peuvent valider les résultats de requêtes. Les domaines ouverts avec un retour d'information faible exigent une évaluation plus prudente.\u003C\u002Fp>\n\u003Cp>Un agent peut fonctionner entièrement en local, entièrement via des services cloud gérés ou dans une architecture hybride. Le comportement agentique décrit le flux de contrôle, non l'emplacement d'hébergement.\u003C\u002Fp>\n\u003Cp>Le terme « raisonnement » ne doit pas être utilisé comme preuve que le processus interne de l'agent est correct. L'assurance en production doit s'appuyer sur des entrées, des actions, des sorties, des états et des évaluations observables plutôt que sur des affirmations non vérifiables concernant un raisonnement caché.\u003C\u002Fp>\n\u003Ch2 id=\"section-119\">Qu'est-ce qui changerait cette réponse ?\u003C\u002Fh2>\n\u003Cp>Les API des fournisseurs et les frameworks d'agents continueront d'évoluer, mais la frontière architecturale est stable : un modèle propose des décisions, un runtime gère la boucle, les outils se connectent à l'environnement, les permissions contraignent les actions et les observations externes déterminent ce qui s'est réellement produit.\u003C\u002Fp>\n\u003Cp>À mesure que les modèles deviennent plus fiables, les systèmes peuvent déléguer en toute sécurité des horizons plus longs ou un comportement de récupération plus complexe. À mesure que la vérification et l'autorisation au runtime s'améliorent, certaines étapes d'approbation peuvent être automatisées. Ce sont des changements de niveau d'autonomie, non des changements des couches de responsabilité fondamentales.\u003C\u002Fp>\n\u003Cp>L'architecture recommandée change également selon les conséquences. Un agent de recherche qui ne lit que des sources publiques peut tolérer des contrôles différents de ceux d'un agent qui écrit de la configuration de production ou déplace de l'argent.\u003C\u002Fp>\n\u003Ch2 id=\"section-123\">Connaissances canoniques associées\u003C\u002Fh2>\n\u003Cp>L'IA agentique se situe au-dessus de plusieurs couches prérequises : l'ingénierie du contexte détermine ce que le modèle voit ; l'architecture de la source de vérité détermine quelles informations font autorité ; la récupération fournit des preuves externes ; l'architecture du runtime détermine ce qui peut s'exécuter.\u003C\u002Fp>\n\u003Cp>Les nœuds en aval incluent l'appel d'outils, MCP, A2A, l'identité des agents, les permissions, l'auditabilité, l'humain dans la boucle, l'orchestration, la mémoire et les systèmes multi-agents.\u003C\u002Fp>\n\u003Cp>L'article sur la pile de protocoles doit donc être lu après le concept de base d'agent : les protocoles normalisent les frontières autour des agents ; ils ne définissent pas le comportement agentique lui-même.\u003C\u002Fp>\n\u003Ch2 id=\"section-127\">Questions fréquentes\u003C\u002Fh2>\n\u003Csection class=\"editorjs-faq my-6 rounded-xl border border-gray-200 p-5 dark:border-gray-700\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">FAQ sur l'IA agentique\u003C\u002Fh3>\u003Cdiv id=\"faq1\" class=\"border-t border-gray-200 py-4 first:border-t-0 dark:border-gray-700\">\u003Ch4 class=\"font-semibold text-gray-900 dark:text-gray-100\">Qu'est-ce que l'IA agentique ?\u003C\u002Fh4>\u003Cdiv class=\"mt-2 text-gray-600 dark:text-gray-300\">L'IA agentique est un système d'IA dans lequel un modèle peut poursuivre un objectif sur plusieurs étapes en choisissant des actions ou des outils, en observant les résultats, en mettant à jour son état et en continuant jusqu'à ce qu'une condition d'arrêt soit atteinte.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv id=\"faq2\" class=\"border-t border-gray-200 py-4 first:border-t-0 dark:border-gray-700\">\u003Ch4 class=\"font-semibold text-gray-900 dark:text-gray-100\">Quelle est la différence entre un LLM et un agent d'IA ?\u003C\u002Fh4>\u003Cdiv class=\"mt-2 text-gray-600 dark:text-gray-300\">Un LLM produit des sorties à partir d'entrées. Un agent combine un modèle avec un environnement d'exécution, des outils, un état, des permissions, une gestion du contexte et une boucle d'exécution itérative.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv id=\"faq3\" class=\"border-t border-gray-200 py-4 first:border-t-0 dark:border-gray-700\">\u003Ch4 class=\"font-semibold text-gray-900 dark:text-gray-100\">L'appel d'outils fait-il d'un système un agent ?\u003C\u002Fh4>\u003Cdiv class=\"mt-2 text-gray-600 dark:text-gray-300\">Pas nécessairement. Une réponse unique d'un modèle assisté par un outil peut être bornée et non agentique. Un comportement agentique apparaît lorsque les observations d'outils pilotent une boucle adaptative à plusieurs étapes.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv id=\"faq4\" class=\"border-t border-gray-200 py-4 first:border-t-0 dark:border-gray-700\">\u003Ch4 class=\"font-semibold text-gray-900 dark:text-gray-100\">Quelle est la différence entre un agent et un flux de travail d'IA ?\u003C\u002Fh4>\u003Cdiv class=\"mt-2 text-gray-600 dark:text-gray-300\">Un flux de travail suit généralement un chemin de processus défini dans le code de l'application. Un agent dispose d'un contrôle davantage piloté par le modèle sur les étapes et les outils à utiliser en fonction des observations intermédiaires.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv id=\"faq5\" class=\"border-t border-gray-200 py-4 first:border-t-0 dark:border-gray-700\">\u003Ch4 class=\"font-semibold text-gray-900 dark:text-gray-100\">Les agents ont-ils besoin de mémoire ?\u003C\u002Fh4>\u003Cdiv class=\"mt-2 text-gray-600 dark:text-gray-300\">Non. La mémoire à long terme est utile pour conserver des informations entre les sessions, mais de nombreux agents accomplissent des tâches bornées en utilisant uniquement l'état et le contexte de la tâche en cours.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv id=\"faq6\" class=\"border-t border-gray-200 py-4 first:border-t-0 dark:border-gray-700\">\u003Ch4 class=\"font-semibold text-gray-900 dark:text-gray-100\">Les agents d'IA ont-ils besoin de plusieurs agents ?\u003C\u002Fh4>\u003Cdiv class=\"mt-2 text-gray-600 dark:text-gray-300\">Non. Un agent unique est souvent plus simple. Les systèmes multi-agents se justifient lorsque la spécialisation, l'isolation des outils, l'isolation des politiques ou les frontières de responsabilité améliorent matériellement le système.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv id=\"faq7\" class=\"border-t border-gray-200 py-4 first:border-t-0 dark:border-gray-700\">\u003Ch4 class=\"font-semibold text-gray-900 dark:text-gray-100\">Un agent peut-il fonctionner avec un humain dans la boucle ?\u003C\u002Fh4>\u003Cdiv class=\"mt-2 text-gray-600 dark:text-gray-300\">Oui. L'agent peut effectuer de manière autonome des analyses et des préparations à faible risque tandis que l'environnement d'exécution s'interrompt pour obtenir l'approbation humaine avant les actions conséquentes.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv id=\"faq8\" class=\"border-t border-gray-200 py-4 first:border-t-0 dark:border-gray-700\">\u003Ch4 class=\"font-semibold text-gray-900 dark:text-gray-100\">MCP est-il un framework d'agent ?\u003C\u002Fh4>\u003Cdiv class=\"mt-2 text-gray-600 dark:text-gray-300\">Non. MCP est un protocole d'interopérabilité pour exposer des outils, des ressources et des invites. Un environnement d'exécution d'agent peut utiliser MCP, mais il a toujours besoin de sa propre boucle, de son état, de son autorisation et de son évaluation.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv id=\"faq9\" class=\"border-t border-gray-200 py-4 first:border-t-0 dark:border-gray-700\">\u003Ch4 class=\"font-semibold text-gray-900 dark:text-gray-100\">Comment savoir si un agent a réellement accompli une tâche ?\u003C\u002Fh4>\u003Cdiv class=\"mt-2 text-gray-600 dark:text-gray-300\">Dans la mesure du possible, vérifiez le succès par l'état externe, des tests, des artefacts ou des enregistrements système faisant autorité plutôt que de faire confiance à la déclaration d'achèvement du modèle lui-même.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003C\u002Fsection>\n\u003Ch2 id=\"section-129\">Glossaire\u003C\u002Fh2>\n\u003Csection class=\"editorjs-glossary my-6 rounded-xl border border-gray-200 dark:border-gray-700 p-5\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">Termes clés de l'IA agentique\u003C\u002Fh3>\u003Cdl>\u003Cdiv id=\"agentic-ai\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">IA agentique\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Comportement d'un système d'IA dans lequel un modèle dirige dynamiquement une exécution à plusieurs étapes à l'aide d'outils, d'observations et d'un état vers un objectif.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"ai-agent\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Agent d'IA\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Système centré sur un modèle avec un environnement d'exécution, des outils, un état et une boucle d'exécution capable de poursuivre une tâche sur plusieurs étapes.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"agent-loop\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Boucle d'agent\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Cycle répété de décision du modèle, d'exécution d'outil ou d'action, d'observation et de décision mise à jour du modèle jusqu'à l'arrêt.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"runtime-harness\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Environnement d'exécution \u002F harnais\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">La couche d'exécution qui gère la boucle du modèle, les outils, l'état, les approbations, le contexte, les erreurs et les conditions d'arrêt.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"tool\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Outil\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Une capacité exposée au modèle pour lire des informations, calculer, déléguer ou modifier un état externe.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"observation\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Observation\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Information renvoyée par un outil ou un environnement et fournie à une étape ultérieure de l'agent.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"agent-state\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">État de l'agent\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Informations persistantes sur la tâche ou l'exécution qui existent en dehors d'une sortie unique du modèle et peuvent survivre entre les étapes ou les pauses.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"autonomy-boundary\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Frontière d'autonomie\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">La limite explicite définissant quelles décisions et actions le modèle peut contrôler dynamiquement.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"human-in-the-loop\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Humain dans la boucle\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Un modèle de contrôle dans lequel l'examen, la contribution ou l'approbation humaine est requise à des points sélectionnés d'un processus piloté par l'IA.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"trajectory\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Trajectoire\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">La séquence d'états, de décisions, d'appels d'outils, d'actions et d'observations pertinents entre la demande de tâche et le résultat final.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"idempotency\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Idempotence\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Propriété qui permet de répéter une opération sans appliquer involontairement le même effet secondaire plusieurs fois.\u003C\u002Fdd>\u003C\u002Fdiv>\u003C\u002Fdl>\u003C\u002Fsection>\n\u003Ch2 id=\"section-131\">Conclusion\u003C\u002Fh2>\n\u003Cp>L'IA agentique n'est pas simplement un modèle plus intelligent ou un chatbot doté de plus d'outils. C'est une architecture système dans laquelle un modèle participe à une boucle de contrôle itérative : décider, agir, observer, mettre à jour et continuer.\u003C\u002Fp>\n\u003Cp>Le modèle fournit une prise de décision flexible, mais l'environnement d'exécution environnant doit assumer la réalité de l'exécution : permissions, accès aux outils, état, approbations, nouvelles tentatives, budgets, conditions d'arrêt, traçage et vérification.\u003C\u002Fp>\n\u003Cp>Le principe de conception le plus utile est donc le suivant : déléguer le choix tactique au modèle uniquement à l'intérieur de frontières techniques et commerciales explicites. La capacité agentique ne devient une capacité de production que lorsque l'autonomie, l'autorité et les preuves restent séparables.\u003C\u002Fp>\n\u003Ch2 id=\"section-135\">Sources primaires et orientations actuelles\u003C\u002Fh2>\n\u003Cp>Les sources ci-dessous étayent les distinctions architecturales actuelles autour des agents, des flux de travail, des boucles, des outils, de l'orchestration, de la sécurité et de l'évaluation. Les sections du projet constituent des preuves de mise en œuvre originales et sont explicitement limitées à ce que les dépôts démontrent.\u003C\u002Fp>\n\u003Ca href=\"https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Fagents\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">OpenAI — Agents\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Orientations actuelles pour les développeurs définissant les choix d'environnement d'exécution pour le travail à plusieurs étapes, les outils, l'état, l'orchestration et l'exécution des agents.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Fagents\u002Fdefine-agents\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">OpenAI — Définitions des agents\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Documentation actuelle décrivant un agent comme un modèle plus des instructions et un comportement d'exécution optionnel incluant des outils, des garde-fous, des serveurs MCP et des transferts.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Fagents\u002Frunning-agents\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">OpenAI — Exécution des agents\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Documentation actuelle de la boucle d'agent : appel du modèle, exécution d'outil ou transfert, continuation et point d'arrêt final.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Fagents\u002Forchestration\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">OpenAI — Orchestration et transferts\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Orientations actuelles sur les transferts, les agents en tant qu'outils et les cas où des agents spécialisés ajoutent des frontières utiles de responsabilité ou de capacité.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Fagent-builder-safety\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">OpenAI — Sécurité dans la construction d'agents\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Orientations actuelles en matière de sécurité couvrant les approbations d'outils, l'injection d'invites, les garde-fous et l'évaluation basée sur les traces.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fwww.anthropic.com\u002Fengineering\u002Fbuilding-effective-agents\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">Anthropic — Construire des agents efficaces\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Orientations d'ingénierie distinguant les flux de travail prédéfinis des agents pilotés par le modèle et décrivant les boucles de rétroaction environnementale basées sur des outils.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fwww.anthropic.com\u002Fengineering\u002Feffective-context-engineering-for-ai-agents\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">Anthropic — Ingénierie de contexte efficace pour les agents d'IA\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Cadrage pratique des agents comme des LLM utilisant de manière autonome des outils dans une boucle, avec une gestion dynamique du contexte juste à temps.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fwww.anthropic.com\u002Fengineering\u002Fdemystifying-evals-for-ai-agents\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">Anthropic — Démystifier les évaluations pour les agents d'IA\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Orientations de 2026 sur l'évaluation des agents multi-tours qui appellent des outils, modifient l'état et s'adaptent aux résultats intermédiaires.\u003C\u002Fp>\u003C\u002Fa>",{"time":212,"blocks":213,"version":1537},1791481768089,[214,220,228,235,242,250,255,260,265,270,275,280,285,290,319,324,329,334,339,371,376,381,414,419,424,468,473,478,483,490,495,500,505,510,515,544,549,554,559,564,569,574,579,584,589,594,599,605,610,615,620,625,630,635,644,649,654,659,664,689,694,699,704,709,714,749,754,759,764,769,774,779,784,789,794,799,804,812,817,822,827,832,840,845,885,890,895,900,905,953,958,987,992,997,1002,1007,1012,1017,1022,1027,1032,1037,1042,1068,1074,1079,1123,1128,1166,1171,1213,1218,1264,1269,1274,1279,1284,1289,1294,1299,1304,1309,1314,1319,1324,1329,1334,1339,1381,1386,1434,1439,1444,1449,1454,1459,1464,1474,1483,1492,1501,1510,1519,1528],{"id":215,"data":216,"type":218,"tunes":219},"intro",{"text":217},"L'IA agentique est un système d'IA dans lequel un modèle peut poursuivre un objectif sur plusieurs étapes en décidant quoi faire ensuite, en utilisant des outils ou d'autres capacités, en observant les résultats, en mettant à jour son état de travail et en continuant jusqu'à atteindre une condition d'arrêt. Le modèle seul n'est pas l'agent. Un agent utilisable a également besoin d'un environnement d'exécution ou d'un harnais qui gère le contexte, l'exécution des outils, l'état, les permissions, les approbations, les erreurs et la boucle entre les décisions et les observations.","paragraph",{},{"id":221,"data":222,"type":226,"tunes":227},"direct",{"body":223,"title":224,"variant":225},"Un appel de modèle normal est généralement \u003Cstrong>entrée → modèle → sortie\u003C\u002Fstrong>. Un système agentique est plus proche de \u003Cstrong>objectif → décision → outil\u002Faction → observation → décision mise à jour → … → résultat\u003C\u002Fstrong>.\u003Cbr>\u003Cbr>La distinction critique n'est pas de savoir si une application utilise un LLM ou l'appel de fonctions. C'est de savoir si le système donne au modèle un contrôle significatif sur l'étape suivante d'un processus multi-étapes, tandis qu'un environnement d'exécution limite ce que le modèle est réellement autorisé à faire.","Réponse directe","info","callout",{},{"id":229,"data":230,"type":226,"tunes":234},"boundary",{"body":231,"title":232,"variant":233},"Un modèle peut savoir comment appeler un outil. Un environnement d'exécution peut exposer cet outil. Aucun de ces faits ne signifie que l'utilisateur ou l'agent actuel est autorisé à exécuter l'action métier sous-jacente. \u003Cstrong>La capacité d'un outil, la permission d'un outil et l'autorité métier sont des couches distinctes.\u003C\u002Fstrong>","La capacité n'est pas l'autorité","warning",{},{"id":236,"data":237,"type":226,"tunes":241},"current",{"body":238,"title":239,"variant":240},"La terminologie des agents varie encore selon les fournisseurs et les communautés de recherche. OpenAI définit actuellement les environnements d'exécution des agents autour du travail multi-étapes, des outils, de l'état et de l'orchestration. La distinction pratique d'Anthropic reste utile : les workflows suivent des chemins de code prédéfinis, tandis que les agents dirigent dynamiquement leur propre processus et l'utilisation des outils. Cet article traite donc l'« IA agentique » comme un spectre architectural plutôt que comme une catégorie de produit standardisée.","Note sur les sources actuelles — 8 octobre 2026","note",{},{"id":243,"data":244,"type":248,"tunes":249},"toc",{"title":245,"maxLevel":246,"minLevel":247},"Sommaire",3,2,"tableOfContents",{},{"id":251,"data":252,"type":42,"tunes":254},"h-meaning",{"text":253,"level":247},"Ce que signifie réellement l'IA agentique",{},{"id":256,"data":257,"type":218,"tunes":259},"p-meaning-1",{"text":258},"Le changement important entre l'IA générative ordinaire et l'IA agentique réside dans le contrôle du processus. Un assistant normal peut répondre à une question en utilisant le contexte qu'il reçoit. Un agent peut décider que répondre nécessite des étapes supplémentaires : inspecter un fichier, rechercher dans un dépôt, interroger une API, demander une clarification, exécuter un test, mettre à jour un ticket, déléguer une sous-tâche ou réessayer après une action échouée.",{},{"id":261,"data":262,"type":218,"tunes":264},"p-meaning-2",{"text":263},"Cela n'exige pas une autonomie illimitée. Un agent peut fonctionner dans un bac à sable étroit, sous des permissions strictes, avec une approbation requise avant chaque action conséquente. Le système reste agentique si le modèle choisit dynamiquement parmi les étapes suivantes autorisées.",{},{"id":266,"data":267,"type":218,"tunes":269},"p-meaning-3",{"text":268},"L'architecture importe donc plus que l'étiquette. « Agent » devrait décrire un comportement système : une prise de décision itérative pilotée par le modèle sur des outils, un état et des retours — et non simplement un chatbot avec un prompt plus grand.",{},{"id":271,"data":272,"type":42,"tunes":274},"h-simple",{"text":273,"level":247},"L'exemple le plus simple",{},{"id":276,"data":277,"type":218,"tunes":279},"p-simple-1",{"text":278},"Supposons qu'un développeur demande à un système d'IA : « Trouve pourquoi la suite de tests échoue et corrige le bug. » Un seul appel de modèle ne pourrait que suggérer des causes probables à partir du texte qui lui a été fourni.",{},{"id":281,"data":282,"type":218,"tunes":284},"p-simple-2",{"text":283},"Un système de codage agentique peut inspecter le dépôt, rechercher le test qui échoue, lire les fichiers pertinents, proposer une modification, éditer le code, exécuter le test, observer l'échec, réviser l'implémentation et exécuter à nouveau le test.",{},{"id":286,"data":287,"type":218,"tunes":289},"p-simple-3",{"text":288},"La partie agentique ne réside pas simplement dans l'existence d'outils de shell et de fichiers. Elle réside dans le fait que le modèle peut utiliser les retours de l'environnement pour choisir l'étape suivante au lieu de suivre une séquence entièrement prédéfinie.",{},{"id":291,"data":292,"type":317,"tunes":318},"simple-loop",{"steps":293,"title":315,"orientation":316},[294,297,300,303,306,309,312],{"label":295,"description":296},"1. Recevoir un objectif","L'utilisateur ou le système en amont définit l'objectif et les contraintes pertinentes.",{"label":298,"description":299},"2. Construire le contexte actuel","L'environnement d'exécution fournit les instructions, l'état, l'historique, la mémoire, les outils et les preuves actuelles.",{"label":301,"description":302},"3. Le modèle décide de l'étape suivante","Le modèle peut répondre, appeler un outil, demander des informations, déléguer ou s'arrêter.",{"label":304,"description":305},"4. L'environnement d'exécution valide la demande","Les permissions, les schémas, les approbations et la politique déterminent si l'action proposée peut s'exécuter.",{"label":307,"description":308},"5. Exécuter l'outil ou l'action","L'environnement externe change ou renvoie de nouvelles informations.",{"label":310,"description":311},"6. Observer le résultat","L'environnement d'exécution renvoie la sortie structurée de l'outil, les erreurs ou les changements d'état dans l'étape suivante du modèle.",{"label":313,"description":314},"7. Continuer ou s'arrêter","La boucle se répète jusqu'au succès, au refus, à l'escalade, à la limite de budget, au délai d'attente ou à une autre condition d'arrêt.","La boucle d'agent de base","auto","processFlow",{},{"id":320,"data":321,"type":42,"tunes":323},"h-stops",{"text":322,"level":247},"Où s'arrête l'exemple simple",{},{"id":325,"data":326,"type":218,"tunes":328},"p-stops-1",{"text":327},"Tous les systèmes d'IA multi-étapes ne sont pas également agentiques. Un workflow peut utiliser plusieurs appels de LLM et outils alors que chaque étape est prédéterminée dans le code. Un autre système peut laisser le modèle décider quel outil appeler, dans quel ordre, combien de fois et quand s'arrêter.",{},{"id":330,"data":331,"type":218,"tunes":333},"p-stops-2",{"text":332},"Les deux peuvent être utiles. La différence réside dans l'endroit où se trouve le contrôle. Les workflows prédéfinis placent plus de contrôle dans le code de l'application. Les agents déplacent davantage de décisions tactiques de processus dans la boucle modèle\u002Fenvironnement d'exécution.",{},{"id":335,"data":336,"type":42,"tunes":338},"h-workflow",{"text":337,"level":247},"Agent vs workflow",{},{"id":340,"data":341,"type":369,"tunes":370},"workflow-comparison",{"rows":342,"title":360,"layout":361,"columns":362},[343,348,352,356],{"id":344,"label":345,"values":346},"path","Chemin du processus",[347,347],"",{"id":349,"label":350,"values":351},"tools","Séquence d'outils",[347,347],{"id":353,"label":354,"values":355},"strength","Force",[347,347],{"id":357,"label":358,"values":359},"risk","Risque",[347,347],"Flux de travail prédéfini et contrôle agentique","table",[363,366],{"id":364,"label":365},"workflow","Flux de travail LLM",{"id":367,"label":368},"agent","Agent","comparison",{},{"id":372,"data":373,"type":218,"tunes":375},"p-workflow-1",{"text":374},"Anthropic sépare explicitement ces deux modèles : les flux de travail orchestrent les modèles et les outils via des chemins de code prédéfinis, tandis que les agents laissent les modèles diriger dynamiquement leurs propres processus et l'utilisation des outils. Ce n'est pas la seule terminologie possible, mais c'est une frontière architecturale utile.",{},{"id":377,"data":378,"type":42,"tunes":380},"h-spectrum",{"text":379,"level":247},"Le comportement agentique est un spectre, pas une étiquette binaire",{},{"id":382,"data":383,"type":361,"tunes":413},"spectrum-table",{"content":384,"stretched":43,"withHeadings":14},[385,389,393,397,401,405,409],[386,387,388],"Niveau","Exemple","Qui décide de l'étape suivante ?",[390,391,392],"Appel unique au modèle","Résumer ce document","L'application appelle le modèle une fois",[394,395,396],"Réponse assistée par outil","Le modèle peut utiliser la recherche web avant de répondre","Le modèle sélectionne parmi des outils limités pour une réponse",[398,399,400],"Flux de travail structuré","Classer → récupérer → générer → valider","Le flux de travail de l'application détermine les étapes",[402,403,404],"Flux de travail adaptatif","Le modèle peut choisir parmi plusieurs branches et réessayer","Contrôle partagé entre l'application et le modèle",[406,407,408],"Boucle d'agent","Le modèle choisit de manière répétée des outils\u002Factions en fonction des observations","Le modèle dirige l'exécution tactique dans les contraintes d'exécution",[410,411,412],"Agent de longue durée","L'agent se met en pause, reprend, gère les artefacts et continue","Le modèle + l'environnement d'exécution persistant gèrent l'exécution évolutive",{},{"id":415,"data":416,"type":218,"tunes":418},"p-spectrum-1",{"text":417},"Appeler chaque système ci-dessus un « agent » peut masquer des différences opérationnelles importantes. Plus le contrôle du modèle sur la séquence, la durée et les actions est fort, plus l'isolation de l'environnement d'exécution, les permissions, la traçabilité, les conditions d'arrêt et l'évaluation de la trajectoire deviennent importants.",{},{"id":420,"data":421,"type":42,"tunes":423},"h-anatomy",{"text":422,"level":247},"L'architecture minimale d'un système agentique",{},{"id":425,"data":426,"type":361,"tunes":467},"anatomy-table",{"content":427,"stretched":43,"withHeadings":14},[428,431,434,437,440,443,446,449,452,455,458,461,464],[429,430],"Composant","Responsabilité",[432,433],"Objectif \u002F tâche","Définit ce que le système cherche à accomplir.",[435,436],"Modèle","Interprète le contexte et décide de l'action ou de la sortie suivante.",[438,439],"Instructions","Définissent le rôle, les contraintes, les priorités et la politique spécifique à la tâche.",[441,442],"Assembleur de contexte","Construit les informations visibles par le modèle à chaque étape.",[444,445],"Catalogue d'outils","Définit les capacités que le modèle peut demander.",[447,448],"Environnement d'exécution \u002F harnais","Exécute la boucle, exécute les outils, gère l'état et gère les conditions d'arrêt.",[450,451],"Couche d'autorisation","Détermine si une action proposée est autorisée pour le principal actuel.",[453,454],"État \u002F session","Préserve la progression de la tâche à travers les tours ou les étapes d'exécution.",[456,457],"Canal d'observation","Renvoie les résultats des outils et les changements d'environnement à l'étape suivante du modèle.",[459,460],"Approbations \u002F contrôle humain","Met en pause les actions conséquentes lorsque une revue est nécessaire.",[462,463],"Traçage \u002F audit","Enregistre les appels au modèle, les outils, les transitions, les approbations et les échecs.",[465,466],"Évaluation","Mesure les résultats et les trajectoires d'exécution par rapport aux critères d'acceptation.",{},{"id":469,"data":470,"type":42,"tunes":472},"h-model-agent",{"text":471,"level":247},"Un modèle n'est pas un agent",{},{"id":474,"data":475,"type":218,"tunes":477},"p-model-agent-1",{"text":476},"Un modèle de langage produit des sorties à partir d'entrées. Il ne possède pas en soi un système de fichiers, n'exécute pas de commande shell, ne maintient pas d'état de tâche durable, n'applique pas de permissions et ne s'appelle pas automatiquement à nouveau.",{},{"id":479,"data":480,"type":218,"tunes":482},"p-model-agent-2",{"text":481},"Ces capacités proviennent de l'environnement d'exécution environnant. Le même modèle peut se comporter comme un simple modèle de chat dans une application et comme le moteur de décision au sein d'une boucle d'agent dans une autre.",{},{"id":484,"data":485,"type":226,"tunes":489},"model-agent-rule",{"body":486,"title":487,"variant":488},"\u003Cstrong>La capacité du modèle détermine quelles décisions peuvent être proposées. L'architecture d'exécution détermine ce qui peut réellement se produire.\u003C\u002Fstrong>","Règle d'architecture","success",{},{"id":491,"data":492,"type":42,"tunes":494},"h-tools",{"text":493,"level":247},"L'utilisation d'outils est centrale — mais l'utilisation d'outils seule ne fait pas un agent",{},{"id":496,"data":497,"type":218,"tunes":499},"p-tools-1",{"text":498},"Les outils permettent au modèle d'acquérir des informations et d'affecter des systèmes externes. Les exemples incluent les lectures de base de données, les opérations sur fichiers, l'exécution de shell, la recherche web, le contrôle de navigateur, les appels API, les mises à jour de tickets ou les agents spécialistes délégués.",{},{"id":501,"data":502,"type":218,"tunes":504},"p-tools-2",{"text":503},"Un appel unique au modèle peut utiliser un outil et rester une réponse assistée par outil limitée plutôt qu'un agent de longue durée. Le comportement agentique apparaît lorsque les observations des outils alimentent une boucle adaptative dans laquelle le modèle choisit quoi faire ensuite.",{},{"id":506,"data":507,"type":218,"tunes":509},"p-tools-3",{"text":508},"La conception des outils est importante car les outils sont le contrat entre le raisonnement du modèle et la réalité externe. Des outils ambigus ou qui se chevauchent créent des erreurs de routage ; de grandes sorties non structurées polluent le contexte ; des outils à large effet de bord augmentent le rayon d'impact.",{},{"id":511,"data":512,"type":42,"tunes":514},"h-capability-permission",{"text":513,"level":247},"Capacité, permission et autorité des outils sont différentes",{},{"id":516,"data":517,"type":361,"tunes":543},"permission-table",{"content":518,"stretched":43,"withHeadings":14},[519,522,525,528,531,534,537,540],[520,521],"Couche","Question",[523,524],"Capacité","Cet environnement d'exécution peut-il techniquement effectuer l'opération ?",[526,527],"Exposition des outils","Cette capacité est-elle disponible pour cet agent ?",[529,530],"Permission","Cet agent\u002Fsession peut-il l'utiliser selon la politique actuelle ?",[532,533],"Autorisation utilisateur","Le principal demandeur est-il autorisé à provoquer cette opération ?",[535,536],"Autorité métier","L'opération est-elle valide selon les règles du domaine, les approbations et les limites ?",[538,539],"Exécution","L'opération a-t-elle réellement eu lieu ?",[541,542],"Audit","Le système peut-il prouver qui a demandé, approuvé et exécuté l'opération ?",{},{"id":545,"data":546,"type":218,"tunes":548},"p-permission-1",{"text":547},"Ces couches sont souvent fusionnées dans les prototypes. Un modèle voit un outil de remboursement et semble donc capable d'émettre des remboursements. En production, l'outil doit toujours valider le compte, l'utilisateur, la transaction, le montant, la politique et les conditions d'approbation indépendamment de la demande du modèle.",{},{"id":550,"data":551,"type":42,"tunes":553},"h-runtime",{"text":552,"level":247},"Le runtime ou harnais est le véritable système d'exécution",{},{"id":555,"data":556,"type":218,"tunes":558},"p-runtime-1",{"text":557},"La documentation actuelle d'OpenAI sur les agents rend explicite la distinction de runtime. Différents runtimes peuvent gérer l'orchestration, l'état, les outils, les sandboxes et l'exécution à différents endroits, tandis que le modèle ne reste qu'une partie du système.",{},{"id":560,"data":561,"type":218,"tunes":563},"p-runtime-2",{"text":562},"Le SDK Agents décrit une boucle qui appelle de manière répétée le modèle actuel, inspecte la sortie, exécute les outils ou transferts demandés, et continue jusqu'à ce que le modèle renvoie une réponse finale ou un autre point d'arrêt réel.",{},{"id":565,"data":566,"type":218,"tunes":568},"p-runtime-3",{"text":567},"Cela signifie que les décisions d'architecture d'agent incluent où l'orchestration s'exécute, où réside l'état, qui exécute les outils, quelle sandbox contient les effets de bord, et qui est responsable des tentatives, des délais d'attente et de la reprise.",{},{"id":570,"data":571,"type":42,"tunes":573},"h-planning",{"text":572,"level":247},"La planification est utile, mais un plan explicite n'est pas requis",{},{"id":575,"data":576,"type":218,"tunes":578},"p-planning-1",{"text":577},"Les agents sont souvent décrits comme des systèmes qui « planifient ». En pratique, la planification peut être explicite ou implicite. Un agent peut d'abord produire un plan visible en plusieurs étapes, ou choisir une action à la fois et réviser après chaque observation.",{},{"id":580,"data":581,"type":218,"tunes":583},"p-planning-2",{"text":582},"Pour les tâches très incertaines, une planification à court terme peut être plus sûre car l'environnement peut invalider un plan à long terme. L'exigence architecturale est la capacité de choisir et de réviser des actions en fonction de l'objectif, de l'état actuel et des nouvelles preuves.",{},{"id":585,"data":586,"type":42,"tunes":588},"h-feedback",{"text":587,"level":247},"Le retour d'information environnemental est ce qui rend la boucle utile",{},{"id":590,"data":591,"type":218,"tunes":593},"p-feedback-1",{"text":592},"Un agent devient opérationnellement significatif lorsqu'il peut observer si son action a fonctionné. La sortie d'outil, les résultats de tests, les réponses d'API, l'état du système de fichiers, l'état du navigateur et les enregistrements d'application fournissent des preuves externes que le système peut utiliser pour réviser sa prochaine décision.",{},{"id":595,"data":596,"type":218,"tunes":598},"p-feedback-2",{"text":597},"Les conseils d'Anthropic sur les agents mettent l'accent sur cette boucle de rétroaction : les agents utilisent des outils, obtiennent la vérité terrain de l'environnement, évaluent les progrès et continuent ou demandent une intervention humaine.",{},{"id":600,"data":601,"type":226,"tunes":604},"feedback-rule",{"body":602,"title":603,"variant":233},"Un agent qui dit « la tâche est terminée » ne prouve pas l'achèvement. Dans la mesure du possible, vérifiez l'état final via un système externe, un test, un fichier, un enregistrement de transaction ou un autre résultat observable.","L'auto-déclaration n'est pas une preuve environnementale",{},{"id":606,"data":607,"type":42,"tunes":609},"h-state",{"text":608,"level":247},"L'état de l'agent n'est pas la même chose que le contexte du modèle",{},{"id":611,"data":612,"type":218,"tunes":614},"p-state-1",{"text":613},"Une tâche de longue durée peut nécessiter un état qui ne peut pas ou ne devrait pas rester dans le contexte du modèle : identifiants de tâche, points de contrôle, artefacts, approbations, identifiants d'objets externes, compteurs de tentatives et statut du flux de travail.",{},{"id":616,"data":617,"type":218,"tunes":619},"p-state-2",{"text":618},"Le runtime peut préserver cet état durable en dehors de la fenêtre du modèle et reconstruire le contexte nécessaire pour l'étape suivante. Cela permet de garder le contexte visible par le modèle ciblé tout en maintenant la continuité et la reprise.",{},{"id":621,"data":622,"type":42,"tunes":624},"h-memory",{"text":623,"level":247},"La mémoire est optionnelle, pas la définition d'un agent",{},{"id":626,"data":627,"type":218,"tunes":629},"p-memory-1",{"text":628},"Un agent peut fonctionner avec succès sans mémoire à long terme si la tâche complète tient dans une seule exécution bornée. La mémoire devient utile lorsque les informations doivent persister à travers les sessions, les tâches ou de longs horizons d'exécution.",{},{"id":631,"data":632,"type":218,"tunes":634},"p-memory-2",{"text":633},"RAG, mémoire, état et contexte résolvent des problèmes différents. Traiter une base de données vectorielle comme « la mémoire de l'agent » ou l'historique de conversation comme « la machine à états » masque généralement des frontières importantes de cycle de vie et d'autorité.",{},{"id":636,"data":637,"type":642,"tunes":643},"ref-memory",{"url":638,"title":639,"excerpt":640,"ctaLabel":641},"https:\u002F\u002Fstajic.de\u002Ffr\u002Fblog\u002Fai-agent-memory-is-not-rag-how-to-separate-memory-retrieval-state-and-context","La mémoire de l'agent IA n'est pas le RAG : comment séparer mémoire, récupération, état et contexte","Une architecture pratique séparant la mémoire persistante, l'état applicatif faisant autorité, la récupération et le contexte fourni au modèle.","Lire l'article sur l'architecture de la mémoire","referralArticle",{},{"id":645,"data":646,"type":42,"tunes":648},"h-context",{"text":647,"level":247},"L'ingénierie du contexte devient dynamique dans les agents",{},{"id":650,"data":651,"type":218,"tunes":653},"p-context-1",{"text":652},"Chaque appel d'outil peut produire un nouveau contexte. Chaque étape peut aussi rendre obsolètes les informations antérieures. Un runtime d'agent robuste reconstruit ou organise donc le contexte au fur et à mesure de l'exécution plutôt que de tout rejouer indéfiniment.",{},{"id":655,"data":656,"type":218,"tunes":658},"p-context-2",{"text":657},"Les définitions d'outils, l'état de la tâche, les preuves récupérées, les observations et la mémoire se disputent tous l'attention du modèle. Les agents de longue durée ont besoin d'élagage, de compactage ou de chargement juste-à-temps pour que le contexte reste pertinent pour la décision en cours.",{},{"id":660,"data":661,"type":42,"tunes":663},"h-sideeffects",{"text":662,"level":247},"Les outils de lecture et les outils à effet de bord présentent des risques différents",{},{"id":665,"data":666,"type":369,"tunes":688},"sideeffect-comparison",{"rows":667,"title":680,"layout":361,"columns":681},[668,672,676],{"id":669,"label":670,"values":671},"examples","Exemples",[347,347],{"id":673,"label":674,"values":675},"mainrisk","Risque principal",[347,347],{"id":677,"label":678,"values":679},"control","Contrôle typique",[347,347],"Accès à l'information versus action externe",[682,685],{"id":683,"label":684},"read","Lire \u002F observer",{"id":686,"label":687},"write","Écrire \u002F agir",{},{"id":690,"data":691,"type":42,"tunes":693},"h-approval",{"text":692,"level":247},"L'humain dans la boucle est un mécanisme de contrôle, pas l'opposé de l'IA agentique",{},{"id":695,"data":696,"type":218,"tunes":698},"p-approval-1",{"text":697},"Un agent ne cesse pas d'être agentique parce qu'un humain approuve des étapes conséquentes. Le modèle peut toujours inspecter, raisonner, rechercher et préparer une action de manière autonome, tandis que le runtime exige une confirmation humaine avant l'exécution.",{},{"id":700,"data":701,"type":218,"tunes":703},"p-approval-2",{"text":702},"Les directives actuelles d'OpenAI en matière de sécurité des agents recommandent explicitement des approbations pour les opérations d'outils dans les flux de travail à risque élevé. Anthropic met également l'accent sur les points de contrôle et le jugement humain lorsque les agents rencontrent des blocages ou des décisions conséquentes.",{},{"id":705,"data":706,"type":218,"tunes":708},"p-approval-3",{"text":707},"La question architecturale utile n'est pas « humain ou autonome ? » mais quelles décisions peuvent être déléguées, lesquelles nécessitent une revue et lesquelles doivent rester déterministes ?",{},{"id":710,"data":711,"type":42,"tunes":713},"h-stopping",{"text":712,"level":247},"Les agents ont besoin de conditions d'arrêt explicites",{},{"id":715,"data":716,"type":361,"tunes":748},"stop-table",{"content":717,"stretched":43,"withHeadings":14},[718,721,724,727,730,733,736,739,742,745],[719,720],"Condition d'arrêt","Objectif",[722,723],"Résultat vérifié avec succès","Terminer lorsque l'état cible externe est confirmé.",[725,726],"Nombre maximal d'étapes","Empêcher les boucles incontrôlées.",[728,729],"Budget temps","Borner l'exécution en temps réel.",[731,732],"Budget de coût\u002Fjetons","Limiter la consommation de ressources.",[734,735],"Détecteur d'actions répétées","Arrêter les boucles qui ne progressent plus.",[737,738],"Limite de permissions","Mettre en pause ou arrêter lorsque l'action suivante requise n'est pas autorisée.",[740,741],"Point de contrôle d'approbation humaine","Attendre avant une exécution conséquente.",[743,744],"Échec d'outil irrécupérable","Escalader au lieu de réessayer indéfiniment.",[746,747],"Seuil d'incertitude","Demander une clarification lorsque la tâche ne peut pas être déduite en toute sécurité.",{},{"id":750,"data":751,"type":42,"tunes":753},"h-errors",{"text":752,"level":247},"La récupération fait partie du comportement de l'agent",{},{"id":755,"data":756,"type":218,"tunes":758},"p-errors-1",{"text":757},"Les agents opèrent dans des environnements qui échouent : les API expirent, les fichiers changent, les identifiants expirent, les pages web se déplacent et les outils renvoient des sorties malformées. Un système agentique utile a donc besoin d'un comportement de récupération, pas seulement d'une boucle d'outils idéale.",{},{"id":760,"data":761,"type":218,"tunes":763},"p-errors-2",{"text":762},"La récupération peut inclure une nouvelle tentative avec limites, le choix d'un autre outil, la relecture de l'état actuel, demander à l'utilisateur, annuler une action partielle ou escalader vers un humain.",{},{"id":765,"data":766,"type":218,"tunes":768},"p-errors-3",{"text":767},"Les nouvelles tentatives doivent aussi tenir compte de l'idempotence. Répéter une lecture est généralement à faible risque ; répéter un paiement ou l'envoi d'un message peut créer des effets de bord en double.",{},{"id":770,"data":771,"type":42,"tunes":773},"h-single-multi",{"text":772,"level":247},"L'IA agentique ne nécessite pas plusieurs agents",{},{"id":775,"data":776,"type":218,"tunes":778},"p-multi-1",{"text":777},"Un agent unique avec un ensemble d'outils clair est souvent plus simple et plus facile à évaluer qu'une architecture multi-agents. Plusieurs agents sont utiles lorsque la spécialisation améliore matériellement l'isolation des outils, l'isolation des politiques, la clarté des invites, la propriété ou la lisibilité des traces.",{},{"id":780,"data":781,"type":218,"tunes":783},"p-multi-2",{"text":782},"Les directives actuelles d'orchestration d'OpenAI recommandent explicitement de commencer avec un seul agent lorsque c'est possible et d'ajouter des spécialistes uniquement lorsque le contrat ou la frontière de propriété change matériellement.",{},{"id":785,"data":786,"type":218,"tunes":788},"p-multi-3",{"text":787},"Les systèmes multi-agents ajoutent de nouveaux problèmes : qualité de la délégation, contexte dupliqué, état conflictuel, sémantique de transfert, identité, coût et gestion des défaillances distribuées.",{},{"id":790,"data":791,"type":42,"tunes":793},"h-protocols",{"text":792,"level":247},"Les protocoles d'agents sont des couches d'interopérabilité, pas l'agent lui-même",{},{"id":795,"data":796,"type":218,"tunes":798},"p-protocols-1",{"text":797},"Des protocoles tels que MCP et A2A peuvent rendre une architecture d'agent interopérable, mais ils ne créent pas la boucle de l'agent à eux seuls. MCP peut exposer des outils et des ressources. A2A peut connecter des agents implémentés indépendamment. L'application a toujours besoin d'un runtime, d'une autorisation, d'un état, d'une évaluation et d'une logique métier.",{},{"id":800,"data":801,"type":218,"tunes":803},"p-protocols-2",{"text":802},"C'est pourquoi la capacité du protocole doit rester séparée de l'autorité métier. Découvrir un outil via MCP ne prouve pas que le principal actuel est autorisé à l'utiliser. Recevoir une tâche via A2A ne prouve pas que l'agent distant peut effectuer toutes les actions demandées.",{},{"id":805,"data":806,"type":642,"tunes":811},"ref-protocols",{"url":807,"title":808,"excerpt":809,"ctaLabel":810},"https:\u002F\u002Fstajic.de\u002Fde\u002Fblog\u002Fmcp-vs-a2a-vs-ucp-vs-ap2-vs-a2ui-the-agent-protocol-stack-explained","MCP vs A2A vs UCP vs AP2 vs A2UI : la pile de protocoles d'agents expliquée","Une carte des responsabilités des protocoles montrant pourquoi l'accès aux outils, la collaboration entre agents, le commerce, l'autorité de paiement et l'interface pilotée par agent appartiennent à des frontières d'interopérabilité différentes.","Lire la pile de protocoles d'agents",{},{"id":813,"data":814,"type":42,"tunes":816},"h-reliability",{"text":815,"level":247},"La trajectoire fait partie de la fiabilité de l'agent",{},{"id":818,"data":819,"type":218,"tunes":821},"p-rel-1",{"text":820},"Une réponse finale est une preuve insuffisante pour un système agentique car un agent peut atteindre le bon résultat par un chemin dangereux ou invalide. Il peut utiliser un outil non autorisé, sauter une vérification requise, répéter un effet de bord, s'appuyer sur un état obsolète ou réussir accidentellement.",{},{"id":823,"data":824,"type":218,"tunes":826},"p-rel-2",{"text":825},"L'évaluation nécessite donc des traces d'exécution : décisions, appels d'outils, approbations, observations, changements d'état et résultat final. Les recommandations actuelles d'OpenAI en matière de sécurité préconisent des évaluateurs de traces et des évaluations ; les recommandations d'Anthropic de 2026 sur l'évaluation des agents traitent de la même manière les trajectoires d'outils multi-tours comme des objets d'évaluation de premier ordre.",{},{"id":828,"data":829,"type":218,"tunes":831},"p-rel-3",{"text":830},"La question de fiabilité plus forte est : l'agent a-t-il atteint un résultat acceptable par une trajectoire acceptable, récupérable et auditable ?",{},{"id":833,"data":834,"type":642,"tunes":839},"ref-reliability",{"url":835,"title":836,"excerpt":837,"ctaLabel":838},"https:\u002F\u002Fstajic.de\u002Ffr\u002Fblog\u002Fai-agent-reliability-why-the-final-answer-is-not-enough","Fiabilité des agents IA : pourquoi la réponse finale ne suffit pas","Pourquoi l'évaluation en production doit inspecter les trajectoires, l'utilisation des outils, les transitions d'état et la récupérabilité plutôt que seulement les réponses finales.","Lire l'article sur la fiabilité",{},{"id":841,"data":842,"type":42,"tunes":844},"h-security",{"text":843,"level":247},"Les systèmes agentiques augmentent la surface de sécurité",{},{"id":846,"data":847,"type":361,"tunes":884},"security-table",{"content":848,"stretched":43,"withHeadings":14},[849,852,856,860,864,868,872,876,880],[358,850,851],"Pourquoi les agents l'amplifient","Réponse architecturale",[853,854,855],"Injection de prompt","Un contenu non fiable peut influencer les futures décisions d'outils","Séparer les instructions des données ; contraindre les outils ; assainir ou structurer les entrées externes lorsque c'est possible",[857,858,859],"Permissions excessives","Les erreurs de raisonnement peuvent devenir des effets de bord réels","Moindre privilège, identifiants à portée limitée, politique par outil et approbations",[861,862,863],"Exposition des identifiants","Les outils peuvent nécessiter des secrets puissants","Garder les secrets hors du contexte du modèle ; intermédier l'accès via un runtime de confiance",[865,866,867],"Député confus","L'agent peut agir avec une autorité plus large que l'utilisateur demandeur","Lier l'exécution à l'identité de l'utilisateur\u002Fservice et réautoriser les actions conséquentes",[869,870,871],"Boucles emballées","Le modèle appelle répétitivement des outils sans progrès","Budgets d'étapes, de temps et de coût plus détection de boucles",[873,874,875],"Dérive d'état","L'environnement change après que l'agent a formé un plan","Relire l'état faisant autorité avant les actions conséquentes",[877,878,879],"Injection indirecte","Le contenu d'outil\u002Fweb\u002Fdocument contient des instructions visant le modèle","Traiter le contenu externe comme des données non fiables, non comme une autorité d'instruction",[881,882,883],"Lacune d'audit","Le résultat final ne peut pas montrer ce qui a été exécuté","Tracer les appels d'outils, les approbations, les identités et les changements d'état",{},{"id":886,"data":887,"type":42,"tunes":889},"h-observability",{"text":888,"level":247},"L'observabilité de l'agent doit suivre la boucle",{},{"id":891,"data":892,"type":218,"tunes":894},"p-obs-1",{"text":893},"L'observabilité traditionnelle des services enregistre les requêtes, la latence et les erreurs. L'observabilité des agents nécessite un modèle d'exécution supplémentaire : quel agent était actif, quelle version du modèle a pris la décision, quel contexte était disponible, quel outil a été sélectionné, quels arguments ont été envoyés, quel résultat est revenu et pourquoi l'exécution s'est arrêtée.",{},{"id":896,"data":897,"type":218,"tunes":899},"p-obs-2",{"text":898},"Pour les systèmes sensibles, les traces elles-mêmes nécessitent un contrôle d'accès et une politique de rétention car les prompts, les sorties d'outils et les artefacts peuvent contenir des données confidentielles.",{},{"id":901,"data":902,"type":42,"tunes":904},"h-eval",{"text":903,"level":247},"Comment évaluer un système agentique",{},{"id":906,"data":907,"type":361,"tunes":952},"eval-table",{"content":908,"stretched":43,"withHeadings":14},[909,912,916,920,924,928,932,936,940,944,948],[910,521,911],"Dimension","Exemple de preuve",[913,914,915],"Succès de la tâche","Le résultat demandé s'est-il produit ?","État externe, tests, résultat métier",[917,918,919],"Qualité de la trajectoire","Les étapes étaient-elles acceptables ?","Trace d'outil\u002Faction",[921,922,923],"Sélection d'outil","L'agent a-t-il choisi des capacités appropriées ?","Appels d'outils attendus vs réels",[925,926,927],"Respect des permissions","Est-il resté dans l'autorité autorisée ?","Journaux d'autorisation et tests d'action refusée",[929,930,931],"Gestion de l'état","A-t-il utilisé l'état faisant autorité actuel ?","Vérifications de fraîcheur et tests de changement d'état",[933,934,935],"Récupération","A-t-il répondu correctement aux défaillances ?","Scénarios de timeout\u002Ferreur injectés",[937,938,939],"Comportement d'arrêt","S'est-il arrêté au bon moment ?","Nombre d'étapes, détection de boucles, preuve d'état final",[941,942,943],"Escalade humaine","A-t-il demandé quand une revue était requise ?","Traces d'approbation\u002Fescalade",[945,946,947],"Coût\u002Flatence","L'autonomie valait-elle le coût opérationnel ?","Tokens, appels d'outils, durée",[949,950,951],"Robustesse","Survit-il à une variation réaliste de l'environnement ?","Essais répétés et adversariaux",{},{"id":954,"data":955,"type":42,"tunes":957},"h-use",{"text":956,"level":247},"Quand un agent est approprié",{},{"id":959,"data":960,"type":361,"tunes":986},"use-table",{"content":961,"stretched":43,"withHeadings":14},[962,965,968,971,974,977,980,983],[963,964],"Utilisez un agent quand","Préférez un workflow ou un appel simple quand",[966,967],"Le nombre ou l'ordre des étapes ne peut pas être connu de manière fiable à l'avance","La séquence est stable et déterministe",[969,970],"Le système doit inspecter l'environnement et s'adapter","Une seule étape de récupération + génération suffit",[972,973],"Plusieurs outils peuvent être utiles selon les résultats intermédiaires","Un seul appel API connu résout la tâche",[975,976],"La tâche bénéficie d'une vérification ou d'une réparation itérative","La réponse peut être produite directement à partir du contexte fourni",[978,979],"Les échecs nécessitent un comportement de récupération flexible","Les branches d'échec sont simples et peuvent être encodées explicitement",[981,982],"Une revue humaine peut être insérée à des points de contrôle significatifs","Chaque étape est à haut risque et doit de toute façon être contrôlée manuellement",[984,985],"La valeur attendue justifie la latence, le coût et la complexité supplémentaires","La prévisibilité et le faible coût importent plus que la flexibilité",{},{"id":988,"data":989,"type":218,"tunes":991},"p-use-1",{"text":990},"Un bon défaut consiste à commencer par la solution la plus simple qui fonctionne et à n'augmenter la complexité agentique que lorsque la flexibilité produit une valeur mesurable. Les agents échangent la prévisibilité, la latence et le coût contre une exécution adaptative.",{},{"id":993,"data":994,"type":42,"tunes":996},"h-implementation",{"text":995,"level":247},"Preuves d'implémentation originales",{},{"id":998,"data":999,"type":42,"tunes":1001},"h-client",{"text":1000,"level":246},"Aaasaasa AI Client : modèle, runtime et permission sont séparés",{},{"id":1003,"data":1004,"type":218,"tunes":1006},"p-client-1",{"text":1005},"Aaasaasa AI Client sépare explicitement l'agent\u002Fclient, le fournisseur, le modèle, l'emplacement du runtime et les permissions. Sa documentation d'architecture traite les permissions comme une politique centrale d'outil\u002Fespace de travail plutôt que comme une propriété du modèle.",{},{"id":1008,"data":1009,"type":218,"tunes":1011},"p-client-2",{"text":1010},"La même application peut exposer un Direct Chat sans outils de système de fichiers ou de shell, tandis qu'un runtime Codex fonctionne sous un espace de travail et un profil de permissions sélectionnés. Cela démontre une frontière architecturale agentique essentielle : changer la surface du runtime\u002Foutils change ce que le système peut faire, même lorsque l'accès au modèle reste disponible.",{},{"id":1013,"data":1014,"type":218,"tunes":1016},"p-client-3",{"text":1015},"Le dépôt distingue également un runtime Codex local de l'emplacement du modèle : un runtime local peut appeler un modèle cloud. Cela évite l'erreur courante consistant à assimiler « l'agent s'exécute localement » à « l'inférence est locale ».",{},{"id":1018,"data":1019,"type":218,"tunes":1021},"p-client-4",{"text":1020},"L'implémentation désactive les chemins d'exécution intégrés dont la sémantique d'approbation ne satisfait pas le modèle de permissions requis. Cela soutient le principe selon lequel la capacité d'un agent ne doit pas contourner l'autorisation du runtime simplement parce qu'un framework sous-jacent peut exécuter des outils.",{},{"id":1023,"data":1024,"type":42,"tunes":1026},"h-sot-agent",{"text":1025,"level":246},"Source of Truth Research Engine : étapes de recherche agentique bornées",{},{"id":1028,"data":1029,"type":218,"tunes":1031},"p-sot-1",{"text":1030},"Le Source of Truth Research Engine utilise un pipeline de recherche borné : découvrir → acquérir → extraire → vérifier → contredire → synthétiser. Les tâches de recherche peuvent s'exécuter via un runtime IA tandis que les preuves, sources, affirmations et contradictions restent dans un stockage persistant externe.",{},{"id":1033,"data":1034,"type":218,"tunes":1036},"p-sot-2",{"text":1035},"C'est intentionnellement plus contrôlé qu'un agent de recherche autonome non contraint. Les étapes fournissent des garde-fous sur le type de travail à effectuer ensuite tout en permettant une recherche pilotée par le modèle à l'intérieur de chaque tâche bornée.",{},{"id":1038,"data":1039,"type":218,"tunes":1041},"p-sot-3",{"text":1040},"Cette distinction est une preuve utile pour la conception d'agents : l'autonomie peut être placée à l'intérieur d'une enveloppe de livraison structurée plutôt qu'appliquée uniformément à l'ensemble du processus.",{},{"id":1043,"data":1044,"type":361,"tunes":1067},"impl-table",{"content":1045,"stretched":43,"withHeadings":14},[1046,1049,1052,1055,1058,1061,1064],[1047,1048],"Modèle implémenté","Leçon d'architecture agentique",[1050,1051],"Direct Chat n'a pas d'outils OS","Un modèle peut exister sans capacité d'exécution agentique.",[1053,1054],"Le runtime Codex a un profil de permissions d'espace de travail","L'autorité des outils appartient à la politique du runtime, pas à la capacité du modèle.",[1056,1057],"Fournisseur\u002Fmodèle\u002Fruntime sont des concepts séparés","L'emplacement du harnais d'agent et l'emplacement de l'inférence sont des décisions indépendantes.",[1059,1060],"Courtier de permissions pour les runtimes capables d'outils","L'exposition des capacités peut être centralisée et gouvernée.",[1062,1063],"Étapes de recherche bornées","L'autonomie peut opérer à l'intérieur de frontières de processus explicites.",[1065,1066],"Affirmations\u002Fpreuves persistantes en dehors du contexte du modèle","L'état de l'agent et les preuves n'ont pas besoin de résider uniquement dans l'historique de conversation.",{},{"id":1069,"data":1070,"type":226,"tunes":1073},"impl-boundary",{"body":1071,"title":1072,"variant":240},"Ces projets démontrent des modèles concrets d'agent\u002Fruntime, de permissions et de recherche bornée. Ils ne sont pas présentés comme une preuve d'un déploiement commercial à grande échelle d'agents autonomes.","Frontière des preuves",{},{"id":1075,"data":1076,"type":42,"tunes":1078},"h-failures",{"text":1077,"level":247},"Modes de défaillance courants de l'IA agentique",{},{"id":1080,"data":1081,"type":361,"tunes":1122},"failure-table",{"content":1082,"stretched":43,"withHeadings":14},[1083,1086,1089,1092,1095,1098,1101,1104,1107,1110,1113,1116,1119],[1084,1085],"Mode de défaillance","Ce qui a réellement échoué",[1087,1088],"« L'agent » n'est qu'un chatbot avec des outils listés dans le prompt","Aucune boucle de runtime fiable ni architecture d'exécution d'outils n'existe",[1090,1091],"Le support d'outils est traité comme une permission","Les frontières de capacité et d'autorisation sont confondues",[1093,1094],"L'agent fait confiance à sa propre déclaration d'achèvement","Le résultat n'est pas vérifié par rapport à l'état externe",[1096,1097],"Chaque tâche devient multi-agent","La complexité augmente sans véritable frontière de propriété ou de spécialisation",[1099,1100],"L'historique de conversation est utilisé comme état durable","La reprise et l'état faisant autorité deviennent fragiles",[1102,1103],"L'agent réessaie les effets de bord aveuglément","Des messages, paiements ou changements d'état en double deviennent possibles",[1105,1106],"Aucune limite d'étapes\u002Fcoûts","L'agent peut boucler indéfiniment ou consommer des ressources non contrôlées",[1108,1109],"La sortie d'outil est traitée comme une instruction","L'injection de prompt indirecte peut rediriger le comportement",[1111,1112],"La réponse finale correcte est la seule évaluation","Les trajectoires dangereuses ou invalides restent invisibles",[1114,1115],"La mise à niveau du modèle est traitée comme transparente","La sélection d'outils, la planification et le comportement d'arrêt peuvent changer",[1117,1118],"Un seul outil large expose de nombreuses opérations privilégiées","Le rayon d'impact augmente et l'intention devient plus difficile à valider",[1120,1121],"L'approbation humaine existe mais le réviseur manque de contexte","L'approbation devient cérémonielle plutôt qu'efficace",{},{"id":1124,"data":1125,"type":42,"tunes":1127},"h-misconceptions",{"text":1126,"level":247},"Idées fausses courantes",{},{"id":1129,"data":1130,"type":361,"tunes":1165},"misconceptions-table",{"content":1131,"stretched":43,"withHeadings":14},[1132,1135,1138,1141,1144,1147,1150,1153,1156,1159,1162],[1133,1134],"Idée fausse","Correction",[1136,1137],"« Un LLM est un agent. »","Le modèle est le composant de décision ; l'agent est le système environnant qui gère les outils, l'état et l'itération.",[1139,1140],"« L'appel d'outils signifie automatiquement une IA agentique. »","Un seul appel d'outil borné peut ne pas impliquer une boucle d'agent adaptative à plusieurs étapes.",[1142,1143],"« Les agents doivent être entièrement autonomes. »","Les systèmes agentiques peuvent exiger des approbations et fonctionner sous des frontières de permissions étroites.",[1145,1146],"« Les agents ont besoin d'une mémoire à long terme. »","La mémoire est facultative ; de nombreux agents utiles accomplissent des tâches bornées sans mémoire inter-sessions.",[1148,1149],"« Les agents doivent d'abord créer un plan écrit. »","La planification peut être explicite ou implicite et peut se produire une étape à la fois.",[1151,1152],"« Le multi-agent est plus avancé que le mono-agent. »","C'est plus complexe ; utilisez-le uniquement lorsque des frontières de spécialisation ou de propriété le justifient.",[1154,1155],"« MCP crée un agent. »","MCP expose des outils\u002Fressources ; le runtime a toujours besoin d'une boucle d'agent et d'un modèle d'autorisation.",[1157,1158],"« Un runtime local signifie que le modèle est local. »","L'emplacement du runtime et l'emplacement de l'inférence\u002Ffournisseur sont séparés.",[1160,1161],"« Si le résultat final est correct, l'agent a fonctionné correctement. »","Une trajectoire dangereuse ou non autorisée peut tout de même produire un résultat correct.",[1163,1164],"« L'approbation humaine supprime l'autonomie. »","L'approbation peut contraindre certaines actions tandis que le reste du processus reste dirigé par le modèle.",{},{"id":1167,"data":1168,"type":42,"tunes":1170},"h-design",{"text":1169,"level":247},"Une séquence pratique de conception d'agent",{},{"id":1172,"data":1173,"type":317,"tunes":1212},"design-flow",{"steps":1174,"title":1211,"orientation":316},[1175,1178,1181,1184,1187,1190,1193,1196,1199,1202,1205,1208],{"label":1176,"description":1177},"1. Définir le résultat","Énoncer quel résultat externe ou artefact prouve la réussite de la tâche.",{"label":1179,"description":1180},"2. Décider si un agent est réellement nécessaire","Préférer un simple appel ou un flux de travail déterministe lorsque le chemin est prévisible.",{"label":1182,"description":1183},"3. Identifier l'état et la source de vérité","Définir quels systèmes détiennent les faits actuels, la progression de la tâche et l'état métier.",{"label":1185,"description":1186},"4. Définir la surface des outils","Exposer le plus petit ensemble de capacités claires requises pour la tâche.",{"label":1188,"description":1189},"5. Lier l'identité et les permissions","Séparer l'autorité de l'utilisateur, les permissions de l'agent\u002Fruntime et les capacités des outils.",{"label":1191,"description":1192},"6. Choisir les limites d'autonomie","Spécifier ce que le modèle peut décider dynamiquement et ce qui reste déterministe.",{"label":1194,"description":1195},"7. Ajouter des points de contrôle d'approbation","Exiger une revue avant les actions conséquentes ou irréversibles lorsque cela est approprié.",{"label":1197,"description":1198},"8. Définir l'arrêt et la récupération","Établir la preuve de succès, les budgets, les délais d'attente, les tentatives, l'escalade et les contrôles de boucle.",{"label":1200,"description":1201},"9. Concevoir la gestion du contexte et de l'état","Conserver l'état actuel, la mémoire, les observations des outils et les artefacts durables dans les bonnes couches.",{"label":1203,"description":1204},"10. Tracer la trajectoire","Enregistrer suffisamment de structure d'exécution pour déboguer et auditer les décisions du modèle et des outils.",{"label":1206,"description":1207},"11. Évaluer les défaillances réalistes","Tester l'état obsolète, les erreurs d'outils, l'injection de prompt, les demandes ambiguës et les environnements modifiés.",{"label":1209,"description":1210},"12. Étendre l'autonomie uniquement à partir de preuves","Augmenter les permissions ou l'horizon d'exécution lorsque l'évaluation montre que le bénéfice justifie le risque.","Concevoir l'agent à partir de l'autorité vers l'extérieur",{},{"id":1214,"data":1215,"type":42,"tunes":1217},"h-checklist",{"text":1216,"level":247},"Liste de contrôle de l'architecture d'IA agentique",{},{"id":1219,"data":1220,"type":361,"tunes":1263},"checklist-table",{"content":1221,"stretched":43,"withHeadings":14},[1222,1224,1227,1230,1233,1236,1239,1242,1245,1248,1251,1254,1257,1260],[521,1223],"Preuve attendue",[1225,1226],"Qu'est-ce qui prouve le succès ?","Résultat externe, artefact, test ou état faisant autorité.",[1228,1229],"Pourquoi un agent est-il nécessaire ?","Le chemin dépend réellement d'observations intermédiaires.",[1231,1232],"Quelles décisions sont pilotées par le modèle ?","Limite d'autonomie explicite.",[1234,1235],"Quels outils existent ?","Ensemble de capacités restreint, documenté et sans ambiguïté.",[1237,1238],"Qui peut utiliser chaque outil ?","Politique d'autorisation tenant compte de l'identité et du contexte.",[1240,1241],"Quelles actions nécessitent une approbation ?","Règles de revue basées sur les conséquences.",[1243,1244],"Où réside l'état de la tâche ?","État détenu par l'application, séparé du contexte transitoire du modèle.",[1246,1247],"Comment l'agent récupère-t-il ?","Comportement de nouvelle tentative, relecture, annulation, clarification et escalade.",[1249,1250],"Comment s'arrête-t-il ?","Achèvement vérifié plus limites d'étapes, de temps et de coût.",[1252,1253],"Comment les effets de bord sont-ils protégés ?","Validation, idempotence, moindre privilège et confirmation.",[1255,1256],"L'exécution peut-elle être reconstruite ?","Traces des outils, des approbations et des transitions d'état.",[1258,1259],"Comment est-il évalué ?","Tests de résultat, de trajectoire et de robustesse.",[1261,1262],"Qu'est-ce qui change après une mise à jour du modèle ou du runtime ?","Suite de régression pour la sélection des outils, les permissions, l'arrêt et la récupération.",{},{"id":1265,"data":1266,"type":42,"tunes":1268},"h-edge",{"text":1267,"level":247},"Cas limites et limitations",{},{"id":1270,"data":1271,"type":218,"tunes":1273},"p-edge-1",{"text":1272},"Certains systèmes ne sont « agentiques » que dans un sens étroit de routage : le modèle sélectionne un spécialiste ou un outil, puis le reste du flux de travail est déterministe. Cela peut rester utile, mais cela ne doit pas être décrit comme équivalent à un agent autonome de longue durée.",{},{"id":1275,"data":1276,"type":218,"tunes":1278},"p-edge-2",{"text":1277},"Les domaines à fort enjeu peuvent intentionnellement restreindre l'autonomie de l'agent. Un système d'IA peut examiner des preuves, préparer des recommandations et remplir des formulaires structurés tandis qu'un humain reste le seul acteur autorisé à valider la transaction finale.",{},{"id":1280,"data":1281,"type":218,"tunes":1283},"p-edge-3",{"text":1282},"Certains environnements sont bien adaptés aux agents parce que le retour d'information est objectif. Les agents de codage peuvent exécuter des tests ; les agents d'infrastructure peuvent inspecter des métriques ; les agents de données peuvent valider les résultats de requêtes. Les domaines ouverts avec un retour d'information faible exigent une évaluation plus prudente.",{},{"id":1285,"data":1286,"type":218,"tunes":1288},"p-edge-4",{"text":1287},"Un agent peut fonctionner entièrement en local, entièrement via des services cloud gérés ou dans une architecture hybride. Le comportement agentique décrit le flux de contrôle, non l'emplacement d'hébergement.",{},{"id":1290,"data":1291,"type":218,"tunes":1293},"p-edge-5",{"text":1292},"Le terme « raisonnement » ne doit pas être utilisé comme preuve que le processus interne de l'agent est correct. L'assurance en production doit s'appuyer sur des entrées, des actions, des sorties, des états et des évaluations observables plutôt que sur des affirmations non vérifiables concernant un raisonnement caché.",{},{"id":1295,"data":1296,"type":42,"tunes":1298},"h-change",{"text":1297,"level":247},"Qu'est-ce qui changerait cette réponse ?",{},{"id":1300,"data":1301,"type":218,"tunes":1303},"p-change-1",{"text":1302},"Les API des fournisseurs et les frameworks d'agents continueront d'évoluer, mais la frontière architecturale est stable : un modèle propose des décisions, un runtime gère la boucle, les outils se connectent à l'environnement, les permissions contraignent les actions et les observations externes déterminent ce qui s'est réellement produit.",{},{"id":1305,"data":1306,"type":218,"tunes":1308},"p-change-2",{"text":1307},"À mesure que les modèles deviennent plus fiables, les systèmes peuvent déléguer en toute sécurité des horizons plus longs ou un comportement de récupération plus complexe. À mesure que la vérification et l'autorisation au runtime s'améliorent, certaines étapes d'approbation peuvent être automatisées. Ce sont des changements de niveau d'autonomie, non des changements des couches de responsabilité fondamentales.",{},{"id":1310,"data":1311,"type":218,"tunes":1313},"p-change-3",{"text":1312},"L'architecture recommandée change également selon les conséquences. Un agent de recherche qui ne lit que des sources publiques peut tolérer des contrôles différents de ceux d'un agent qui écrit de la configuration de production ou déplace de l'argent.",{},{"id":1315,"data":1316,"type":42,"tunes":1318},"h-related",{"text":1317,"level":247},"Connaissances canoniques associées",{},{"id":1320,"data":1321,"type":218,"tunes":1323},"p-related-1",{"text":1322},"L'IA agentique se situe au-dessus de plusieurs couches prérequises : l'ingénierie du contexte détermine ce que le modèle voit ; l'architecture de la source de vérité détermine quelles informations font autorité ; la récupération fournit des preuves externes ; l'architecture du runtime détermine ce qui peut s'exécuter.",{},{"id":1325,"data":1326,"type":218,"tunes":1328},"p-related-2",{"text":1327},"Les nœuds en aval incluent l'appel d'outils, MCP, A2A, l'identité des agents, les permissions, l'auditabilité, l'humain dans la boucle, l'orchestration, la mémoire et les systèmes multi-agents.",{},{"id":1330,"data":1331,"type":218,"tunes":1333},"p-related-3",{"text":1332},"L'article sur la pile de protocoles doit donc être lu après le concept de base d'agent : les protocoles normalisent les frontières autour des agents ; ils ne définissent pas le comportement agentique lui-même.",{},{"id":1335,"data":1336,"type":42,"tunes":1338},"h-faq",{"text":1337,"level":247},"Questions fréquentes",{},{"id":1340,"data":1341,"type":1340,"tunes":1380},"faq",{"items":1342,"title":1379},[1343,1347,1351,1355,1359,1363,1367,1371,1375],{"id":1344,"answer":1345,"question":1346},"faq1","L'IA agentique est un système d'IA dans lequel un modèle peut poursuivre un objectif sur plusieurs étapes en choisissant des actions ou des outils, en observant les résultats, en mettant à jour son état et en continuant jusqu'à ce qu'une condition d'arrêt soit atteinte.","Qu'est-ce que l'IA agentique ?",{"id":1348,"answer":1349,"question":1350},"faq2","Un LLM produit des sorties à partir d'entrées. Un agent combine un modèle avec un environnement d'exécution, des outils, un état, des permissions, une gestion du contexte et une boucle d'exécution itérative.","Quelle est la différence entre un LLM et un agent d'IA ?",{"id":1352,"answer":1353,"question":1354},"faq3","Pas nécessairement. Une réponse unique d'un modèle assisté par un outil peut être bornée et non agentique. Un comportement agentique apparaît lorsque les observations d'outils pilotent une boucle adaptative à plusieurs étapes.","L'appel d'outils fait-il d'un système un agent ?",{"id":1356,"answer":1357,"question":1358},"faq4","Un flux de travail suit généralement un chemin de processus défini dans le code de l'application. Un agent dispose d'un contrôle davantage piloté par le modèle sur les étapes et les outils à utiliser en fonction des observations intermédiaires.","Quelle est la différence entre un agent et un flux de travail d'IA ?",{"id":1360,"answer":1361,"question":1362},"faq5","Non. La mémoire à long terme est utile pour conserver des informations entre les sessions, mais de nombreux agents accomplissent des tâches bornées en utilisant uniquement l'état et le contexte de la tâche en cours.","Les agents ont-ils besoin de mémoire ?",{"id":1364,"answer":1365,"question":1366},"faq6","Non. Un agent unique est souvent plus simple. Les systèmes multi-agents se justifient lorsque la spécialisation, l'isolation des outils, l'isolation des politiques ou les frontières de responsabilité améliorent matériellement le système.","Les agents d'IA ont-ils besoin de plusieurs agents ?",{"id":1368,"answer":1369,"question":1370},"faq7","Oui. L'agent peut effectuer de manière autonome des analyses et des préparations à faible risque tandis que l'environnement d'exécution s'interrompt pour obtenir l'approbation humaine avant les actions conséquentes.","Un agent peut-il fonctionner avec un humain dans la boucle ?",{"id":1372,"answer":1373,"question":1374},"faq8","Non. MCP est un protocole d'interopérabilité pour exposer des outils, des ressources et des invites. Un environnement d'exécution d'agent peut utiliser MCP, mais il a toujours besoin de sa propre boucle, de son état, de son autorisation et de son évaluation.","MCP est-il un framework d'agent ?",{"id":1376,"answer":1377,"question":1378},"faq9","Dans la mesure du possible, vérifiez le succès par l'état externe, des tests, des artefacts ou des enregistrements système faisant autorité plutôt que de faire confiance à la déclaration d'achèvement du modèle lui-même.","Comment savoir si un agent a réellement accompli une tâche ?","FAQ sur l'IA agentique",{},{"id":1382,"data":1383,"type":42,"tunes":1385},"h-glossary",{"text":1384,"level":247},"Glossaire",{},{"id":1387,"data":1388,"type":1387,"tunes":1433},"glossary",{"title":1389,"entries":1390},"Termes clés de l'IA agentique",[1391,1395,1399,1402,1405,1409,1413,1417,1421,1425,1429],{"term":1392,"anchor":1393,"definition":1394},"IA agentique","agentic-ai","Comportement d'un système d'IA dans lequel un modèle dirige dynamiquement une exécution à plusieurs étapes à l'aide d'outils, d'observations et d'un état vers un objectif.",{"term":1396,"anchor":1397,"definition":1398},"Agent d'IA","ai-agent","Système centré sur un modèle avec un environnement d'exécution, des outils, un état et une boucle d'exécution capable de poursuivre une tâche sur plusieurs étapes.",{"term":406,"anchor":1400,"definition":1401},"agent-loop","Cycle répété de décision du modèle, d'exécution d'outil ou d'action, d'observation et de décision mise à jour du modèle jusqu'à l'arrêt.",{"term":447,"anchor":1403,"definition":1404},"runtime-harness","La couche d'exécution qui gère la boucle du modèle, les outils, l'état, les approbations, le contexte, les erreurs et les conditions d'arrêt.",{"term":1406,"anchor":1407,"definition":1408},"Outil","tool","Une capacité exposée au modèle pour lire des informations, calculer, déléguer ou modifier un état externe.",{"term":1410,"anchor":1411,"definition":1412},"Observation","observation","Information renvoyée par un outil ou un environnement et fournie à une étape ultérieure de l'agent.",{"term":1414,"anchor":1415,"definition":1416},"État de l'agent","agent-state","Informations persistantes sur la tâche ou l'exécution qui existent en dehors d'une sortie unique du modèle et peuvent survivre entre les étapes ou les pauses.",{"term":1418,"anchor":1419,"definition":1420},"Frontière d'autonomie","autonomy-boundary","La limite explicite définissant quelles décisions et actions le modèle peut contrôler dynamiquement.",{"term":1422,"anchor":1423,"definition":1424},"Humain dans la boucle","human-in-the-loop","Un modèle de contrôle dans lequel l'examen, la contribution ou l'approbation humaine est requise à des points sélectionnés d'un processus piloté par l'IA.",{"term":1426,"anchor":1427,"definition":1428},"Trajectoire","trajectory","La séquence d'états, de décisions, d'appels d'outils, d'actions et d'observations pertinents entre la demande de tâche et le résultat final.",{"term":1430,"anchor":1431,"definition":1432},"Idempotence","idempotency","Propriété qui permet de répéter une opération sans appliquer involontairement le même effet secondaire plusieurs fois.",{},{"id":1435,"data":1436,"type":42,"tunes":1438},"h-conclusion",{"text":1437,"level":247},"Conclusion",{},{"id":1440,"data":1441,"type":218,"tunes":1443},"p-conclusion-1",{"text":1442},"L'IA agentique n'est pas simplement un modèle plus intelligent ou un chatbot doté de plus d'outils. C'est une architecture système dans laquelle un modèle participe à une boucle de contrôle itérative : décider, agir, observer, mettre à jour et continuer.",{},{"id":1445,"data":1446,"type":218,"tunes":1448},"p-conclusion-2",{"text":1447},"Le modèle fournit une prise de décision flexible, mais l'environnement d'exécution environnant doit assumer la réalité de l'exécution : permissions, accès aux outils, état, approbations, nouvelles tentatives, budgets, conditions d'arrêt, traçage et vérification.",{},{"id":1450,"data":1451,"type":218,"tunes":1453},"p-conclusion-3",{"text":1452},"Le principe de conception le plus utile est donc le suivant : déléguer le choix tactique au modèle uniquement à l'intérieur de frontières techniques et commerciales explicites. La capacité agentique ne devient une capacité de production que lorsque l'autonomie, l'autorité et les preuves restent séparables.",{},{"id":1455,"data":1456,"type":42,"tunes":1458},"h-sources",{"text":1457,"level":247},"Sources primaires et orientations actuelles",{},{"id":1460,"data":1461,"type":218,"tunes":1463},"p-sources-note",{"text":1462},"Les sources ci-dessous étayent les distinctions architecturales actuelles autour des agents, des flux de travail, des boucles, des outils, de l'orchestration, de la sécurité et de l'évaluation. Les sections du projet constituent des preuves de mise en œuvre originales et sont explicitement limitées à ce que les dépôts démontrent.",{},{"id":1465,"data":1466,"type":1472,"tunes":1473},"src-openai-agents",{"link":1467,"meta":1468},"https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Fagents",{"image":1469,"title":1470,"description":1471},{"url":347},"OpenAI — Agents","Orientations actuelles pour les développeurs définissant les choix d'environnement d'exécution pour le travail à plusieurs étapes, les outils, l'état, l'orchestration et l'exécution des agents.","linkTool",{},{"id":1475,"data":1476,"type":1472,"tunes":1482},"src-openai-definitions",{"link":1477,"meta":1478},"https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Fagents\u002Fdefine-agents",{"image":1479,"title":1480,"description":1481},{"url":347},"OpenAI — Définitions des agents","Documentation actuelle décrivant un agent comme un modèle plus des instructions et un comportement d'exécution optionnel incluant des outils, des garde-fous, des serveurs MCP et des transferts.",{},{"id":1484,"data":1485,"type":1472,"tunes":1491},"src-openai-running",{"link":1486,"meta":1487},"https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Fagents\u002Frunning-agents",{"image":1488,"title":1489,"description":1490},{"url":347},"OpenAI — Exécution des agents","Documentation actuelle de la boucle d'agent : appel du modèle, exécution d'outil ou transfert, continuation et point d'arrêt final.",{},{"id":1493,"data":1494,"type":1472,"tunes":1500},"src-openai-orchestration",{"link":1495,"meta":1496},"https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Fagents\u002Forchestration",{"image":1497,"title":1498,"description":1499},{"url":347},"OpenAI — Orchestration et transferts","Orientations actuelles sur les transferts, les agents en tant qu'outils et les cas où des agents spécialisés ajoutent des frontières utiles de responsabilité ou de capacité.",{},{"id":1502,"data":1503,"type":1472,"tunes":1509},"src-openai-safety",{"link":1504,"meta":1505},"https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Fagent-builder-safety",{"image":1506,"title":1507,"description":1508},{"url":347},"OpenAI — Sécurité dans la construction d'agents","Orientations actuelles en matière de sécurité couvrant les approbations d'outils, l'injection d'invites, les garde-fous et l'évaluation basée sur les traces.",{},{"id":1511,"data":1512,"type":1472,"tunes":1518},"src-anthropic-agents",{"link":1513,"meta":1514},"https:\u002F\u002Fwww.anthropic.com\u002Fengineering\u002Fbuilding-effective-agents",{"image":1515,"title":1516,"description":1517},{"url":347},"Anthropic — Construire des agents efficaces","Orientations d'ingénierie distinguant les flux de travail prédéfinis des agents pilotés par le modèle et décrivant les boucles de rétroaction environnementale basées sur des outils.",{},{"id":1520,"data":1521,"type":1472,"tunes":1527},"src-anthropic-context",{"link":1522,"meta":1523},"https:\u002F\u002Fwww.anthropic.com\u002Fengineering\u002Feffective-context-engineering-for-ai-agents",{"image":1524,"title":1525,"description":1526},{"url":347},"Anthropic — Ingénierie de contexte efficace pour les agents d'IA","Cadrage pratique des agents comme des LLM utilisant de manière autonome des outils dans une boucle, avec une gestion dynamique du contexte juste à temps.",{},{"id":1529,"data":1530,"type":1472,"tunes":1536},"src-anthropic-evals",{"link":1531,"meta":1532},"https:\u002F\u002Fwww.anthropic.com\u002Fengineering\u002Fdemystifying-evals-for-ai-agents",{"image":1533,"title":1534,"description":1535},{"url":347},"Anthropic — Démystifier les évaluations pour les agents d'IA","Orientations de 2026 sur l'évaluation des agents multi-tours qui appellent des outils, modifient l'état et s'adaptent aux résultats intermédiaires.",{},"2.31","L'IA agentique utilise des modèles au sein de boucles d'exécution multi-étapes où ils peuvent choisir des outils, observer les résultats, mettre à jour l'état et adapter leur action suivante dans des limites explicites d'exécution et de permissions.","\u002Fuploads\u002F2026\u002F10\u002Fagentic-ai-explained-when-an-ai-system-can-plan-use-tools-and-act-1791481499084-wnji2a.webp","agentic-ai-explained-when-an-ai-system-can-plan-use-tools-and-act-1791481499084-wnji2a","PUBLISHED","2026-10-08T11:43:00.000Z","2026-10-08T17:43:28.373Z","2026-10-08T19:19:47.140Z",{"en":1546,"de":1547,"sr":1548,"es":1549,"fr":1550,"it":1551,"ru":1552,"zh":1553},"\u002Fblog\u002Fagentic-ai-explained-when-an-ai-system-can-plan-use-tools-and-act","\u002Fde\u002Fblog\u002Fagentic-ai-explained-when-an-ai-system-can-plan-use-tools-and-act","\u002Fsr\u002Fblog\u002Fagentic-ai-explained-when-an-ai-system-can-plan-use-tools-and-act","\u002Fes\u002Fblog\u002Fagentic-ai-explained-when-an-ai-system-can-plan-use-tools-and-act","\u002Ffr\u002Fblog\u002Fagentic-ai-explained-when-an-ai-system-can-plan-use-tools-and-act","\u002Fit\u002Fblog\u002Fagentic-ai-explained-when-an-ai-system-can-plan-use-tools-and-act","\u002Fru\u002Fblog\u002Fagentic-ai-explained-when-an-ai-system-can-plan-use-tools-and-act","\u002Fzh\u002Fblog\u002Fagentic-ai-explained-when-an-ai-system-can-plan-use-tools-and-act",[1555,1559,1563],{"id":1556,"name":1557,"slug":1558},84,"Politique et limites des données","policy-and-data",{"id":1560,"name":1561,"slug":1562},57,"Limites des données","data-boundaries",{"id":1564,"name":1565,"slug":1566},59,"Gouvernance et audit","governance",{"id":1568,"login":1569,"email":1570,"displayName":1571},"20","rooth8233","aleksandar@stajic.de","Aleksandar Stajić",[1573,2694],{"lang":1574,"title":1575,"content":1576,"contentJson":1577,"excerpt":2693},"en","Agentic AI Explained: When an AI System Can Plan, Use Tools and Act","{\"time\":1791487185746,\"blocks\":[{\"id\":\"intro\",\"type\":\"paragraph\",\"data\":{\"text\":\"Agentic AI is an AI system in which a model can pursue a goal across multiple steps by deciding what to do next, using tools or other capabilities, observing the results, updating its working state and continuing until it reaches a stopping condition. The model alone is not the agent. A usable agent also needs a runtime or harness that manages context, tool execution, state, permissions, approvals, errors and the loop between decisions and observations.\"},\"tunes\":{}},{\"id\":\"direct\",\"type\":\"callout\",\"data\":{\"variant\":\"info\",\"title\":\"Direct answer\",\"body\":\"A normal model call is usually \u003Cstrong>input → model → output\u003C\u002Fstrong>. An agentic system is closer to \u003Cstrong>goal → decision → tool\u002Faction → observation → updated decision → … → result\u003C\u002Fstrong>.\u003Cbr>\u003Cbr>The critical distinction is not whether an application uses an LLM or function calling. It is whether the system gives the model meaningful control over the next step of a multi-step process while a runtime constrains what the model is actually allowed to do.\"},\"tunes\":{}},{\"id\":\"boundary\",\"type\":\"callout\",\"data\":{\"variant\":\"warning\",\"title\":\"Capability is not authority\",\"body\":\"A model may know how to call a tool. A runtime may expose that tool. Neither fact means the current user or agent is authorized to execute the underlying business action. \u003Cstrong>Tool capability, tool permission and business authority are separate layers.\u003C\u002Fstrong>\"},\"tunes\":{}},{\"id\":\"current\",\"type\":\"callout\",\"data\":{\"variant\":\"note\",\"title\":\"Current-source note — 8 October 2026\",\"body\":\"Agent terminology still varies across vendors and research communities. OpenAI currently defines agent runtimes around multi-step work, tools, state and orchestration. Anthropic's practical distinction remains useful: workflows follow predefined code paths, while agents dynamically direct their own process and tool use. This article therefore treats “agentic AI” as an architectural spectrum rather than one standardized product category.\"},\"tunes\":{}},{\"id\":\"toc\",\"type\":\"tableOfContents\",\"data\":{\"title\":\"Contents\",\"minLevel\":2,\"maxLevel\":3},\"tunes\":{}},{\"id\":\"h-meaning\",\"type\":\"header\",\"data\":{\"text\":\"What agentic AI really means\",\"level\":2},\"tunes\":{}},{\"id\":\"p-meaning-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"The important shift from ordinary generative AI to agentic AI is control over process. A normal assistant can answer a question using the context it receives. An agent can decide that answering requires additional steps: inspect a file, search a repository, query an API, ask for clarification, run a test, update a ticket, delegate a subtask or retry after a failed action.\"},\"tunes\":{}},{\"id\":\"p-meaning-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"This does not require unlimited autonomy. An agent can operate inside a narrow sandbox, under strict permissions, with approval required before every consequential action. The system is still agentic if the model dynamically chooses among permitted next steps.\"},\"tunes\":{}},{\"id\":\"p-meaning-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"The architecture therefore matters more than the label. “Agent” should describe a system behavior: iterative model-driven decision making over tools, state and feedback — not merely a chatbot with a larger prompt.\"},\"tunes\":{}},{\"id\":\"h-simple\",\"type\":\"header\",\"data\":{\"text\":\"The simplest example\",\"level\":2},\"tunes\":{}},{\"id\":\"p-simple-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Suppose a developer asks an AI system: “Find why the test suite fails and fix the bug.” A single model call could only suggest likely causes from the text it was given.\"},\"tunes\":{}},{\"id\":\"p-simple-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"An agentic coding system can inspect the repository, search for the failing test, read relevant files, propose a change, edit the code, run the test, observe the failure, revise the implementation and run the test again.\"},\"tunes\":{}},{\"id\":\"p-simple-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"The agentic part is not simply that shell and file tools exist. It is that the model can use environmental feedback to choose the next step instead of following one completely predefined sequence.\"},\"tunes\":{}},{\"id\":\"simple-loop\",\"type\":\"processFlow\",\"data\":{\"title\":\"The basic agent loop\",\"orientation\":\"auto\",\"steps\":[{\"label\":\"1. Receive a goal\",\"description\":\"The user or upstream system defines the objective and relevant constraints.\"},{\"label\":\"2. Build current context\",\"description\":\"The runtime supplies instructions, state, history, memory, tools and current evidence.\"},{\"label\":\"3. Model decides next step\",\"description\":\"The model may answer, call a tool, request information, delegate or stop.\"},{\"label\":\"4. Runtime validates the request\",\"description\":\"Permissions, schemas, approvals and policy determine whether the proposed action may execute.\"},{\"label\":\"5. Execute tool or action\",\"description\":\"The external environment changes or returns new information.\"},{\"label\":\"6. Observe the result\",\"description\":\"The runtime feeds structured tool output, errors or state changes back into the next model step.\"},{\"label\":\"7. Continue or stop\",\"description\":\"The loop repeats until success, refusal, escalation, budget limit, timeout or another stopping condition.\"}]},\"tunes\":{}},{\"id\":\"h-stops\",\"type\":\"header\",\"data\":{\"text\":\"Where the simple example stops\",\"level\":2},\"tunes\":{}},{\"id\":\"p-stops-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Not every multi-step AI system is equally agentic. A workflow may use several LLM calls and tools while every step is predetermined in code. Another system may let the model decide which tool to call, in which order, how many times and when to stop.\"},\"tunes\":{}},{\"id\":\"p-stops-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"Both can be useful. The difference is where control lives. Predefined workflows put more control in application code. Agents move more tactical process decisions into the model\u002Fruntime loop.\"},\"tunes\":{}},{\"id\":\"h-workflow\",\"type\":\"header\",\"data\":{\"text\":\"Agent vs workflow\",\"level\":2},\"tunes\":{}},{\"id\":\"workflow-comparison\",\"type\":\"comparison\",\"data\":{\"title\":\"Predefined workflow and agentic control\",\"layout\":\"table\",\"columns\":[{\"id\":\"workflow\",\"label\":\"LLM workflow\"},{\"id\":\"agent\",\"label\":\"Agent\"}],\"rows\":[{\"id\":\"path\",\"label\":\"Process path\",\"values\":[\"\",\"\"]},{\"id\":\"tools\",\"label\":\"Tool sequence\",\"values\":[\"\",\"\"]},{\"id\":\"strength\",\"label\":\"Strength\",\"values\":[\"\",\"\"]},{\"id\":\"risk\",\"label\":\"Risk\",\"values\":[\"\",\"\"]}]},\"tunes\":{}},{\"id\":\"p-workflow-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Anthropic explicitly separates these two patterns: workflows orchestrate models and tools through predefined code paths, while agents let models dynamically direct their own processes and tool usage. This is not the only possible terminology, but it is a useful architecture boundary.\"},\"tunes\":{}},{\"id\":\"h-spectrum\",\"type\":\"header\",\"data\":{\"text\":\"Agentic behavior is a spectrum, not a binary label\",\"level\":2},\"tunes\":{}},{\"id\":\"spectrum-table\",\"type\":\"table\",\"data\":{\"withHeadings\":true,\"stretched\":false,\"content\":[[\"Level\",\"Example\",\"Who decides the next step?\"],[\"Single model call\",\"Summarize this document\",\"Application calls model once\"],[\"Tool-assisted response\",\"Model may use web search before answering\",\"Model selects from bounded tools for one response\"],[\"Structured workflow\",\"Classify → retrieve → generate → validate\",\"Application workflow determines stages\"],[\"Adaptive workflow\",\"Model can choose among several branches and retry\",\"Shared control between application and model\"],[\"Agent loop\",\"Model repeatedly chooses tools\u002Factions based on observations\",\"Model directs tactical execution inside runtime constraints\"],[\"Long-running agent\",\"Agent pauses, resumes, manages artifacts and continues\",\"Model + persistent runtime manage evolving execution\"]]},\"tunes\":{}},{\"id\":\"p-spectrum-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Calling every system above an “agent” can obscure important operational differences. The stronger the model's control over sequence, duration and actions, the more important runtime isolation, permissions, tracing, stopping conditions and trajectory evaluation become.\"},\"tunes\":{}},{\"id\":\"h-anatomy\",\"type\":\"header\",\"data\":{\"text\":\"The minimum architecture of an agentic system\",\"level\":2},\"tunes\":{}},{\"id\":\"anatomy-table\",\"type\":\"table\",\"data\":{\"withHeadings\":true,\"stretched\":false,\"content\":[[\"Component\",\"Responsibility\"],[\"Goal \u002F task\",\"Defines what the system is trying to accomplish.\"],[\"Model\",\"Interprets context and decides the next action or output.\"],[\"Instructions\",\"Define role, constraints, priorities and task-specific policy.\"],[\"Context assembler\",\"Builds the information visible to the model on each step.\"],[\"Tool catalog\",\"Defines capabilities the model may request.\"],[\"Runtime \u002F harness\",\"Runs the loop, executes tools, manages state and handles stopping conditions.\"],[\"Authorization layer\",\"Determines whether a proposed action is permitted for the current principal.\"],[\"State \u002F session\",\"Preserves task progress across turns or execution steps.\"],[\"Observation channel\",\"Returns tool results and environment changes to the next model step.\"],[\"Approvals \u002F human control\",\"Pauses consequential actions where review is required.\"],[\"Tracing \u002F audit\",\"Records model calls, tools, transitions, approvals and failures.\"],[\"Evaluation\",\"Measures outcomes and execution trajectories against acceptance criteria.\"]]},\"tunes\":{}},{\"id\":\"h-model-agent\",\"type\":\"header\",\"data\":{\"text\":\"A model is not an agent\",\"level\":2},\"tunes\":{}},{\"id\":\"p-model-agent-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"A language model produces outputs from inputs. It does not by itself own a filesystem, execute a shell command, maintain durable task state, enforce permissions or automatically call itself again.\"},\"tunes\":{}},{\"id\":\"p-model-agent-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"Those capabilities come from the surrounding runtime. The same model can behave as a simple chat model in one application and as the decision engine inside an agent loop in another.\"},\"tunes\":{}},{\"id\":\"model-agent-rule\",\"type\":\"callout\",\"data\":{\"variant\":\"success\",\"title\":\"Architecture rule\",\"body\":\"\u003Cstrong>Model capability determines what decisions can be proposed. Runtime architecture determines what can actually happen.\u003C\u002Fstrong>\"},\"tunes\":{}},{\"id\":\"h-tools\",\"type\":\"header\",\"data\":{\"text\":\"Tool use is central — but tool use alone does not make an agent\",\"level\":2},\"tunes\":{}},{\"id\":\"p-tools-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Tools let the model acquire information and affect external systems. Examples include database reads, file operations, shell execution, web search, browser control, API calls, ticket updates or delegated specialist agents.\"},\"tunes\":{}},{\"id\":\"p-tools-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"A single model call can use one tool and still remain a bounded tool-assisted response rather than a long-running agent. Agentic behavior appears when tool observations feed an adaptive loop in which the model chooses what to do next.\"},\"tunes\":{}},{\"id\":\"p-tools-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"Tool design matters because tools are the contract between model reasoning and external reality. Ambiguous or overlapping tools create routing errors; large unstructured outputs pollute context; broad side-effect tools increase blast radius.\"},\"tunes\":{}},{\"id\":\"h-capability-permission\",\"type\":\"header\",\"data\":{\"text\":\"Tool capability, permission and authority are different\",\"level\":2},\"tunes\":{}},{\"id\":\"permission-table\",\"type\":\"table\",\"data\":{\"withHeadings\":true,\"stretched\":false,\"content\":[[\"Layer\",\"Question\"],[\"Capability\",\"Can this runtime technically perform the operation?\"],[\"Tool exposure\",\"Is that capability available to this agent?\"],[\"Permission\",\"May this agent\u002Fsession use it under the current policy?\"],[\"User authorization\",\"Is the requesting principal allowed to cause this operation?\"],[\"Business authority\",\"Is the operation valid under domain rules, approvals and limits?\"],[\"Execution\",\"Did the operation actually occur?\"],[\"Audit\",\"Can the system prove who requested, approved and executed it?\"]]},\"tunes\":{}},{\"id\":\"p-permission-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"These layers are frequently collapsed in prototypes. A model sees a refund tool and therefore appears able to issue refunds. In production, the tool should still validate account, user, transaction, amount, policy and approval conditions independently of the model's request.\"},\"tunes\":{}},{\"id\":\"h-runtime\",\"type\":\"header\",\"data\":{\"text\":\"The runtime or harness is the actual execution system\",\"level\":2},\"tunes\":{}},{\"id\":\"p-runtime-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"OpenAI's current agent documentation makes the runtime distinction explicit. Different runtimes can manage orchestration, state, tools, sandboxes and execution in different places, while the model remains only one part of the system.\"},\"tunes\":{}},{\"id\":\"p-runtime-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"The Agents SDK describes a loop that repeatedly calls the current model, inspects the output, executes requested tools or handoffs, and continues until the model returns a final answer or another real stopping point.\"},\"tunes\":{}},{\"id\":\"p-runtime-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"This means agent architecture decisions include where orchestration runs, where state lives, who executes tools, which sandbox contains side effects, and who owns retries, timeouts and resumability.\"},\"tunes\":{}},{\"id\":\"h-planning\",\"type\":\"header\",\"data\":{\"text\":\"Planning is useful, but an explicit plan is not required\",\"level\":2},\"tunes\":{}},{\"id\":\"p-planning-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Agents are often described as systems that “plan.” In practice, planning can be explicit or implicit. An agent may first produce a visible multi-step plan, or it may choose one next action at a time and revise after every observation.\"},\"tunes\":{}},{\"id\":\"p-planning-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"For highly uncertain tasks, short-horizon planning can be safer because the environment can invalidate a long plan. The architectural requirement is the ability to choose and revise actions based on the goal, current state and new evidence.\"},\"tunes\":{}},{\"id\":\"h-feedback\",\"type\":\"header\",\"data\":{\"text\":\"Environmental feedback is what makes the loop useful\",\"level\":2},\"tunes\":{}},{\"id\":\"p-feedback-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"An agent becomes operationally meaningful when it can observe whether its action worked. Tool output, test results, API responses, filesystem state, browser state and application records provide external evidence that the system can use to revise its next decision.\"},\"tunes\":{}},{\"id\":\"p-feedback-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"Anthropic's agent guidance emphasizes this feedback loop: agents use tools, obtain ground truth from the environment, assess progress and continue or request human input.\"},\"tunes\":{}},{\"id\":\"feedback-rule\",\"type\":\"callout\",\"data\":{\"variant\":\"warning\",\"title\":\"Self-report is not environmental proof\",\"body\":\"An agent saying “the task is complete” does not prove completion. Where possible, verify the final state through an external system, test, file, transaction record or other observable outcome.\"},\"tunes\":{}},{\"id\":\"h-state\",\"type\":\"header\",\"data\":{\"text\":\"Agent state is not the same as model context\",\"level\":2},\"tunes\":{}},{\"id\":\"p-state-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"A long-running task may need state that cannot or should not remain in the model context: task IDs, checkpoints, artifacts, approvals, external object identifiers, retry counters and workflow status.\"},\"tunes\":{}},{\"id\":\"p-state-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"The runtime can preserve this durable state outside the model window and reconstruct the context required for the next step. This keeps model-visible context focused while maintaining continuity and resumability.\"},\"tunes\":{}},{\"id\":\"h-memory\",\"type\":\"header\",\"data\":{\"text\":\"Memory is optional, not the definition of an agent\",\"level\":2},\"tunes\":{}},{\"id\":\"p-memory-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"An agent can operate successfully without long-term memory if the complete task fits inside one bounded run. Memory becomes useful when information must persist across sessions, tasks or long execution horizons.\"},\"tunes\":{}},{\"id\":\"p-memory-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"RAG, memory, state and context solve different problems. Treating a vector database as “the agent memory” or conversation history as “the state machine” usually hides important lifecycle and authority boundaries.\"},\"tunes\":{}},{\"id\":\"ref-memory\",\"type\":\"referralArticle\",\"data\":{\"url\":\"https:\u002F\u002Fstajic.de\u002Fblog\u002Fai-agent-memory-is-not-rag-how-to-separate-memory-retrieval-state-and-context\",\"title\":\"AI Agent Memory Is Not RAG: How to Separate Memory, Retrieval, State and Context\",\"excerpt\":\"A practical architecture separating persistent memory, authoritative application state, retrieval and the context supplied to the model.\",\"ctaLabel\":\"Read the memory architecture article\"},\"tunes\":{}},{\"id\":\"h-context\",\"type\":\"header\",\"data\":{\"text\":\"Context engineering becomes dynamic in agents\",\"level\":2},\"tunes\":{}},{\"id\":\"p-context-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Every tool call can produce new context. Every step can also make earlier information obsolete. A strong agent runtime therefore rebuilds or curates context as execution progresses rather than replaying everything indefinitely.\"},\"tunes\":{}},{\"id\":\"p-context-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"Tool definitions, task state, retrieved evidence, observations and memory all compete for the model's attention. Long-running agents need trimming, compaction or just-in-time loading so context remains relevant to the current decision.\"},\"tunes\":{}},{\"id\":\"h-sideeffects\",\"type\":\"header\",\"data\":{\"text\":\"Read tools and side-effect tools have different risk\",\"level\":2},\"tunes\":{}},{\"id\":\"sideeffect-comparison\",\"type\":\"comparison\",\"data\":{\"title\":\"Information access versus external action\",\"layout\":\"table\",\"columns\":[{\"id\":\"read\",\"label\":\"Read \u002F observe\"},{\"id\":\"write\",\"label\":\"Write \u002F act\"}],\"rows\":[{\"id\":\"examples\",\"label\":\"Examples\",\"values\":[\"\",\"\"]},{\"id\":\"mainrisk\",\"label\":\"Main risk\",\"values\":[\"\",\"\"]},{\"id\":\"control\",\"label\":\"Typical control\",\"values\":[\"\",\"\"]}]},\"tunes\":{}},{\"id\":\"h-approval\",\"type\":\"header\",\"data\":{\"text\":\"Human-in-the-loop is a control mechanism, not the opposite of agentic AI\",\"level\":2},\"tunes\":{}},{\"id\":\"p-approval-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"An agent does not stop being agentic because a human approves consequential steps. The model can still autonomously inspect, reason, search and prepare an action while the runtime requires human confirmation before execution.\"},\"tunes\":{}},{\"id\":\"p-approval-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"OpenAI's current agent safety guidance explicitly recommends approvals for tool operations in higher-risk workflows. Anthropic likewise emphasizes checkpoints and human judgment where agents encounter blockers or consequential decisions.\"},\"tunes\":{}},{\"id\":\"p-approval-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"The useful architecture question is not “human or autonomous?” but which decisions can be delegated, which require review and which must remain deterministic?\"},\"tunes\":{}},{\"id\":\"h-stopping\",\"type\":\"header\",\"data\":{\"text\":\"Agents need explicit stopping conditions\",\"level\":2},\"tunes\":{}},{\"id\":\"stop-table\",\"type\":\"table\",\"data\":{\"withHeadings\":true,\"stretched\":false,\"content\":[[\"Stopping condition\",\"Purpose\"],[\"Successful verified outcome\",\"End when the external target state is confirmed.\"],[\"Maximum steps\",\"Prevent runaway loops.\"],[\"Time budget\",\"Bound wall-clock execution.\"],[\"Cost\u002Ftoken budget\",\"Limit resource consumption.\"],[\"Repeated-action detector\",\"Stop loops that are no longer making progress.\"],[\"Permission boundary\",\"Pause or stop when the next required action is not permitted.\"],[\"Human approval checkpoint\",\"Wait before consequential execution.\"],[\"Unrecoverable tool failure\",\"Escalate instead of retrying indefinitely.\"],[\"Uncertainty threshold\",\"Ask for clarification when the task cannot be safely inferred.\"]]},\"tunes\":{}},{\"id\":\"h-errors\",\"type\":\"header\",\"data\":{\"text\":\"Recovery is part of agent behavior\",\"level\":2},\"tunes\":{}},{\"id\":\"p-errors-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Agents operate in environments that fail: APIs time out, files change, credentials expire, webpages move and tools return malformed output. A useful agentic system therefore needs recovery behavior, not just a happy-path tool loop.\"},\"tunes\":{}},{\"id\":\"p-errors-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"Recovery can include retry with limits, choosing another tool, re-reading current state, asking the user, rolling back a partial action or escalating to a human.\"},\"tunes\":{}},{\"id\":\"p-errors-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"Retries also need idempotency awareness. Repeating a read is usually low risk; repeating a payment or message send can create duplicate side effects.\"},\"tunes\":{}},{\"id\":\"h-single-multi\",\"type\":\"header\",\"data\":{\"text\":\"Agentic AI does not require multiple agents\",\"level\":2},\"tunes\":{}},{\"id\":\"p-multi-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"A single agent with a clear tool set is often simpler and easier to evaluate than a multi-agent architecture. Multiple agents are useful when specialization materially improves tool isolation, policy isolation, prompt clarity, ownership or trace legibility.\"},\"tunes\":{}},{\"id\":\"p-multi-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"OpenAI's current orchestration guidance explicitly recommends starting with one agent where possible and adding specialists only when the contract or ownership boundary materially changes.\"},\"tunes\":{}},{\"id\":\"p-multi-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"Multi-agent systems add new problems: delegation quality, duplicated context, conflicting state, handoff semantics, identity, cost and distributed failure handling.\"},\"tunes\":{}},{\"id\":\"h-protocols\",\"type\":\"header\",\"data\":{\"text\":\"Agent protocols are interoperability layers, not the agent itself\",\"level\":2},\"tunes\":{}},{\"id\":\"p-protocols-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Protocols such as MCP and A2A can make an agent architecture interoperable, but they do not create the agent loop by themselves. MCP can expose tools and resources. A2A can connect independently implemented agents. The application still needs runtime, authorization, state, evaluation and domain logic.\"},\"tunes\":{}},{\"id\":\"p-protocols-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"This is why protocol capability must remain separate from business authority. Discovering a tool through MCP does not prove the current principal is allowed to use it. Receiving a task through A2A does not prove the remote agent may perform every requested action.\"},\"tunes\":{}},{\"id\":\"ref-protocols\",\"type\":\"referralArticle\",\"data\":{\"url\":\"https:\u002F\u002Fstajic.de\u002Fde\u002Fblog\u002Fmcp-vs-a2a-vs-ucp-vs-ap2-vs-a2ui-the-agent-protocol-stack-explained\",\"title\":\"MCP vs A2A vs UCP vs AP2 vs A2UI: The Agent Protocol Stack Explained\",\"excerpt\":\"A protocol-responsibility map showing why tool access, agent collaboration, commerce, payment authority and agent-driven UI belong to different interoperability boundaries.\",\"ctaLabel\":\"Read the agent protocol stack\"},\"tunes\":{}},{\"id\":\"h-reliability\",\"type\":\"header\",\"data\":{\"text\":\"The trajectory is part of agent reliability\",\"level\":2},\"tunes\":{}},{\"id\":\"p-rel-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"A final answer is insufficient evidence for an agentic system because an agent can reach the right result through an unsafe or invalid path. It may use an unauthorized tool, skip a required check, retry a side effect, rely on stale state or accidentally succeed.\"},\"tunes\":{}},{\"id\":\"p-rel-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"Evaluation therefore needs execution traces: decisions, tool calls, approvals, observations, state changes and final outcome. Current OpenAI safety guidance recommends trace graders and evals; Anthropic's 2026 agent-evaluation guidance similarly treats multi-turn tool trajectories as first-class evaluation objects.\"},\"tunes\":{}},{\"id\":\"p-rel-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"The stronger reliability question is: Did the agent reach an acceptable outcome through an acceptable, recoverable and auditable trajectory?\"},\"tunes\":{}},{\"id\":\"ref-reliability\",\"type\":\"referralArticle\",\"data\":{\"url\":\"https:\u002F\u002Fstajic.de\u002Fblog\u002Fai-agent-reliability-why-the-final-answer-is-not-enough\",\"title\":\"AI Agent Reliability: Why the Final Answer Is Not Enough\",\"excerpt\":\"Why production evaluation must inspect trajectories, tool use, state transitions and recoverability rather than only final answers.\",\"ctaLabel\":\"Read the reliability article\"},\"tunes\":{}},{\"id\":\"h-security\",\"type\":\"header\",\"data\":{\"text\":\"Agentic systems increase the security surface\",\"level\":2},\"tunes\":{}},{\"id\":\"security-table\",\"type\":\"table\",\"data\":{\"withHeadings\":true,\"stretched\":false,\"content\":[[\"Risk\",\"Why agents amplify it\",\"Architecture response\"],[\"Prompt injection\",\"Untrusted content can influence future tool decisions\",\"Separate instructions from data; constrain tools; sanitize or structure external input where possible\"],[\"Excessive permissions\",\"Reasoning errors can become real side effects\",\"Least privilege, scoped credentials, per-tool policy and approvals\"],[\"Credential exposure\",\"Tools may need powerful secrets\",\"Keep secrets outside model context; broker access through trusted runtime\"],[\"Confused deputy\",\"Agent may act with authority broader than the requesting user\",\"Bind execution to user\u002Fservice identity and re-authorize consequential actions\"],[\"Runaway loops\",\"Model repeatedly calls tools without progress\",\"Step, time and cost budgets plus loop detection\"],[\"State drift\",\"Environment changes after the agent formed a plan\",\"Re-read authoritative state before consequential actions\"],[\"Indirect injection\",\"Tool\u002Fweb\u002Fdocument content contains instructions aimed at the model\",\"Treat external content as untrusted data, not instruction authority\"],[\"Audit gap\",\"Final result cannot show what was executed\",\"Trace tool calls, approvals, identities and state changes\"]]},\"tunes\":{}},{\"id\":\"h-observability\",\"type\":\"header\",\"data\":{\"text\":\"Agent observability must follow the loop\",\"level\":2},\"tunes\":{}},{\"id\":\"p-obs-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Traditional service observability records requests, latency and errors. Agent observability needs an additional execution model: which agent was active, which model version made the decision, what context was available, which tool was selected, what arguments were sent, what result came back and why execution stopped.\"},\"tunes\":{}},{\"id\":\"p-obs-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"For sensitive systems, traces themselves require access control and retention policy because prompts, tool outputs and artifacts can contain confidential data.\"},\"tunes\":{}},{\"id\":\"h-eval\",\"type\":\"header\",\"data\":{\"text\":\"How to evaluate an agentic system\",\"level\":2},\"tunes\":{}},{\"id\":\"eval-table\",\"type\":\"table\",\"data\":{\"withHeadings\":true,\"stretched\":false,\"content\":[[\"Dimension\",\"Question\",\"Example evidence\"],[\"Task success\",\"Did the requested outcome occur?\",\"External state, tests, business outcome\"],[\"Trajectory quality\",\"Were the steps acceptable?\",\"Tool\u002Faction trace\"],[\"Tool selection\",\"Did the agent choose appropriate capabilities?\",\"Expected vs actual tool calls\"],[\"Permission adherence\",\"Did it stay inside allowed authority?\",\"Authorization logs and denied-action tests\"],[\"State handling\",\"Did it use current authoritative state?\",\"Freshness checks and state-change tests\"],[\"Recovery\",\"Did it respond correctly to failures?\",\"Injected timeout\u002Ferror scenarios\"],[\"Stopping behavior\",\"Did it stop at the right point?\",\"Step counts, loop detection, final-state proof\"],[\"Human escalation\",\"Did it ask when review was required?\",\"Approval\u002Fescalation traces\"],[\"Cost\u002Flatency\",\"Was autonomy worth the operational cost?\",\"Tokens, tool calls, duration\"],[\"Robustness\",\"Does it survive realistic environment variation?\",\"Repeated and adversarial trials\"]]},\"tunes\":{}},{\"id\":\"h-use\",\"type\":\"header\",\"data\":{\"text\":\"When an agent is appropriate\",\"level\":2},\"tunes\":{}},{\"id\":\"use-table\",\"type\":\"table\",\"data\":{\"withHeadings\":true,\"stretched\":false,\"content\":[[\"Use an agent when\",\"Prefer a workflow or simple call when\"],[\"The number or order of steps cannot be known reliably in advance\",\"The sequence is stable and deterministic\"],[\"The system must inspect the environment and adapt\",\"A single retrieval + generation step is sufficient\"],[\"Several tools may be useful depending on intermediate results\",\"One known API call solves the task\"],[\"The task benefits from iterative verification or repair\",\"The answer can be produced directly from supplied context\"],[\"Failures require flexible recovery behavior\",\"Failure branches are simple and can be encoded explicitly\"],[\"Human review can be inserted at meaningful checkpoints\",\"Every step is high-risk and must be manually controlled anyway\"],[\"Expected value justifies extra latency, cost and complexity\",\"Predictability and low cost matter more than flexibility\"]]},\"tunes\":{}},{\"id\":\"p-use-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"A strong default is to start with the simplest solution that works and increase agentic complexity only when flexibility produces measurable value. Agents trade predictability, latency and cost for adaptive execution.\"},\"tunes\":{}},{\"id\":\"h-implementation\",\"type\":\"header\",\"data\":{\"text\":\"Original implementation evidence\",\"level\":2},\"tunes\":{}},{\"id\":\"h-client\",\"type\":\"header\",\"data\":{\"text\":\"Aaasaasa AI Client: model, runtime and permission are separate\",\"level\":3},\"tunes\":{}},{\"id\":\"p-client-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Aaasaasa AI Client explicitly separates agent\u002Fclient, provider, model, runtime location and permissions. Its architecture documentation treats permissions as central tool\u002Fworkspace policy rather than a model property.\"},\"tunes\":{}},{\"id\":\"p-client-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"The same application can expose Direct Chat with no filesystem or shell tools while a Codex runtime operates under a selected workspace and permission profile. This demonstrates a core agentic architecture boundary: changing the runtime\u002Ftool surface changes what the system can do even when model access remains available.\"},\"tunes\":{}},{\"id\":\"p-client-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"The repository also distinguishes a local Codex runtime from model location: a local runtime can call a cloud model. This prevents the common mistake of equating “agent runs locally” with “inference is local.”\"},\"tunes\":{}},{\"id\":\"p-client-4\",\"type\":\"paragraph\",\"data\":{\"text\":\"The implementation disables embedded execution paths whose approval semantics do not satisfy the required permission model. This supports the principle that agent capability should not bypass runtime authorization simply because an underlying framework can execute tools.\"},\"tunes\":{}},{\"id\":\"h-sot-agent\",\"type\":\"header\",\"data\":{\"text\":\"Source of Truth Research Engine: bounded agentic research stages\",\"level\":3},\"tunes\":{}},{\"id\":\"p-sot-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"The Source of Truth Research Engine uses a bounded research pipeline: discover → acquire → extract → verify → contradict → synthesize. Research jobs can execute through an AI runtime while evidence, sources, claims and contradictions remain in an external persistent store.\"},\"tunes\":{}},{\"id\":\"p-sot-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"This is intentionally more controlled than an unconstrained autonomous research agent. The stages provide guardrails around what kind of work should happen next while still allowing model-driven research inside each bounded task.\"},\"tunes\":{}},{\"id\":\"p-sot-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"That distinction is useful evidence for agent design: autonomy can be placed inside a structured delivery envelope rather than applied uniformly to the entire process.\"},\"tunes\":{}},{\"id\":\"impl-table\",\"type\":\"table\",\"data\":{\"withHeadings\":true,\"stretched\":false,\"content\":[[\"Implemented pattern\",\"Agentic architecture lesson\"],[\"Direct Chat has no OS tools\",\"A model can exist without agentic execution capability.\"],[\"Codex runtime has workspace permission profile\",\"Tool authority belongs to runtime policy, not model capability.\"],[\"Provider\u002Fmodel\u002Fruntime are separate concepts\",\"Agent harness location and inference location are independent decisions.\"],[\"Permission broker for tool-capable runtimes\",\"Capability exposure can be centralized and governed.\"],[\"Bounded research stages\",\"Autonomy can operate inside explicit process boundaries.\"],[\"Persistent claims\u002Fevidence outside model context\",\"Agent state and evidence do not need to live only in conversation history.\"]]},\"tunes\":{}},{\"id\":\"impl-boundary\",\"type\":\"callout\",\"data\":{\"variant\":\"note\",\"title\":\"Evidence boundary\",\"body\":\"These projects demonstrate concrete agent\u002Fruntime, permission and bounded-research patterns. They are not presented as proof of large-scale commercial autonomous-agent deployment.\"},\"tunes\":{}},{\"id\":\"h-failures\",\"type\":\"header\",\"data\":{\"text\":\"Common agentic AI failure modes\",\"level\":2},\"tunes\":{}},{\"id\":\"failure-table\",\"type\":\"table\",\"data\":{\"withHeadings\":true,\"stretched\":false,\"content\":[[\"Failure mode\",\"What actually failed\"],[\"“Agent” is only a chatbot with tools listed in the prompt\",\"No reliable runtime loop or tool execution architecture exists\"],[\"Tool support is treated as permission\",\"Capability and authorization boundaries are collapsed\"],[\"Agent trusts its own completion statement\",\"Outcome is not verified against external state\"],[\"Every task becomes multi-agent\",\"Complexity increases without a real ownership or specialization boundary\"],[\"Conversation history is used as durable state\",\"Resumability and authoritative state become fragile\"],[\"Agent retries side effects blindly\",\"Duplicate messages, payments or state changes become possible\"],[\"No step\u002Fcost limits\",\"Agent can loop indefinitely or consume uncontrolled resources\"],[\"Tool output is trusted as instruction\",\"Indirect prompt injection can redirect behavior\"],[\"Correct final answer is the only evaluation\",\"Unsafe or invalid trajectories remain invisible\"],[\"Model upgrade is treated as transparent\",\"Tool selection, planning and stopping behavior can change\"],[\"One broad tool exposes many privileged operations\",\"Blast radius increases and intent becomes harder to validate\"],[\"Human approval exists but reviewer lacks context\",\"Approval becomes ceremonial rather than effective\"]]},\"tunes\":{}},{\"id\":\"h-misconceptions\",\"type\":\"header\",\"data\":{\"text\":\"Common misconceptions\",\"level\":2},\"tunes\":{}},{\"id\":\"misconceptions-table\",\"type\":\"table\",\"data\":{\"withHeadings\":true,\"stretched\":false,\"content\":[[\"Misconception\",\"Correction\"],[\"“An LLM is an agent.”\",\"The model is the decision component; the agent is the surrounding system that manages tools, state and iteration.\"],[\"“Tool calling automatically means agentic AI.”\",\"A single bounded tool call may not involve an adaptive multi-step agent loop.\"],[\"“Agents must be fully autonomous.”\",\"Agentic systems can require approvals and operate under narrow permission boundaries.\"],[\"“Agents need long-term memory.”\",\"Memory is optional; many useful agents complete bounded tasks without cross-session memory.\"],[\"“Agents must create a written plan first.”\",\"Planning can be explicit or implicit and can occur one step at a time.\"],[\"“Multi-agent is more advanced than single-agent.”\",\"It is more complex; use it only when specialization or ownership boundaries justify it.\"],[\"“MCP creates an agent.”\",\"MCP exposes tools\u002Fresources; the runtime still needs an agent loop and authorization model.\"],[\"“A local runtime means the model is local.”\",\"Runtime location and inference\u002Fprovider location are separate.\"],[\"“If the final result is correct, the agent worked correctly.”\",\"An unsafe or unauthorized trajectory can still produce a correct result.\"],[\"“Human approval removes autonomy.”\",\"Approval can constrain selected actions while the rest of the process remains model-directed.\"]]},\"tunes\":{}},{\"id\":\"h-design\",\"type\":\"header\",\"data\":{\"text\":\"A practical agent design sequence\",\"level\":2},\"tunes\":{}},{\"id\":\"design-flow\",\"type\":\"processFlow\",\"data\":{\"title\":\"Design the agent from authority outward\",\"orientation\":\"auto\",\"steps\":[{\"label\":\"1. Define the outcome\",\"description\":\"State what external result or artifact proves task success.\"},{\"label\":\"2. Decide whether an agent is actually needed\",\"description\":\"Prefer a simple call or deterministic workflow when the path is predictable.\"},{\"label\":\"3. Identify state and Source of Truth\",\"description\":\"Define which systems own current facts, task progress and business state.\"},{\"label\":\"4. Define the tool surface\",\"description\":\"Expose the smallest set of clear capabilities required for the task.\"},{\"label\":\"5. Bind identity and permissions\",\"description\":\"Separate user authority, agent\u002Fruntime permissions and tool capabilities.\"},{\"label\":\"6. Choose autonomy boundaries\",\"description\":\"Specify what the model may decide dynamically and what remains deterministic.\"},{\"label\":\"7. Add approval checkpoints\",\"description\":\"Require review before consequential or irreversible actions where appropriate.\"},{\"label\":\"8. Define stopping and recovery\",\"description\":\"Set success proof, budgets, timeouts, retries, escalation and loop controls.\"},{\"label\":\"9. Design context\u002Fstate management\",\"description\":\"Keep current state, memory, tool observations and durable artifacts in the correct layers.\"},{\"label\":\"10. Trace the trajectory\",\"description\":\"Record enough execution structure to debug and audit model\u002Ftool decisions.\"},{\"label\":\"11. Evaluate realistic failures\",\"description\":\"Test stale state, tool errors, prompt injection, ambiguous requests and changed environments.\"},{\"label\":\"12. Expand autonomy only from evidence\",\"description\":\"Increase permissions or execution horizon when evaluation shows the benefit justifies the risk.\"}]},\"tunes\":{}},{\"id\":\"h-checklist\",\"type\":\"header\",\"data\":{\"text\":\"Agentic AI architecture checklist\",\"level\":2},\"tunes\":{}},{\"id\":\"checklist-table\",\"type\":\"table\",\"data\":{\"withHeadings\":true,\"stretched\":false,\"content\":[[\"Question\",\"Expected evidence\"],[\"What proves success?\",\"External outcome, artifact, test or authoritative state.\"],[\"Why is an agent needed?\",\"The path genuinely depends on intermediate observations.\"],[\"Which decisions are model-driven?\",\"Explicit autonomy boundary.\"],[\"Which tools exist?\",\"Small, documented, unambiguous capability set.\"],[\"Who may use each tool?\",\"Identity- and context-aware authorization policy.\"],[\"Which actions need approval?\",\"Consequence-based review rules.\"],[\"Where does task state live?\",\"Application-owned state separate from transient model context.\"],[\"How does the agent recover?\",\"Retry, re-read, rollback, clarification and escalation behavior.\"],[\"How does it stop?\",\"Verified completion plus step\u002Ftime\u002Fcost limits.\"],[\"How are side effects protected?\",\"Validation, idempotency, least privilege and confirmation.\"],[\"Can execution be reconstructed?\",\"Tool, approval and state-transition traces.\"],[\"How is it evaluated?\",\"Outcome + trajectory + robustness tests.\"],[\"What changes after a model\u002Fruntime update?\",\"Regression suite for tool selection, permissions, stopping and recovery.\"]]},\"tunes\":{}},{\"id\":\"h-edge\",\"type\":\"header\",\"data\":{\"text\":\"Edge cases and limitations\",\"level\":2},\"tunes\":{}},{\"id\":\"p-edge-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Some systems are “agentic” only in a narrow routing sense: the model selects one specialist or tool and then the rest of the workflow is deterministic. That can still be useful, but it should not be described as equivalent to a long-running autonomous agent.\"},\"tunes\":{}},{\"id\":\"p-edge-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"Highly consequential domains may intentionally restrict agent autonomy. An AI system can inspect evidence, prepare recommendations and fill structured forms while a human remains the only actor allowed to commit the final transaction.\"},\"tunes\":{}},{\"id\":\"p-edge-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"Some environments are well suited to agents because feedback is objective. Coding agents can run tests; infrastructure agents can inspect metrics; data agents can validate query results. Open-ended domains with weak feedback require more cautious evaluation.\"},\"tunes\":{}},{\"id\":\"p-edge-4\",\"type\":\"paragraph\",\"data\":{\"text\":\"An agent can operate entirely locally, entirely through managed cloud services or in a hybrid architecture. Agentic behavior describes control flow, not hosting location.\"},\"tunes\":{}},{\"id\":\"p-edge-5\",\"type\":\"paragraph\",\"data\":{\"text\":\"The term “reasoning” should not be used as proof that the agent's internal process is correct. Production assurance should rely on observable inputs, actions, outputs, state and evaluation rather than unverifiable claims about hidden reasoning.\"},\"tunes\":{}},{\"id\":\"h-change\",\"type\":\"header\",\"data\":{\"text\":\"What would change this answer?\",\"level\":2},\"tunes\":{}},{\"id\":\"p-change-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Vendor APIs and agent frameworks will continue to evolve, but the architecture boundary is stable: a model proposes decisions, a runtime manages the loop, tools connect to the environment, permissions constrain actions and external observations determine what actually happened.\"},\"tunes\":{}},{\"id\":\"p-change-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"As models become more reliable, systems may safely delegate longer horizons or more complex recovery behavior. As runtime verification and authorization improve, some approval steps may become automated. Those are changes in autonomy level, not changes to the fundamental responsibility layers.\"},\"tunes\":{}},{\"id\":\"p-change-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"The recommended architecture also changes by consequence. A research agent that only reads public sources can tolerate different controls from an agent that writes production configuration or moves money.\"},\"tunes\":{}},{\"id\":\"h-related\",\"type\":\"header\",\"data\":{\"text\":\"Related canonical knowledge\",\"level\":2},\"tunes\":{}},{\"id\":\"p-related-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Agentic AI sits above several prerequisite layers: context engineering determines what the model sees; Source-of-Truth architecture determines which information is authoritative; retrieval supplies external evidence; runtime architecture determines what can execute.\"},\"tunes\":{}},{\"id\":\"p-related-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"Downstream nodes include tool calling, MCP, A2A, agent identity, permissions, auditability, human-in-the-loop, orchestration, memory and multi-agent systems.\"},\"tunes\":{}},{\"id\":\"p-related-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"The protocol stack article should therefore be read after the basic agent concept: protocols standardize boundaries around agents; they do not define agentic behavior itself.\"},\"tunes\":{}},{\"id\":\"h-faq\",\"type\":\"header\",\"data\":{\"text\":\"Frequently asked questions\",\"level\":2},\"tunes\":{}},{\"id\":\"faq\",\"type\":\"faq\",\"data\":{\"title\":\"Agentic AI FAQ\",\"items\":[{\"id\":\"faq1\",\"question\":\"What is agentic AI?\",\"answer\":\"Agentic AI is an AI system in which a model can pursue a goal over multiple steps by choosing actions or tools, observing results, updating its state and continuing until a stopping condition is reached.\"},{\"id\":\"faq2\",\"question\":\"What is the difference between an LLM and an AI agent?\",\"answer\":\"An LLM produces outputs from inputs. An agent combines a model with a runtime, tools, state, permissions, context management and an iterative execution loop.\"},{\"id\":\"faq3\",\"question\":\"Does tool calling make a system an agent?\",\"answer\":\"Not necessarily. A single tool-assisted model response can be bounded and non-agentic. Agentic behavior appears when tool observations drive an adaptive multi-step loop.\"},{\"id\":\"faq4\",\"question\":\"What is the difference between an agent and an AI workflow?\",\"answer\":\"A workflow usually follows a process path defined in application code. An agent has more model-driven control over which steps and tools to use based on intermediate observations.\"},{\"id\":\"faq5\",\"question\":\"Do agents need memory?\",\"answer\":\"No. Long-term memory is useful for persistent information across sessions, but many agents complete bounded tasks using only current task state and context.\"},{\"id\":\"faq6\",\"question\":\"Do AI agents need multiple agents?\",\"answer\":\"No. A single agent is often simpler. Multi-agent systems are justified when specialization, tool isolation, policy isolation or ownership boundaries materially improve the system.\"},{\"id\":\"faq7\",\"question\":\"Can an agent be human-in-the-loop?\",\"answer\":\"Yes. The agent can autonomously perform low-risk analysis and preparation while the runtime pauses for human approval before consequential actions.\"},{\"id\":\"faq8\",\"question\":\"Is MCP an agent framework?\",\"answer\":\"No. MCP is an interoperability protocol for exposing tools, resources and prompts. An agent runtime can use MCP, but still needs its own loop, state, authorization and evaluation.\"},{\"id\":\"faq9\",\"question\":\"How do you know an agent actually completed a task?\",\"answer\":\"Where possible, verify success through external state, tests, artifacts or authoritative system records rather than trusting the model's own completion statement.\"}]},\"tunes\":{}},{\"id\":\"h-glossary\",\"type\":\"header\",\"data\":{\"text\":\"Glossary\",\"level\":2},\"tunes\":{}},{\"id\":\"glossary\",\"type\":\"glossary\",\"data\":{\"title\":\"Key agentic AI terms\",\"entries\":[{\"term\":\"Agentic AI\",\"definition\":\"AI system behavior in which a model dynamically directs multi-step execution using tools, observations and state toward a goal.\",\"anchor\":\"agentic-ai\"},{\"term\":\"AI agent\",\"definition\":\"A model-centered system with runtime, tools, state and an execution loop that can pursue a task over multiple steps.\",\"anchor\":\"ai-agent\"},{\"term\":\"Agent loop\",\"definition\":\"Repeated cycle of model decision, tool\u002Faction execution, observation and updated model decision until stopping.\",\"anchor\":\"agent-loop\"},{\"term\":\"Runtime \u002F harness\",\"definition\":\"The execution layer that manages the model loop, tools, state, approvals, context, errors and stopping conditions.\",\"anchor\":\"runtime-harness\"},{\"term\":\"Tool\",\"definition\":\"A capability exposed to the model for reading information, computing, delegating or changing external state.\",\"anchor\":\"tool\"},{\"term\":\"Observation\",\"definition\":\"Information returned from a tool or environment and supplied to a later agent step.\",\"anchor\":\"observation\"},{\"term\":\"Agent state\",\"definition\":\"Persistent task or execution information that exists outside a single model output and may survive across steps or pauses.\",\"anchor\":\"agent-state\"},{\"term\":\"Autonomy boundary\",\"definition\":\"The explicit limit defining which decisions and actions the model may control dynamically.\",\"anchor\":\"autonomy-boundary\"},{\"term\":\"Human-in-the-loop\",\"definition\":\"A control pattern in which human review, input or approval is required at selected points in an AI-driven process.\",\"anchor\":\"human-in-the-loop\"},{\"term\":\"Trajectory\",\"definition\":\"The sequence of relevant states, decisions, tool calls, actions and observations between task request and final outcome.\",\"anchor\":\"trajectory\"},{\"term\":\"Idempotency\",\"definition\":\"Property that allows an operation to be repeated without unintentionally applying the same side effect multiple times.\",\"anchor\":\"idempotency\"}]},\"tunes\":{}},{\"id\":\"h-conclusion\",\"type\":\"header\",\"data\":{\"text\":\"Conclusion\",\"level\":2},\"tunes\":{}},{\"id\":\"p-conclusion-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Agentic AI is not simply a smarter model or a chatbot with more tools. It is a system architecture in which a model participates in an iterative control loop: decide, act, observe, update and continue.\"},\"tunes\":{}},{\"id\":\"p-conclusion-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"The model provides flexible decision making, but the surrounding runtime must own execution reality: permissions, tool access, state, approvals, retries, budgets, stopping conditions, tracing and verification.\"},\"tunes\":{}},{\"id\":\"p-conclusion-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"The most useful design principle is therefore: delegate tactical choice to the model only inside explicit technical and business boundaries. Agentic capability becomes production capability only when autonomy, authority and evidence remain separable.\"},\"tunes\":{}},{\"id\":\"h-sources\",\"type\":\"header\",\"data\":{\"text\":\"Primary sources and current guidance\",\"level\":2},\"tunes\":{}},{\"id\":\"p-sources-note\",\"type\":\"paragraph\",\"data\":{\"text\":\"The sources below support the current architectural distinctions around agents, workflows, loops, tools, orchestration, safety and evaluation. Project sections are original implementation evidence and are explicitly bounded to what the repositories demonstrate.\"},\"tunes\":{}},{\"id\":\"src-openai-agents\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Fagents\",\"meta\":{\"image\":{\"url\":\"\"},\"title\":\"OpenAI — Agents\",\"description\":\"Current developer guidance defining runtime choices for multi-step work, tools, state, orchestration and agent execution.\"}},\"tunes\":{}},{\"id\":\"src-openai-definitions\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Fagents\u002Fdefine-agents\",\"meta\":{\"image\":{\"url\":\"\"},\"title\":\"OpenAI — Agent definitions\",\"description\":\"Current documentation describing an agent as a model plus instructions and optional runtime behavior including tools, guardrails, MCP servers and handoffs.\"}},\"tunes\":{}},{\"id\":\"src-openai-running\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Fagents\u002Frunning-agents\",\"meta\":{\"image\":{\"url\":\"\"},\"title\":\"OpenAI — Running agents\",\"description\":\"Current documentation of the agent loop: model call, tool execution or handoff, continuation and final stopping point.\"}},\"tunes\":{}},{\"id\":\"src-openai-orchestration\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Fagents\u002Forchestration\",\"meta\":{\"image\":{\"url\":\"\"},\"title\":\"OpenAI — Orchestration and handoffs\",\"description\":\"Current guidance on handoffs, agents-as-tools and when specialist agents add useful ownership or capability boundaries.\"}},\"tunes\":{}},{\"id\":\"src-openai-safety\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Fagent-builder-safety\",\"meta\":{\"image\":{\"url\":\"\"},\"title\":\"OpenAI — Safety in building agents\",\"description\":\"Current safety guidance covering tool approvals, prompt injection, guardrails and trace-based evaluation.\"}},\"tunes\":{}},{\"id\":\"src-anthropic-agents\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fwww.anthropic.com\u002Fengineering\u002Fbuilding-effective-agents\",\"meta\":{\"image\":{\"url\":\"\"},\"title\":\"Anthropic — Building effective agents\",\"description\":\"Engineering guidance distinguishing predefined workflows from model-directed agents and describing tool-based environmental feedback loops.\"}},\"tunes\":{}},{\"id\":\"src-anthropic-context\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fwww.anthropic.com\u002Fengineering\u002Feffective-context-engineering-for-ai-agents\",\"meta\":{\"image\":{\"url\":\"\"},\"title\":\"Anthropic — Effective context engineering for AI agents\",\"description\":\"Practical framing of agents as LLMs autonomously using tools in a loop, with dynamic just-in-time context management.\"}},\"tunes\":{}},{\"id\":\"src-anthropic-evals\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fwww.anthropic.com\u002Fengineering\u002Fdemystifying-evals-for-ai-agents\",\"meta\":{\"image\":{\"url\":\"\"},\"title\":\"Anthropic — Demystifying evals for AI agents\",\"description\":\"2026 guidance on evaluating multi-turn agents that call tools, modify state and adapt to intermediate results.\"}},\"tunes\":{}}],\"version\":\"2.31.6\"}",{"time":1578,"blocks":1579,"version":2692},1791487185746,[1580,1584,1589,1594,1599,1603,1607,1611,1615,1619,1623,1627,1631,1635,1661,1665,1669,1673,1676,1697,1701,1705,1737,1741,1745,1787,1791,1795,1799,1804,1808,1812,1816,1820,1824,1849,1853,1857,1861,1865,1869,1873,1877,1881,1885,1889,1893,1898,1902,1906,1910,1914,1918,1922,1929,1933,1937,1941,1945,1964,1968,1972,1976,1980,1984,2018,2022,2026,2030,2034,2038,2042,2046,2050,2054,2058,2062,2068,2072,2076,2080,2084,2091,2095,2134,2138,2142,2146,2150,2196,2200,2228,2232,2236,2240,2244,2248,2252,2256,2260,2264,2268,2272,2297,2302,2306,2349,2353,2389,2393,2434,2438,2483,2487,2491,2495,2499,2503,2507,2511,2515,2519,2523,2527,2531,2535,2539,2543,2575,2579,2614,2617,2621,2625,2629,2633,2637,2643,2650,2657,2664,2671,2678,2685],{"id":215,"data":1581,"type":218,"tunes":1583},{"text":1582},"Agentic AI is an AI system in which a model can pursue a goal across multiple steps by deciding what to do next, using tools or other capabilities, observing the results, updating its working state and continuing until it reaches a stopping condition. The model alone is not the agent. A usable agent also needs a runtime or harness that manages context, tool execution, state, permissions, approvals, errors and the loop between decisions and observations.",{},{"id":221,"data":1585,"type":226,"tunes":1588},{"body":1586,"title":1587,"variant":225},"A normal model call is usually \u003Cstrong>input → model → output\u003C\u002Fstrong>. An agentic system is closer to \u003Cstrong>goal → decision → tool\u002Faction → observation → updated decision → … → result\u003C\u002Fstrong>.\u003Cbr>\u003Cbr>The critical distinction is not whether an application uses an LLM or function calling. It is whether the system gives the model meaningful control over the next step of a multi-step process while a runtime constrains what the model is actually allowed to do.","Direct answer",{},{"id":229,"data":1590,"type":226,"tunes":1593},{"body":1591,"title":1592,"variant":233},"A model may know how to call a tool. A runtime may expose that tool. Neither fact means the current user or agent is authorized to execute the underlying business action. \u003Cstrong>Tool capability, tool permission and business authority are separate layers.\u003C\u002Fstrong>","Capability is not authority",{},{"id":236,"data":1595,"type":226,"tunes":1598},{"body":1596,"title":1597,"variant":240},"Agent terminology still varies across vendors and research communities. OpenAI currently defines agent runtimes around multi-step work, tools, state and orchestration. Anthropic's practical distinction remains useful: workflows follow predefined code paths, while agents dynamically direct their own process and tool use. This article therefore treats “agentic AI” as an architectural spectrum rather than one standardized product category.","Current-source note — 8 October 2026",{},{"id":243,"data":1600,"type":248,"tunes":1602},{"title":1601,"maxLevel":246,"minLevel":247},"Contents",{},{"id":251,"data":1604,"type":42,"tunes":1606},{"text":1605,"level":247},"What agentic AI really means",{},{"id":256,"data":1608,"type":218,"tunes":1610},{"text":1609},"The important shift from ordinary generative AI to agentic AI is control over process. A normal assistant can answer a question using the context it receives. An agent can decide that answering requires additional steps: inspect a file, search a repository, query an API, ask for clarification, run a test, update a ticket, delegate a subtask or retry after a failed action.",{},{"id":261,"data":1612,"type":218,"tunes":1614},{"text":1613},"This does not require unlimited autonomy. An agent can operate inside a narrow sandbox, under strict permissions, with approval required before every consequential action. The system is still agentic if the model dynamically chooses among permitted next steps.",{},{"id":266,"data":1616,"type":218,"tunes":1618},{"text":1617},"The architecture therefore matters more than the label. “Agent” should describe a system behavior: iterative model-driven decision making over tools, state and feedback — not merely a chatbot with a larger prompt.",{},{"id":271,"data":1620,"type":42,"tunes":1622},{"text":1621,"level":247},"The simplest example",{},{"id":276,"data":1624,"type":218,"tunes":1626},{"text":1625},"Suppose a developer asks an AI system: “Find why the test suite fails and fix the bug.” A single model call could only suggest likely causes from the text it was given.",{},{"id":281,"data":1628,"type":218,"tunes":1630},{"text":1629},"An agentic coding system can inspect the repository, search for the failing test, read relevant files, propose a change, edit the code, run the test, observe the failure, revise the implementation and run the test again.",{},{"id":286,"data":1632,"type":218,"tunes":1634},{"text":1633},"The agentic part is not simply that shell and file tools exist. It is that the model can use environmental feedback to choose the next step instead of following one completely predefined sequence.",{},{"id":291,"data":1636,"type":317,"tunes":1660},{"steps":1637,"title":1659,"orientation":316},[1638,1641,1644,1647,1650,1653,1656],{"label":1639,"description":1640},"1. Receive a goal","The user or upstream system defines the objective and relevant constraints.",{"label":1642,"description":1643},"2. Build current context","The runtime supplies instructions, state, history, memory, tools and current evidence.",{"label":1645,"description":1646},"3. Model decides next step","The model may answer, call a tool, request information, delegate or stop.",{"label":1648,"description":1649},"4. Runtime validates the request","Permissions, schemas, approvals and policy determine whether the proposed action may execute.",{"label":1651,"description":1652},"5. Execute tool or action","The external environment changes or returns new information.",{"label":1654,"description":1655},"6. Observe the result","The runtime feeds structured tool output, errors or state changes back into the next model step.",{"label":1657,"description":1658},"7. Continue or stop","The loop repeats until success, refusal, escalation, budget limit, timeout or another stopping condition.","The basic agent loop",{},{"id":320,"data":1662,"type":42,"tunes":1664},{"text":1663,"level":247},"Where the simple example stops",{},{"id":325,"data":1666,"type":218,"tunes":1668},{"text":1667},"Not every multi-step AI system is equally agentic. A workflow may use several LLM calls and tools while every step is predetermined in code. Another system may let the model decide which tool to call, in which order, how many times and when to stop.",{},{"id":330,"data":1670,"type":218,"tunes":1672},{"text":1671},"Both can be useful. The difference is where control lives. Predefined workflows put more control in application code. Agents move more tactical process decisions into the model\u002Fruntime loop.",{},{"id":335,"data":1674,"type":42,"tunes":1675},{"text":337,"level":247},{},{"id":340,"data":1677,"type":369,"tunes":1696},{"rows":1678,"title":1691,"layout":361,"columns":1692},[1679,1682,1685,1688],{"id":344,"label":1680,"values":1681},"Process path",[347,347],{"id":349,"label":1683,"values":1684},"Tool sequence",[347,347],{"id":353,"label":1686,"values":1687},"Strength",[347,347],{"id":357,"label":1689,"values":1690},"Risk",[347,347],"Predefined workflow and agentic control",[1693,1695],{"id":364,"label":1694},"LLM workflow",{"id":367,"label":368},{},{"id":372,"data":1698,"type":218,"tunes":1700},{"text":1699},"Anthropic explicitly separates these two patterns: workflows orchestrate models and tools through predefined code paths, while agents let models dynamically direct their own processes and tool usage. This is not the only possible terminology, but it is a useful architecture boundary.",{},{"id":377,"data":1702,"type":42,"tunes":1704},{"text":1703,"level":247},"Agentic behavior is a spectrum, not a binary label",{},{"id":382,"data":1706,"type":361,"tunes":1736},{"content":1707,"stretched":43,"withHeadings":14},[1708,1712,1716,1720,1724,1728,1732],[1709,1710,1711],"Level","Example","Who decides the next step?",[1713,1714,1715],"Single model call","Summarize this document","Application calls model once",[1717,1718,1719],"Tool-assisted response","Model may use web search before answering","Model selects from bounded tools for one response",[1721,1722,1723],"Structured workflow","Classify → retrieve → generate → validate","Application workflow determines stages",[1725,1726,1727],"Adaptive workflow","Model can choose among several branches and retry","Shared control between application and model",[1729,1730,1731],"Agent loop","Model repeatedly chooses tools\u002Factions based on observations","Model directs tactical execution inside runtime constraints",[1733,1734,1735],"Long-running agent","Agent pauses, resumes, manages artifacts and continues","Model + persistent runtime manage evolving execution",{},{"id":415,"data":1738,"type":218,"tunes":1740},{"text":1739},"Calling every system above an “agent” can obscure important operational differences. The stronger the model's control over sequence, duration and actions, the more important runtime isolation, permissions, tracing, stopping conditions and trajectory evaluation become.",{},{"id":420,"data":1742,"type":42,"tunes":1744},{"text":1743,"level":247},"The minimum architecture of an agentic system",{},{"id":425,"data":1746,"type":361,"tunes":1786},{"content":1747,"stretched":43,"withHeadings":14},[1748,1751,1754,1757,1759,1762,1765,1768,1771,1774,1777,1780,1783],[1749,1750],"Component","Responsibility",[1752,1753],"Goal \u002F task","Defines what the system is trying to accomplish.",[1755,1756],"Model","Interprets context and decides the next action or output.",[438,1758],"Define role, constraints, priorities and task-specific policy.",[1760,1761],"Context assembler","Builds the information visible to the model on each step.",[1763,1764],"Tool catalog","Defines capabilities the model may request.",[1766,1767],"Runtime \u002F harness","Runs the loop, executes tools, manages state and handles stopping conditions.",[1769,1770],"Authorization layer","Determines whether a proposed action is permitted for the current principal.",[1772,1773],"State \u002F session","Preserves task progress across turns or execution steps.",[1775,1776],"Observation channel","Returns tool results and environment changes to the next model step.",[1778,1779],"Approvals \u002F human control","Pauses consequential actions where review is required.",[1781,1782],"Tracing \u002F audit","Records model calls, tools, transitions, approvals and failures.",[1784,1785],"Evaluation","Measures outcomes and execution trajectories against acceptance criteria.",{},{"id":469,"data":1788,"type":42,"tunes":1790},{"text":1789,"level":247},"A model is not an agent",{},{"id":474,"data":1792,"type":218,"tunes":1794},{"text":1793},"A language model produces outputs from inputs. It does not by itself own a filesystem, execute a shell command, maintain durable task state, enforce permissions or automatically call itself again.",{},{"id":479,"data":1796,"type":218,"tunes":1798},{"text":1797},"Those capabilities come from the surrounding runtime. The same model can behave as a simple chat model in one application and as the decision engine inside an agent loop in another.",{},{"id":484,"data":1800,"type":226,"tunes":1803},{"body":1801,"title":1802,"variant":488},"\u003Cstrong>Model capability determines what decisions can be proposed. Runtime architecture determines what can actually happen.\u003C\u002Fstrong>","Architecture rule",{},{"id":491,"data":1805,"type":42,"tunes":1807},{"text":1806,"level":247},"Tool use is central — but tool use alone does not make an agent",{},{"id":496,"data":1809,"type":218,"tunes":1811},{"text":1810},"Tools let the model acquire information and affect external systems. Examples include database reads, file operations, shell execution, web search, browser control, API calls, ticket updates or delegated specialist agents.",{},{"id":501,"data":1813,"type":218,"tunes":1815},{"text":1814},"A single model call can use one tool and still remain a bounded tool-assisted response rather than a long-running agent. Agentic behavior appears when tool observations feed an adaptive loop in which the model chooses what to do next.",{},{"id":506,"data":1817,"type":218,"tunes":1819},{"text":1818},"Tool design matters because tools are the contract between model reasoning and external reality. Ambiguous or overlapping tools create routing errors; large unstructured outputs pollute context; broad side-effect tools increase blast radius.",{},{"id":511,"data":1821,"type":42,"tunes":1823},{"text":1822,"level":247},"Tool capability, permission and authority are different",{},{"id":516,"data":1825,"type":361,"tunes":1848},{"content":1826,"stretched":43,"withHeadings":14},[1827,1829,1832,1835,1837,1840,1843,1846],[1828,521],"Layer",[1830,1831],"Capability","Can this runtime technically perform the operation?",[1833,1834],"Tool exposure","Is that capability available to this agent?",[529,1836],"May this agent\u002Fsession use it under the current policy?",[1838,1839],"User authorization","Is the requesting principal allowed to cause this operation?",[1841,1842],"Business authority","Is the operation valid under domain rules, approvals and limits?",[1844,1845],"Execution","Did the operation actually occur?",[541,1847],"Can the system prove who requested, approved and executed it?",{},{"id":545,"data":1850,"type":218,"tunes":1852},{"text":1851},"These layers are frequently collapsed in prototypes. A model sees a refund tool and therefore appears able to issue refunds. In production, the tool should still validate account, user, transaction, amount, policy and approval conditions independently of the model's request.",{},{"id":550,"data":1854,"type":42,"tunes":1856},{"text":1855,"level":247},"The runtime or harness is the actual execution system",{},{"id":555,"data":1858,"type":218,"tunes":1860},{"text":1859},"OpenAI's current agent documentation makes the runtime distinction explicit. Different runtimes can manage orchestration, state, tools, sandboxes and execution in different places, while the model remains only one part of the system.",{},{"id":560,"data":1862,"type":218,"tunes":1864},{"text":1863},"The Agents SDK describes a loop that repeatedly calls the current model, inspects the output, executes requested tools or handoffs, and continues until the model returns a final answer or another real stopping point.",{},{"id":565,"data":1866,"type":218,"tunes":1868},{"text":1867},"This means agent architecture decisions include where orchestration runs, where state lives, who executes tools, which sandbox contains side effects, and who owns retries, timeouts and resumability.",{},{"id":570,"data":1870,"type":42,"tunes":1872},{"text":1871,"level":247},"Planning is useful, but an explicit plan is not required",{},{"id":575,"data":1874,"type":218,"tunes":1876},{"text":1875},"Agents are often described as systems that “plan.” In practice, planning can be explicit or implicit. An agent may first produce a visible multi-step plan, or it may choose one next action at a time and revise after every observation.",{},{"id":580,"data":1878,"type":218,"tunes":1880},{"text":1879},"For highly uncertain tasks, short-horizon planning can be safer because the environment can invalidate a long plan. The architectural requirement is the ability to choose and revise actions based on the goal, current state and new evidence.",{},{"id":585,"data":1882,"type":42,"tunes":1884},{"text":1883,"level":247},"Environmental feedback is what makes the loop useful",{},{"id":590,"data":1886,"type":218,"tunes":1888},{"text":1887},"An agent becomes operationally meaningful when it can observe whether its action worked. Tool output, test results, API responses, filesystem state, browser state and application records provide external evidence that the system can use to revise its next decision.",{},{"id":595,"data":1890,"type":218,"tunes":1892},{"text":1891},"Anthropic's agent guidance emphasizes this feedback loop: agents use tools, obtain ground truth from the environment, assess progress and continue or request human input.",{},{"id":600,"data":1894,"type":226,"tunes":1897},{"body":1895,"title":1896,"variant":233},"An agent saying “the task is complete” does not prove completion. Where possible, verify the final state through an external system, test, file, transaction record or other observable outcome.","Self-report is not environmental proof",{},{"id":606,"data":1899,"type":42,"tunes":1901},{"text":1900,"level":247},"Agent state is not the same as model context",{},{"id":611,"data":1903,"type":218,"tunes":1905},{"text":1904},"A long-running task may need state that cannot or should not remain in the model context: task IDs, checkpoints, artifacts, approvals, external object identifiers, retry counters and workflow status.",{},{"id":616,"data":1907,"type":218,"tunes":1909},{"text":1908},"The runtime can preserve this durable state outside the model window and reconstruct the context required for the next step. This keeps model-visible context focused while maintaining continuity and resumability.",{},{"id":621,"data":1911,"type":42,"tunes":1913},{"text":1912,"level":247},"Memory is optional, not the definition of an agent",{},{"id":626,"data":1915,"type":218,"tunes":1917},{"text":1916},"An agent can operate successfully without long-term memory if the complete task fits inside one bounded run. Memory becomes useful when information must persist across sessions, tasks or long execution horizons.",{},{"id":631,"data":1919,"type":218,"tunes":1921},{"text":1920},"RAG, memory, state and context solve different problems. Treating a vector database as “the agent memory” or conversation history as “the state machine” usually hides important lifecycle and authority boundaries.",{},{"id":636,"data":1923,"type":642,"tunes":1928},{"url":1924,"title":1925,"excerpt":1926,"ctaLabel":1927},"https:\u002F\u002Fstajic.de\u002Fblog\u002Fai-agent-memory-is-not-rag-how-to-separate-memory-retrieval-state-and-context","AI Agent Memory Is Not RAG: How to Separate Memory, Retrieval, State and Context","A practical architecture separating persistent memory, authoritative application state, retrieval and the context supplied to the model.","Read the memory architecture article",{},{"id":645,"data":1930,"type":42,"tunes":1932},{"text":1931,"level":247},"Context engineering becomes dynamic in agents",{},{"id":650,"data":1934,"type":218,"tunes":1936},{"text":1935},"Every tool call can produce new context. Every step can also make earlier information obsolete. A strong agent runtime therefore rebuilds or curates context as execution progresses rather than replaying everything indefinitely.",{},{"id":655,"data":1938,"type":218,"tunes":1940},{"text":1939},"Tool definitions, task state, retrieved evidence, observations and memory all compete for the model's attention. Long-running agents need trimming, compaction or just-in-time loading so context remains relevant to the current decision.",{},{"id":660,"data":1942,"type":42,"tunes":1944},{"text":1943,"level":247},"Read tools and side-effect tools have different risk",{},{"id":665,"data":1946,"type":369,"tunes":1963},{"rows":1947,"title":1957,"layout":361,"columns":1958},[1948,1951,1954],{"id":669,"label":1949,"values":1950},"Examples",[347,347],{"id":673,"label":1952,"values":1953},"Main risk",[347,347],{"id":677,"label":1955,"values":1956},"Typical control",[347,347],"Information access versus external action",[1959,1961],{"id":683,"label":1960},"Read \u002F observe",{"id":686,"label":1962},"Write \u002F act",{},{"id":690,"data":1965,"type":42,"tunes":1967},{"text":1966,"level":247},"Human-in-the-loop is a control mechanism, not the opposite of agentic AI",{},{"id":695,"data":1969,"type":218,"tunes":1971},{"text":1970},"An agent does not stop being agentic because a human approves consequential steps. The model can still autonomously inspect, reason, search and prepare an action while the runtime requires human confirmation before execution.",{},{"id":700,"data":1973,"type":218,"tunes":1975},{"text":1974},"OpenAI's current agent safety guidance explicitly recommends approvals for tool operations in higher-risk workflows. Anthropic likewise emphasizes checkpoints and human judgment where agents encounter blockers or consequential decisions.",{},{"id":705,"data":1977,"type":218,"tunes":1979},{"text":1978},"The useful architecture question is not “human or autonomous?” but which decisions can be delegated, which require review and which must remain deterministic?",{},{"id":710,"data":1981,"type":42,"tunes":1983},{"text":1982,"level":247},"Agents need explicit stopping conditions",{},{"id":715,"data":1985,"type":361,"tunes":2017},{"content":1986,"stretched":43,"withHeadings":14},[1987,1990,1993,1996,1999,2002,2005,2008,2011,2014],[1988,1989],"Stopping condition","Purpose",[1991,1992],"Successful verified outcome","End when the external target state is confirmed.",[1994,1995],"Maximum steps","Prevent runaway loops.",[1997,1998],"Time budget","Bound wall-clock execution.",[2000,2001],"Cost\u002Ftoken budget","Limit resource consumption.",[2003,2004],"Repeated-action detector","Stop loops that are no longer making progress.",[2006,2007],"Permission boundary","Pause or stop when the next required action is not permitted.",[2009,2010],"Human approval checkpoint","Wait before consequential execution.",[2012,2013],"Unrecoverable tool failure","Escalate instead of retrying indefinitely.",[2015,2016],"Uncertainty threshold","Ask for clarification when the task cannot be safely inferred.",{},{"id":750,"data":2019,"type":42,"tunes":2021},{"text":2020,"level":247},"Recovery is part of agent behavior",{},{"id":755,"data":2023,"type":218,"tunes":2025},{"text":2024},"Agents operate in environments that fail: APIs time out, files change, credentials expire, webpages move and tools return malformed output. A useful agentic system therefore needs recovery behavior, not just a happy-path tool loop.",{},{"id":760,"data":2027,"type":218,"tunes":2029},{"text":2028},"Recovery can include retry with limits, choosing another tool, re-reading current state, asking the user, rolling back a partial action or escalating to a human.",{},{"id":765,"data":2031,"type":218,"tunes":2033},{"text":2032},"Retries also need idempotency awareness. Repeating a read is usually low risk; repeating a payment or message send can create duplicate side effects.",{},{"id":770,"data":2035,"type":42,"tunes":2037},{"text":2036,"level":247},"Agentic AI does not require multiple agents",{},{"id":775,"data":2039,"type":218,"tunes":2041},{"text":2040},"A single agent with a clear tool set is often simpler and easier to evaluate than a multi-agent architecture. Multiple agents are useful when specialization materially improves tool isolation, policy isolation, prompt clarity, ownership or trace legibility.",{},{"id":780,"data":2043,"type":218,"tunes":2045},{"text":2044},"OpenAI's current orchestration guidance explicitly recommends starting with one agent where possible and adding specialists only when the contract or ownership boundary materially changes.",{},{"id":785,"data":2047,"type":218,"tunes":2049},{"text":2048},"Multi-agent systems add new problems: delegation quality, duplicated context, conflicting state, handoff semantics, identity, cost and distributed failure handling.",{},{"id":790,"data":2051,"type":42,"tunes":2053},{"text":2052,"level":247},"Agent protocols are interoperability layers, not the agent itself",{},{"id":795,"data":2055,"type":218,"tunes":2057},{"text":2056},"Protocols such as MCP and A2A can make an agent architecture interoperable, but they do not create the agent loop by themselves. MCP can expose tools and resources. A2A can connect independently implemented agents. The application still needs runtime, authorization, state, evaluation and domain logic.",{},{"id":800,"data":2059,"type":218,"tunes":2061},{"text":2060},"This is why protocol capability must remain separate from business authority. Discovering a tool through MCP does not prove the current principal is allowed to use it. Receiving a task through A2A does not prove the remote agent may perform every requested action.",{},{"id":805,"data":2063,"type":642,"tunes":2067},{"url":807,"title":2064,"excerpt":2065,"ctaLabel":2066},"MCP vs A2A vs UCP vs AP2 vs A2UI: The Agent Protocol Stack Explained","A protocol-responsibility map showing why tool access, agent collaboration, commerce, payment authority and agent-driven UI belong to different interoperability boundaries.","Read the agent protocol stack",{},{"id":813,"data":2069,"type":42,"tunes":2071},{"text":2070,"level":247},"The trajectory is part of agent reliability",{},{"id":818,"data":2073,"type":218,"tunes":2075},{"text":2074},"A final answer is insufficient evidence for an agentic system because an agent can reach the right result through an unsafe or invalid path. It may use an unauthorized tool, skip a required check, retry a side effect, rely on stale state or accidentally succeed.",{},{"id":823,"data":2077,"type":218,"tunes":2079},{"text":2078},"Evaluation therefore needs execution traces: decisions, tool calls, approvals, observations, state changes and final outcome. Current OpenAI safety guidance recommends trace graders and evals; Anthropic's 2026 agent-evaluation guidance similarly treats multi-turn tool trajectories as first-class evaluation objects.",{},{"id":828,"data":2081,"type":218,"tunes":2083},{"text":2082},"The stronger reliability question is: Did the agent reach an acceptable outcome through an acceptable, recoverable and auditable trajectory?",{},{"id":833,"data":2085,"type":642,"tunes":2090},{"url":2086,"title":2087,"excerpt":2088,"ctaLabel":2089},"https:\u002F\u002Fstajic.de\u002Fblog\u002Fai-agent-reliability-why-the-final-answer-is-not-enough","AI Agent Reliability: Why the Final Answer Is Not Enough","Why production evaluation must inspect trajectories, tool use, state transitions and recoverability rather than only final answers.","Read the reliability article",{},{"id":841,"data":2092,"type":42,"tunes":2094},{"text":2093,"level":247},"Agentic systems increase the security surface",{},{"id":846,"data":2096,"type":361,"tunes":2133},{"content":2097,"stretched":43,"withHeadings":14},[2098,2101,2105,2109,2113,2117,2121,2125,2129],[1689,2099,2100],"Why agents amplify it","Architecture response",[2102,2103,2104],"Prompt injection","Untrusted content can influence future tool decisions","Separate instructions from data; constrain tools; sanitize or structure external input where possible",[2106,2107,2108],"Excessive permissions","Reasoning errors can become real side effects","Least privilege, scoped credentials, per-tool policy and approvals",[2110,2111,2112],"Credential exposure","Tools may need powerful secrets","Keep secrets outside model context; broker access through trusted runtime",[2114,2115,2116],"Confused deputy","Agent may act with authority broader than the requesting user","Bind execution to user\u002Fservice identity and re-authorize consequential actions",[2118,2119,2120],"Runaway loops","Model repeatedly calls tools without progress","Step, time and cost budgets plus loop detection",[2122,2123,2124],"State drift","Environment changes after the agent formed a plan","Re-read authoritative state before consequential actions",[2126,2127,2128],"Indirect injection","Tool\u002Fweb\u002Fdocument content contains instructions aimed at the model","Treat external content as untrusted data, not instruction authority",[2130,2131,2132],"Audit gap","Final result cannot show what was executed","Trace tool calls, approvals, identities and state changes",{},{"id":886,"data":2135,"type":42,"tunes":2137},{"text":2136,"level":247},"Agent observability must follow the loop",{},{"id":891,"data":2139,"type":218,"tunes":2141},{"text":2140},"Traditional service observability records requests, latency and errors. Agent observability needs an additional execution model: which agent was active, which model version made the decision, what context was available, which tool was selected, what arguments were sent, what result came back and why execution stopped.",{},{"id":896,"data":2143,"type":218,"tunes":2145},{"text":2144},"For sensitive systems, traces themselves require access control and retention policy because prompts, tool outputs and artifacts can contain confidential data.",{},{"id":901,"data":2147,"type":42,"tunes":2149},{"text":2148,"level":247},"How to evaluate an agentic system",{},{"id":906,"data":2151,"type":361,"tunes":2195},{"content":2152,"stretched":43,"withHeadings":14},[2153,2155,2159,2163,2167,2171,2175,2179,2183,2187,2191],[910,521,2154],"Example evidence",[2156,2157,2158],"Task success","Did the requested outcome occur?","External state, tests, business outcome",[2160,2161,2162],"Trajectory quality","Were the steps acceptable?","Tool\u002Faction trace",[2164,2165,2166],"Tool selection","Did the agent choose appropriate capabilities?","Expected vs actual tool calls",[2168,2169,2170],"Permission adherence","Did it stay inside allowed authority?","Authorization logs and denied-action tests",[2172,2173,2174],"State handling","Did it use current authoritative state?","Freshness checks and state-change tests",[2176,2177,2178],"Recovery","Did it respond correctly to failures?","Injected timeout\u002Ferror scenarios",[2180,2181,2182],"Stopping behavior","Did it stop at the right point?","Step counts, loop detection, final-state proof",[2184,2185,2186],"Human escalation","Did it ask when review was required?","Approval\u002Fescalation traces",[2188,2189,2190],"Cost\u002Flatency","Was autonomy worth the operational cost?","Tokens, tool calls, duration",[2192,2193,2194],"Robustness","Does it survive realistic environment variation?","Repeated and adversarial trials",{},{"id":954,"data":2197,"type":42,"tunes":2199},{"text":2198,"level":247},"When an agent is appropriate",{},{"id":959,"data":2201,"type":361,"tunes":2227},{"content":2202,"stretched":43,"withHeadings":14},[2203,2206,2209,2212,2215,2218,2221,2224],[2204,2205],"Use an agent when","Prefer a workflow or simple call when",[2207,2208],"The number or order of steps cannot be known reliably in advance","The sequence is stable and deterministic",[2210,2211],"The system must inspect the environment and adapt","A single retrieval + generation step is sufficient",[2213,2214],"Several tools may be useful depending on intermediate results","One known API call solves the task",[2216,2217],"The task benefits from iterative verification or repair","The answer can be produced directly from supplied context",[2219,2220],"Failures require flexible recovery behavior","Failure branches are simple and can be encoded explicitly",[2222,2223],"Human review can be inserted at meaningful checkpoints","Every step is high-risk and must be manually controlled anyway",[2225,2226],"Expected value justifies extra latency, cost and complexity","Predictability and low cost matter more than flexibility",{},{"id":988,"data":2229,"type":218,"tunes":2231},{"text":2230},"A strong default is to start with the simplest solution that works and increase agentic complexity only when flexibility produces measurable value. Agents trade predictability, latency and cost for adaptive execution.",{},{"id":993,"data":2233,"type":42,"tunes":2235},{"text":2234,"level":247},"Original implementation evidence",{},{"id":998,"data":2237,"type":42,"tunes":2239},{"text":2238,"level":246},"Aaasaasa AI Client: model, runtime and permission are separate",{},{"id":1003,"data":2241,"type":218,"tunes":2243},{"text":2242},"Aaasaasa AI Client explicitly separates agent\u002Fclient, provider, model, runtime location and permissions. Its architecture documentation treats permissions as central tool\u002Fworkspace policy rather than a model property.",{},{"id":1008,"data":2245,"type":218,"tunes":2247},{"text":2246},"The same application can expose Direct Chat with no filesystem or shell tools while a Codex runtime operates under a selected workspace and permission profile. This demonstrates a core agentic architecture boundary: changing the runtime\u002Ftool surface changes what the system can do even when model access remains available.",{},{"id":1013,"data":2249,"type":218,"tunes":2251},{"text":2250},"The repository also distinguishes a local Codex runtime from model location: a local runtime can call a cloud model. This prevents the common mistake of equating “agent runs locally” with “inference is local.”",{},{"id":1018,"data":2253,"type":218,"tunes":2255},{"text":2254},"The implementation disables embedded execution paths whose approval semantics do not satisfy the required permission model. This supports the principle that agent capability should not bypass runtime authorization simply because an underlying framework can execute tools.",{},{"id":1023,"data":2257,"type":42,"tunes":2259},{"text":2258,"level":246},"Source of Truth Research Engine: bounded agentic research stages",{},{"id":1028,"data":2261,"type":218,"tunes":2263},{"text":2262},"The Source of Truth Research Engine uses a bounded research pipeline: discover → acquire → extract → verify → contradict → synthesize. Research jobs can execute through an AI runtime while evidence, sources, claims and contradictions remain in an external persistent store.",{},{"id":1033,"data":2265,"type":218,"tunes":2267},{"text":2266},"This is intentionally more controlled than an unconstrained autonomous research agent. The stages provide guardrails around what kind of work should happen next while still allowing model-driven research inside each bounded task.",{},{"id":1038,"data":2269,"type":218,"tunes":2271},{"text":2270},"That distinction is useful evidence for agent design: autonomy can be placed inside a structured delivery envelope rather than applied uniformly to the entire process.",{},{"id":1043,"data":2273,"type":361,"tunes":2296},{"content":2274,"stretched":43,"withHeadings":14},[2275,2278,2281,2284,2287,2290,2293],[2276,2277],"Implemented pattern","Agentic architecture lesson",[2279,2280],"Direct Chat has no OS tools","A model can exist without agentic execution capability.",[2282,2283],"Codex runtime has workspace permission profile","Tool authority belongs to runtime policy, not model capability.",[2285,2286],"Provider\u002Fmodel\u002Fruntime are separate concepts","Agent harness location and inference location are independent decisions.",[2288,2289],"Permission broker for tool-capable runtimes","Capability exposure can be centralized and governed.",[2291,2292],"Bounded research stages","Autonomy can operate inside explicit process boundaries.",[2294,2295],"Persistent claims\u002Fevidence outside model context","Agent state and evidence do not need to live only in conversation history.",{},{"id":1069,"data":2298,"type":226,"tunes":2301},{"body":2299,"title":2300,"variant":240},"These projects demonstrate concrete agent\u002Fruntime, permission and bounded-research patterns. They are not presented as proof of large-scale commercial autonomous-agent deployment.","Evidence boundary",{},{"id":1075,"data":2303,"type":42,"tunes":2305},{"text":2304,"level":247},"Common agentic AI failure modes",{},{"id":1080,"data":2307,"type":361,"tunes":2348},{"content":2308,"stretched":43,"withHeadings":14},[2309,2312,2315,2318,2321,2324,2327,2330,2333,2336,2339,2342,2345],[2310,2311],"Failure mode","What actually failed",[2313,2314],"“Agent” is only a chatbot with tools listed in the prompt","No reliable runtime loop or tool execution architecture exists",[2316,2317],"Tool support is treated as permission","Capability and authorization boundaries are collapsed",[2319,2320],"Agent trusts its own completion statement","Outcome is not verified against external state",[2322,2323],"Every task becomes multi-agent","Complexity increases without a real ownership or specialization boundary",[2325,2326],"Conversation history is used as durable state","Resumability and authoritative state become fragile",[2328,2329],"Agent retries side effects blindly","Duplicate messages, payments or state changes become possible",[2331,2332],"No step\u002Fcost limits","Agent can loop indefinitely or consume uncontrolled resources",[2334,2335],"Tool output is trusted as instruction","Indirect prompt injection can redirect behavior",[2337,2338],"Correct final answer is the only evaluation","Unsafe or invalid trajectories remain invisible",[2340,2341],"Model upgrade is treated as transparent","Tool selection, planning and stopping behavior can change",[2343,2344],"One broad tool exposes many privileged operations","Blast radius increases and intent becomes harder to validate",[2346,2347],"Human approval exists but reviewer lacks context","Approval becomes ceremonial rather than effective",{},{"id":1124,"data":2350,"type":42,"tunes":2352},{"text":2351,"level":247},"Common misconceptions",{},{"id":1129,"data":2354,"type":361,"tunes":2388},{"content":2355,"stretched":43,"withHeadings":14},[2356,2358,2361,2364,2367,2370,2373,2376,2379,2382,2385],[2357,1134],"Misconception",[2359,2360],"“An LLM is an agent.”","The model is the decision component; the agent is the surrounding system that manages tools, state and iteration.",[2362,2363],"“Tool calling automatically means agentic AI.”","A single bounded tool call may not involve an adaptive multi-step agent loop.",[2365,2366],"“Agents must be fully autonomous.”","Agentic systems can require approvals and operate under narrow permission boundaries.",[2368,2369],"“Agents need long-term memory.”","Memory is optional; many useful agents complete bounded tasks without cross-session memory.",[2371,2372],"“Agents must create a written plan first.”","Planning can be explicit or implicit and can occur one step at a time.",[2374,2375],"“Multi-agent is more advanced than single-agent.”","It is more complex; use it only when specialization or ownership boundaries justify it.",[2377,2378],"“MCP creates an agent.”","MCP exposes tools\u002Fresources; the runtime still needs an agent loop and authorization model.",[2380,2381],"“A local runtime means the model is local.”","Runtime location and inference\u002Fprovider location are separate.",[2383,2384],"“If the final result is correct, the agent worked correctly.”","An unsafe or unauthorized trajectory can still produce a correct result.",[2386,2387],"“Human approval removes autonomy.”","Approval can constrain selected actions while the rest of the process remains model-directed.",{},{"id":1167,"data":2390,"type":42,"tunes":2392},{"text":2391,"level":247},"A practical agent design sequence",{},{"id":1172,"data":2394,"type":317,"tunes":2433},{"steps":2395,"title":2432,"orientation":316},[2396,2399,2402,2405,2408,2411,2414,2417,2420,2423,2426,2429],{"label":2397,"description":2398},"1. Define the outcome","State what external result or artifact proves task success.",{"label":2400,"description":2401},"2. Decide whether an agent is actually needed","Prefer a simple call or deterministic workflow when the path is predictable.",{"label":2403,"description":2404},"3. Identify state and Source of Truth","Define which systems own current facts, task progress and business state.",{"label":2406,"description":2407},"4. Define the tool surface","Expose the smallest set of clear capabilities required for the task.",{"label":2409,"description":2410},"5. Bind identity and permissions","Separate user authority, agent\u002Fruntime permissions and tool capabilities.",{"label":2412,"description":2413},"6. Choose autonomy boundaries","Specify what the model may decide dynamically and what remains deterministic.",{"label":2415,"description":2416},"7. Add approval checkpoints","Require review before consequential or irreversible actions where appropriate.",{"label":2418,"description":2419},"8. Define stopping and recovery","Set success proof, budgets, timeouts, retries, escalation and loop controls.",{"label":2421,"description":2422},"9. Design context\u002Fstate management","Keep current state, memory, tool observations and durable artifacts in the correct layers.",{"label":2424,"description":2425},"10. Trace the trajectory","Record enough execution structure to debug and audit model\u002Ftool decisions.",{"label":2427,"description":2428},"11. Evaluate realistic failures","Test stale state, tool errors, prompt injection, ambiguous requests and changed environments.",{"label":2430,"description":2431},"12. Expand autonomy only from evidence","Increase permissions or execution horizon when evaluation shows the benefit justifies the risk.","Design the agent from authority outward",{},{"id":1214,"data":2435,"type":42,"tunes":2437},{"text":2436,"level":247},"Agentic AI architecture checklist",{},{"id":1219,"data":2439,"type":361,"tunes":2482},{"content":2440,"stretched":43,"withHeadings":14},[2441,2443,2446,2449,2452,2455,2458,2461,2464,2467,2470,2473,2476,2479],[521,2442],"Expected evidence",[2444,2445],"What proves success?","External outcome, artifact, test or authoritative state.",[2447,2448],"Why is an agent needed?","The path genuinely depends on intermediate observations.",[2450,2451],"Which decisions are model-driven?","Explicit autonomy boundary.",[2453,2454],"Which tools exist?","Small, documented, unambiguous capability set.",[2456,2457],"Who may use each tool?","Identity- and context-aware authorization policy.",[2459,2460],"Which actions need approval?","Consequence-based review rules.",[2462,2463],"Where does task state live?","Application-owned state separate from transient model context.",[2465,2466],"How does the agent recover?","Retry, re-read, rollback, clarification and escalation behavior.",[2468,2469],"How does it stop?","Verified completion plus step\u002Ftime\u002Fcost limits.",[2471,2472],"How are side effects protected?","Validation, idempotency, least privilege and confirmation.",[2474,2475],"Can execution be reconstructed?","Tool, approval and state-transition traces.",[2477,2478],"How is it evaluated?","Outcome + trajectory + robustness tests.",[2480,2481],"What changes after a model\u002Fruntime update?","Regression suite for tool selection, permissions, stopping and recovery.",{},{"id":1265,"data":2484,"type":42,"tunes":2486},{"text":2485,"level":247},"Edge cases and limitations",{},{"id":1270,"data":2488,"type":218,"tunes":2490},{"text":2489},"Some systems are “agentic” only in a narrow routing sense: the model selects one specialist or tool and then the rest of the workflow is deterministic. That can still be useful, but it should not be described as equivalent to a long-running autonomous agent.",{},{"id":1275,"data":2492,"type":218,"tunes":2494},{"text":2493},"Highly consequential domains may intentionally restrict agent autonomy. An AI system can inspect evidence, prepare recommendations and fill structured forms while a human remains the only actor allowed to commit the final transaction.",{},{"id":1280,"data":2496,"type":218,"tunes":2498},{"text":2497},"Some environments are well suited to agents because feedback is objective. Coding agents can run tests; infrastructure agents can inspect metrics; data agents can validate query results. Open-ended domains with weak feedback require more cautious evaluation.",{},{"id":1285,"data":2500,"type":218,"tunes":2502},{"text":2501},"An agent can operate entirely locally, entirely through managed cloud services or in a hybrid architecture. Agentic behavior describes control flow, not hosting location.",{},{"id":1290,"data":2504,"type":218,"tunes":2506},{"text":2505},"The term “reasoning” should not be used as proof that the agent's internal process is correct. Production assurance should rely on observable inputs, actions, outputs, state and evaluation rather than unverifiable claims about hidden reasoning.",{},{"id":1295,"data":2508,"type":42,"tunes":2510},{"text":2509,"level":247},"What would change this answer?",{},{"id":1300,"data":2512,"type":218,"tunes":2514},{"text":2513},"Vendor APIs and agent frameworks will continue to evolve, but the architecture boundary is stable: a model proposes decisions, a runtime manages the loop, tools connect to the environment, permissions constrain actions and external observations determine what actually happened.",{},{"id":1305,"data":2516,"type":218,"tunes":2518},{"text":2517},"As models become more reliable, systems may safely delegate longer horizons or more complex recovery behavior. As runtime verification and authorization improve, some approval steps may become automated. Those are changes in autonomy level, not changes to the fundamental responsibility layers.",{},{"id":1310,"data":2520,"type":218,"tunes":2522},{"text":2521},"The recommended architecture also changes by consequence. A research agent that only reads public sources can tolerate different controls from an agent that writes production configuration or moves money.",{},{"id":1315,"data":2524,"type":42,"tunes":2526},{"text":2525,"level":247},"Related canonical knowledge",{},{"id":1320,"data":2528,"type":218,"tunes":2530},{"text":2529},"Agentic AI sits above several prerequisite layers: context engineering determines what the model sees; Source-of-Truth architecture determines which information is authoritative; retrieval supplies external evidence; runtime architecture determines what can execute.",{},{"id":1325,"data":2532,"type":218,"tunes":2534},{"text":2533},"Downstream nodes include tool calling, MCP, A2A, agent identity, permissions, auditability, human-in-the-loop, orchestration, memory and multi-agent systems.",{},{"id":1330,"data":2536,"type":218,"tunes":2538},{"text":2537},"The protocol stack article should therefore be read after the basic agent concept: protocols standardize boundaries around agents; they do not define agentic behavior itself.",{},{"id":1335,"data":2540,"type":42,"tunes":2542},{"text":2541,"level":247},"Frequently asked questions",{},{"id":1340,"data":2544,"type":1340,"tunes":2574},{"items":2545,"title":2573},[2546,2549,2552,2555,2558,2561,2564,2567,2570],{"id":1344,"answer":2547,"question":2548},"Agentic AI is an AI system in which a model can pursue a goal over multiple steps by choosing actions or tools, observing results, updating its state and continuing until a stopping condition is reached.","What is agentic AI?",{"id":1348,"answer":2550,"question":2551},"An LLM produces outputs from inputs. An agent combines a model with a runtime, tools, state, permissions, context management and an iterative execution loop.","What is the difference between an LLM and an AI agent?",{"id":1352,"answer":2553,"question":2554},"Not necessarily. A single tool-assisted model response can be bounded and non-agentic. Agentic behavior appears when tool observations drive an adaptive multi-step loop.","Does tool calling make a system an agent?",{"id":1356,"answer":2556,"question":2557},"A workflow usually follows a process path defined in application code. An agent has more model-driven control over which steps and tools to use based on intermediate observations.","What is the difference between an agent and an AI workflow?",{"id":1360,"answer":2559,"question":2560},"No. Long-term memory is useful for persistent information across sessions, but many agents complete bounded tasks using only current task state and context.","Do agents need memory?",{"id":1364,"answer":2562,"question":2563},"No. A single agent is often simpler. Multi-agent systems are justified when specialization, tool isolation, policy isolation or ownership boundaries materially improve the system.","Do AI agents need multiple agents?",{"id":1368,"answer":2565,"question":2566},"Yes. The agent can autonomously perform low-risk analysis and preparation while the runtime pauses for human approval before consequential actions.","Can an agent be human-in-the-loop?",{"id":1372,"answer":2568,"question":2569},"No. MCP is an interoperability protocol for exposing tools, resources and prompts. An agent runtime can use MCP, but still needs its own loop, state, authorization and evaluation.","Is MCP an agent framework?",{"id":1376,"answer":2571,"question":2572},"Where possible, verify success through external state, tests, artifacts or authoritative system records rather than trusting the model's own completion statement.","How do you know an agent actually completed a task?","Agentic AI FAQ",{},{"id":1382,"data":2576,"type":42,"tunes":2578},{"text":2577,"level":247},"Glossary",{},{"id":1387,"data":2580,"type":1387,"tunes":2613},{"title":2581,"entries":2582},"Key agentic AI terms",[2583,2586,2589,2591,2593,2596,2598,2601,2604,2607,2610],{"term":2584,"anchor":1393,"definition":2585},"Agentic AI","AI system behavior in which a model dynamically directs multi-step execution using tools, observations and state toward a goal.",{"term":2587,"anchor":1397,"definition":2588},"AI agent","A model-centered system with runtime, tools, state and an execution loop that can pursue a task over multiple steps.",{"term":1729,"anchor":1400,"definition":2590},"Repeated cycle of model decision, tool\u002Faction execution, observation and updated model decision until stopping.",{"term":1766,"anchor":1403,"definition":2592},"The execution layer that manages the model loop, tools, state, approvals, context, errors and stopping conditions.",{"term":2594,"anchor":1407,"definition":2595},"Tool","A capability exposed to the model for reading information, computing, delegating or changing external state.",{"term":1410,"anchor":1411,"definition":2597},"Information returned from a tool or environment and supplied to a later agent step.",{"term":2599,"anchor":1415,"definition":2600},"Agent state","Persistent task or execution information that exists outside a single model output and may survive across steps or pauses.",{"term":2602,"anchor":1419,"definition":2603},"Autonomy boundary","The explicit limit defining which decisions and actions the model may control dynamically.",{"term":2605,"anchor":1423,"definition":2606},"Human-in-the-loop","A control pattern in which human review, input or approval is required at selected points in an AI-driven process.",{"term":2608,"anchor":1427,"definition":2609},"Trajectory","The sequence of relevant states, decisions, tool calls, actions and observations between task request and final outcome.",{"term":2611,"anchor":1431,"definition":2612},"Idempotency","Property that allows an operation to be repeated without unintentionally applying the same side effect multiple times.",{},{"id":1435,"data":2615,"type":42,"tunes":2616},{"text":1437,"level":247},{},{"id":1440,"data":2618,"type":218,"tunes":2620},{"text":2619},"Agentic AI is not simply a smarter model or a chatbot with more tools. It is a system architecture in which a model participates in an iterative control loop: decide, act, observe, update and continue.",{},{"id":1445,"data":2622,"type":218,"tunes":2624},{"text":2623},"The model provides flexible decision making, but the surrounding runtime must own execution reality: permissions, tool access, state, approvals, retries, budgets, stopping conditions, tracing and verification.",{},{"id":1450,"data":2626,"type":218,"tunes":2628},{"text":2627},"The most useful design principle is therefore: delegate tactical choice to the model only inside explicit technical and business boundaries. Agentic capability becomes production capability only when autonomy, authority and evidence remain separable.",{},{"id":1455,"data":2630,"type":42,"tunes":2632},{"text":2631,"level":247},"Primary sources and current guidance",{},{"id":1460,"data":2634,"type":218,"tunes":2636},{"text":2635},"The sources below support the current architectural distinctions around agents, workflows, loops, tools, orchestration, safety and evaluation. Project sections are original implementation evidence and are explicitly bounded to what the repositories demonstrate.",{},{"id":1465,"data":2638,"type":1472,"tunes":2642},{"link":1467,"meta":2639},{"image":2640,"title":1470,"description":2641},{"url":347},"Current developer guidance defining runtime choices for multi-step work, tools, state, orchestration and agent execution.",{},{"id":1475,"data":2644,"type":1472,"tunes":2649},{"link":1477,"meta":2645},{"image":2646,"title":2647,"description":2648},{"url":347},"OpenAI — Agent definitions","Current documentation describing an agent as a model plus instructions and optional runtime behavior including tools, guardrails, MCP servers and handoffs.",{},{"id":1484,"data":2651,"type":1472,"tunes":2656},{"link":1486,"meta":2652},{"image":2653,"title":2654,"description":2655},{"url":347},"OpenAI — Running agents","Current documentation of the agent loop: model call, tool execution or handoff, continuation and final stopping point.",{},{"id":1493,"data":2658,"type":1472,"tunes":2663},{"link":1495,"meta":2659},{"image":2660,"title":2661,"description":2662},{"url":347},"OpenAI — Orchestration and handoffs","Current guidance on handoffs, agents-as-tools and when specialist agents add useful ownership or capability boundaries.",{},{"id":1502,"data":2665,"type":1472,"tunes":2670},{"link":1504,"meta":2666},{"image":2667,"title":2668,"description":2669},{"url":347},"OpenAI — Safety in building agents","Current safety guidance covering tool approvals, prompt injection, guardrails and trace-based evaluation.",{},{"id":1511,"data":2672,"type":1472,"tunes":2677},{"link":1513,"meta":2673},{"image":2674,"title":2675,"description":2676},{"url":347},"Anthropic — Building effective agents","Engineering guidance distinguishing predefined workflows from model-directed agents and describing tool-based environmental feedback loops.",{},{"id":1520,"data":2679,"type":1472,"tunes":2684},{"link":1522,"meta":2680},{"image":2681,"title":2682,"description":2683},{"url":347},"Anthropic — Effective context engineering for AI agents","Practical framing of agents as LLMs autonomously using tools in a loop, with dynamic just-in-time context management.",{},{"id":1529,"data":2686,"type":1472,"tunes":2691},{"link":1531,"meta":2687},{"image":2688,"title":2689,"description":2690},{"url":347},"Anthropic — Demystifying evals for AI agents","2026 guidance on evaluating multi-turn agents that call tools, modify state and adapt to intermediate results.",{},"2.31.6","Agentic AI uses models inside multi-step execution loops where they can choose tools, observe results, update state and adapt their next action within explicit runtime and permission boundaries.",{"lang":7,"title":208,"content":210,"contentJson":2695,"excerpt":1538},{"time":212,"blocks":2696,"version":1537},[2697,2700,2703,2706,2709,2712,2715,2718,2721,2724,2727,2730,2733,2736,2747,2750,2753,2756,2759,2774,2777,2780,2791,2794,2797,2814,2817,2820,2823,2826,2829,2832,2835,2838,2841,2853,2856,2859,2862,2865,2868,2871,2874,2877,2880,2883,2886,2889,2892,2895,2898,2901,2904,2907,2910,2913,2916,2919,2922,2935,2938,2941,2944,2947,2950,2964,2967,2970,2973,2976,2979,2982,2985,2988,2991,2994,2997,3000,3003,3006,3009,3012,3015,3018,3031,3034,3037,3040,3043,3058,3061,3073,3076,3079,3082,3085,3088,3091,3094,3097,3100,3103,3106,3117,3120,3123,3140,3143,3158,3161,3177,3180,3198,3201,3204,3207,3210,3213,3216,3219,3222,3225,3228,3231,3234,3237,3240,3243,3256,3259,3274,3277,3280,3283,3286,3289,3292,3297,3302,3307,3312,3317,3322,3327],{"id":215,"data":2698,"type":218,"tunes":2699},{"text":217},{},{"id":221,"data":2701,"type":226,"tunes":2702},{"body":223,"title":224,"variant":225},{},{"id":229,"data":2704,"type":226,"tunes":2705},{"body":231,"title":232,"variant":233},{},{"id":236,"data":2707,"type":226,"tunes":2708},{"body":238,"title":239,"variant":240},{},{"id":243,"data":2710,"type":248,"tunes":2711},{"title":245,"maxLevel":246,"minLevel":247},{},{"id":251,"data":2713,"type":42,"tunes":2714},{"text":253,"level":247},{},{"id":256,"data":2716,"type":218,"tunes":2717},{"text":258},{},{"id":261,"data":2719,"type":218,"tunes":2720},{"text":263},{},{"id":266,"data":2722,"type":218,"tunes":2723},{"text":268},{},{"id":271,"data":2725,"type":42,"tunes":2726},{"text":273,"level":247},{},{"id":276,"data":2728,"type":218,"tunes":2729},{"text":278},{},{"id":281,"data":2731,"type":218,"tunes":2732},{"text":283},{},{"id":286,"data":2734,"type":218,"tunes":2735},{"text":288},{},{"id":291,"data":2737,"type":317,"tunes":2746},{"steps":2738,"title":315,"orientation":316},[2739,2740,2741,2742,2743,2744,2745],{"label":295,"description":296},{"label":298,"description":299},{"label":301,"description":302},{"label":304,"description":305},{"label":307,"description":308},{"label":310,"description":311},{"label":313,"description":314},{},{"id":320,"data":2748,"type":42,"tunes":2749},{"text":322,"level":247},{},{"id":325,"data":2751,"type":218,"tunes":2752},{"text":327},{},{"id":330,"data":2754,"type":218,"tunes":2755},{"text":332},{},{"id":335,"data":2757,"type":42,"tunes":2758},{"text":337,"level":247},{},{"id":340,"data":2760,"type":369,"tunes":2773},{"rows":2761,"title":360,"layout":361,"columns":2770},[2762,2764,2766,2768],{"id":344,"label":345,"values":2763},[347,347],{"id":349,"label":350,"values":2765},[347,347],{"id":353,"label":354,"values":2767},[347,347],{"id":357,"label":358,"values":2769},[347,347],[2771,2772],{"id":364,"label":365},{"id":367,"label":368},{},{"id":372,"data":2775,"type":218,"tunes":2776},{"text":374},{},{"id":377,"data":2778,"type":42,"tunes":2779},{"text":379,"level":247},{},{"id":382,"data":2781,"type":361,"tunes":2790},{"content":2782,"stretched":43,"withHeadings":14},[2783,2784,2785,2786,2787,2788,2789],[386,387,388],[390,391,392],[394,395,396],[398,399,400],[402,403,404],[406,407,408],[410,411,412],{},{"id":415,"data":2792,"type":218,"tunes":2793},{"text":417},{},{"id":420,"data":2795,"type":42,"tunes":2796},{"text":422,"level":247},{},{"id":425,"data":2798,"type":361,"tunes":2813},{"content":2799,"stretched":43,"withHeadings":14},[2800,2801,2802,2803,2804,2805,2806,2807,2808,2809,2810,2811,2812],[429,430],[432,433],[435,436],[438,439],[441,442],[444,445],[447,448],[450,451],[453,454],[456,457],[459,460],[462,463],[465,466],{},{"id":469,"data":2815,"type":42,"tunes":2816},{"text":471,"level":247},{},{"id":474,"data":2818,"type":218,"tunes":2819},{"text":476},{},{"id":479,"data":2821,"type":218,"tunes":2822},{"text":481},{},{"id":484,"data":2824,"type":226,"tunes":2825},{"body":486,"title":487,"variant":488},{},{"id":491,"data":2827,"type":42,"tunes":2828},{"text":493,"level":247},{},{"id":496,"data":2830,"type":218,"tunes":2831},{"text":498},{},{"id":501,"data":2833,"type":218,"tunes":2834},{"text":503},{},{"id":506,"data":2836,"type":218,"tunes":2837},{"text":508},{},{"id":511,"data":2839,"type":42,"tunes":2840},{"text":513,"level":247},{},{"id":516,"data":2842,"type":361,"tunes":2852},{"content":2843,"stretched":43,"withHeadings":14},[2844,2845,2846,2847,2848,2849,2850,2851],[520,521],[523,524],[526,527],[529,530],[532,533],[535,536],[538,539],[541,542],{},{"id":545,"data":2854,"type":218,"tunes":2855},{"text":547},{},{"id":550,"data":2857,"type":42,"tunes":2858},{"text":552,"level":247},{},{"id":555,"data":2860,"type":218,"tunes":2861},{"text":557},{},{"id":560,"data":2863,"type":218,"tunes":2864},{"text":562},{},{"id":565,"data":2866,"type":218,"tunes":2867},{"text":567},{},{"id":570,"data":2869,"type":42,"tunes":2870},{"text":572,"level":247},{},{"id":575,"data":2872,"type":218,"tunes":2873},{"text":577},{},{"id":580,"data":2875,"type":218,"tunes":2876},{"text":582},{},{"id":585,"data":2878,"type":42,"tunes":2879},{"text":587,"level":247},{},{"id":590,"data":2881,"type":218,"tunes":2882},{"text":592},{},{"id":595,"data":2884,"type":218,"tunes":2885},{"text":597},{},{"id":600,"data":2887,"type":226,"tunes":2888},{"body":602,"title":603,"variant":233},{},{"id":606,"data":2890,"type":42,"tunes":2891},{"text":608,"level":247},{},{"id":611,"data":2893,"type":218,"tunes":2894},{"text":613},{},{"id":616,"data":2896,"type":218,"tunes":2897},{"text":618},{},{"id":621,"data":2899,"type":42,"tunes":2900},{"text":623,"level":247},{},{"id":626,"data":2902,"type":218,"tunes":2903},{"text":628},{},{"id":631,"data":2905,"type":218,"tunes":2906},{"text":633},{},{"id":636,"data":2908,"type":642,"tunes":2909},{"url":638,"title":639,"excerpt":640,"ctaLabel":641},{},{"id":645,"data":2911,"type":42,"tunes":2912},{"text":647,"level":247},{},{"id":650,"data":2914,"type":218,"tunes":2915},{"text":652},{},{"id":655,"data":2917,"type":218,"tunes":2918},{"text":657},{},{"id":660,"data":2920,"type":42,"tunes":2921},{"text":662,"level":247},{},{"id":665,"data":2923,"type":369,"tunes":2934},{"rows":2924,"title":680,"layout":361,"columns":2931},[2925,2927,2929],{"id":669,"label":670,"values":2926},[347,347],{"id":673,"label":674,"values":2928},[347,347],{"id":677,"label":678,"values":2930},[347,347],[2932,2933],{"id":683,"label":684},{"id":686,"label":687},{},{"id":690,"data":2936,"type":42,"tunes":2937},{"text":692,"level":247},{},{"id":695,"data":2939,"type":218,"tunes":2940},{"text":697},{},{"id":700,"data":2942,"type":218,"tunes":2943},{"text":702},{},{"id":705,"data":2945,"type":218,"tunes":2946},{"text":707},{},{"id":710,"data":2948,"type":42,"tunes":2949},{"text":712,"level":247},{},{"id":715,"data":2951,"type":361,"tunes":2963},{"content":2952,"stretched":43,"withHeadings":14},[2953,2954,2955,2956,2957,2958,2959,2960,2961,2962],[719,720],[722,723],[725,726],[728,729],[731,732],[734,735],[737,738],[740,741],[743,744],[746,747],{},{"id":750,"data":2965,"type":42,"tunes":2966},{"text":752,"level":247},{},{"id":755,"data":2968,"type":218,"tunes":2969},{"text":757},{},{"id":760,"data":2971,"type":218,"tunes":2972},{"text":762},{},{"id":765,"data":2974,"type":218,"tunes":2975},{"text":767},{},{"id":770,"data":2977,"type":42,"tunes":2978},{"text":772,"level":247},{},{"id":775,"data":2980,"type":218,"tunes":2981},{"text":777},{},{"id":780,"data":2983,"type":218,"tunes":2984},{"text":782},{},{"id":785,"data":2986,"type":218,"tunes":2987},{"text":787},{},{"id":790,"data":2989,"type":42,"tunes":2990},{"text":792,"level":247},{},{"id":795,"data":2992,"type":218,"tunes":2993},{"text":797},{},{"id":800,"data":2995,"type":218,"tunes":2996},{"text":802},{},{"id":805,"data":2998,"type":642,"tunes":2999},{"url":807,"title":808,"excerpt":809,"ctaLabel":810},{},{"id":813,"data":3001,"type":42,"tunes":3002},{"text":815,"level":247},{},{"id":818,"data":3004,"type":218,"tunes":3005},{"text":820},{},{"id":823,"data":3007,"type":218,"tunes":3008},{"text":825},{},{"id":828,"data":3010,"type":218,"tunes":3011},{"text":830},{},{"id":833,"data":3013,"type":642,"tunes":3014},{"url":835,"title":836,"excerpt":837,"ctaLabel":838},{},{"id":841,"data":3016,"type":42,"tunes":3017},{"text":843,"level":247},{},{"id":846,"data":3019,"type":361,"tunes":3030},{"content":3020,"stretched":43,"withHeadings":14},[3021,3022,3023,3024,3025,3026,3027,3028,3029],[358,850,851],[853,854,855],[857,858,859],[861,862,863],[865,866,867],[869,870,871],[873,874,875],[877,878,879],[881,882,883],{},{"id":886,"data":3032,"type":42,"tunes":3033},{"text":888,"level":247},{},{"id":891,"data":3035,"type":218,"tunes":3036},{"text":893},{},{"id":896,"data":3038,"type":218,"tunes":3039},{"text":898},{},{"id":901,"data":3041,"type":42,"tunes":3042},{"text":903,"level":247},{},{"id":906,"data":3044,"type":361,"tunes":3057},{"content":3045,"stretched":43,"withHeadings":14},[3046,3047,3048,3049,3050,3051,3052,3053,3054,3055,3056],[910,521,911],[913,914,915],[917,918,919],[921,922,923],[925,926,927],[929,930,931],[933,934,935],[937,938,939],[941,942,943],[945,946,947],[949,950,951],{},{"id":954,"data":3059,"type":42,"tunes":3060},{"text":956,"level":247},{},{"id":959,"data":3062,"type":361,"tunes":3072},{"content":3063,"stretched":43,"withHeadings":14},[3064,3065,3066,3067,3068,3069,3070,3071],[963,964],[966,967],[969,970],[972,973],[975,976],[978,979],[981,982],[984,985],{},{"id":988,"data":3074,"type":218,"tunes":3075},{"text":990},{},{"id":993,"data":3077,"type":42,"tunes":3078},{"text":995,"level":247},{},{"id":998,"data":3080,"type":42,"tunes":3081},{"text":1000,"level":246},{},{"id":1003,"data":3083,"type":218,"tunes":3084},{"text":1005},{},{"id":1008,"data":3086,"type":218,"tunes":3087},{"text":1010},{},{"id":1013,"data":3089,"type":218,"tunes":3090},{"text":1015},{},{"id":1018,"data":3092,"type":218,"tunes":3093},{"text":1020},{},{"id":1023,"data":3095,"type":42,"tunes":3096},{"text":1025,"level":246},{},{"id":1028,"data":3098,"type":218,"tunes":3099},{"text":1030},{},{"id":1033,"data":3101,"type":218,"tunes":3102},{"text":1035},{},{"id":1038,"data":3104,"type":218,"tunes":3105},{"text":1040},{},{"id":1043,"data":3107,"type":361,"tunes":3116},{"content":3108,"stretched":43,"withHeadings":14},[3109,3110,3111,3112,3113,3114,3115],[1047,1048],[1050,1051],[1053,1054],[1056,1057],[1059,1060],[1062,1063],[1065,1066],{},{"id":1069,"data":3118,"type":226,"tunes":3119},{"body":1071,"title":1072,"variant":240},{},{"id":1075,"data":3121,"type":42,"tunes":3122},{"text":1077,"level":247},{},{"id":1080,"data":3124,"type":361,"tunes":3139},{"content":3125,"stretched":43,"withHeadings":14},[3126,3127,3128,3129,3130,3131,3132,3133,3134,3135,3136,3137,3138],[1084,1085],[1087,1088],[1090,1091],[1093,1094],[1096,1097],[1099,1100],[1102,1103],[1105,1106],[1108,1109],[1111,1112],[1114,1115],[1117,1118],[1120,1121],{},{"id":1124,"data":3141,"type":42,"tunes":3142},{"text":1126,"level":247},{},{"id":1129,"data":3144,"type":361,"tunes":3157},{"content":3145,"stretched":43,"withHeadings":14},[3146,3147,3148,3149,3150,3151,3152,3153,3154,3155,3156],[1133,1134],[1136,1137],[1139,1140],[1142,1143],[1145,1146],[1148,1149],[1151,1152],[1154,1155],[1157,1158],[1160,1161],[1163,1164],{},{"id":1167,"data":3159,"type":42,"tunes":3160},{"text":1169,"level":247},{},{"id":1172,"data":3162,"type":317,"tunes":3176},{"steps":3163,"title":1211,"orientation":316},[3164,3165,3166,3167,3168,3169,3170,3171,3172,3173,3174,3175],{"label":1176,"description":1177},{"label":1179,"description":1180},{"label":1182,"description":1183},{"label":1185,"description":1186},{"label":1188,"description":1189},{"label":1191,"description":1192},{"label":1194,"description":1195},{"label":1197,"description":1198},{"label":1200,"description":1201},{"label":1203,"description":1204},{"label":1206,"description":1207},{"label":1209,"description":1210},{},{"id":1214,"data":3178,"type":42,"tunes":3179},{"text":1216,"level":247},{},{"id":1219,"data":3181,"type":361,"tunes":3197},{"content":3182,"stretched":43,"withHeadings":14},[3183,3184,3185,3186,3187,3188,3189,3190,3191,3192,3193,3194,3195,3196],[521,1223],[1225,1226],[1228,1229],[1231,1232],[1234,1235],[1237,1238],[1240,1241],[1243,1244],[1246,1247],[1249,1250],[1252,1253],[1255,1256],[1258,1259],[1261,1262],{},{"id":1265,"data":3199,"type":42,"tunes":3200},{"text":1267,"level":247},{},{"id":1270,"data":3202,"type":218,"tunes":3203},{"text":1272},{},{"id":1275,"data":3205,"type":218,"tunes":3206},{"text":1277},{},{"id":1280,"data":3208,"type":218,"tunes":3209},{"text":1282},{},{"id":1285,"data":3211,"type":218,"tunes":3212},{"text":1287},{},{"id":1290,"data":3214,"type":218,"tunes":3215},{"text":1292},{},{"id":1295,"data":3217,"type":42,"tunes":3218},{"text":1297,"level":247},{},{"id":1300,"data":3220,"type":218,"tunes":3221},{"text":1302},{},{"id":1305,"data":3223,"type":218,"tunes":3224},{"text":1307},{},{"id":1310,"data":3226,"type":218,"tunes":3227},{"text":1312},{},{"id":1315,"data":3229,"type":42,"tunes":3230},{"text":1317,"level":247},{},{"id":1320,"data":3232,"type":218,"tunes":3233},{"text":1322},{},{"id":1325,"data":3235,"type":218,"tunes":3236},{"text":1327},{},{"id":1330,"data":3238,"type":218,"tunes":3239},{"text":1332},{},{"id":1335,"data":3241,"type":42,"tunes":3242},{"text":1337,"level":247},{},{"id":1340,"data":3244,"type":1340,"tunes":3255},{"items":3245,"title":1379},[3246,3247,3248,3249,3250,3251,3252,3253,3254],{"id":1344,"answer":1345,"question":1346},{"id":1348,"answer":1349,"question":1350},{"id":1352,"answer":1353,"question":1354},{"id":1356,"answer":1357,"question":1358},{"id":1360,"answer":1361,"question":1362},{"id":1364,"answer":1365,"question":1366},{"id":1368,"answer":1369,"question":1370},{"id":1372,"answer":1373,"question":1374},{"id":1376,"answer":1377,"question":1378},{},{"id":1382,"data":3257,"type":42,"tunes":3258},{"text":1384,"level":247},{},{"id":1387,"data":3260,"type":1387,"tunes":3273},{"title":1389,"entries":3261},[3262,3263,3264,3265,3266,3267,3268,3269,3270,3271,3272],{"term":1392,"anchor":1393,"definition":1394},{"term":1396,"anchor":1397,"definition":1398},{"term":406,"anchor":1400,"definition":1401},{"term":447,"anchor":1403,"definition":1404},{"term":1406,"anchor":1407,"definition":1408},{"term":1410,"anchor":1411,"definition":1412},{"term":1414,"anchor":1415,"definition":1416},{"term":1418,"anchor":1419,"definition":1420},{"term":1422,"anchor":1423,"definition":1424},{"term":1426,"anchor":1427,"definition":1428},{"term":1430,"anchor":1431,"definition":1432},{},{"id":1435,"data":3275,"type":42,"tunes":3276},{"text":1437,"level":247},{},{"id":1440,"data":3278,"type":218,"tunes":3279},{"text":1442},{},{"id":1445,"data":3281,"type":218,"tunes":3282},{"text":1447},{},{"id":1450,"data":3284,"type":218,"tunes":3285},{"text":1452},{},{"id":1455,"data":3287,"type":42,"tunes":3288},{"text":1457,"level":247},{},{"id":1460,"data":3290,"type":218,"tunes":3291},{"text":1462},{},{"id":1465,"data":3293,"type":1472,"tunes":3296},{"link":1467,"meta":3294},{"image":3295,"title":1470,"description":1471},{"url":347},{},{"id":1475,"data":3298,"type":1472,"tunes":3301},{"link":1477,"meta":3299},{"image":3300,"title":1480,"description":1481},{"url":347},{},{"id":1484,"data":3303,"type":1472,"tunes":3306},{"link":1486,"meta":3304},{"image":3305,"title":1489,"description":1490},{"url":347},{},{"id":1493,"data":3308,"type":1472,"tunes":3311},{"link":1495,"meta":3309},{"image":3310,"title":1498,"description":1499},{"url":347},{},{"id":1502,"data":3313,"type":1472,"tunes":3316},{"link":1504,"meta":3314},{"image":3315,"title":1507,"description":1508},{"url":347},{},{"id":1511,"data":3318,"type":1472,"tunes":3321},{"link":1513,"meta":3319},{"image":3320,"title":1516,"description":1517},{"url":347},{},{"id":1520,"data":3323,"type":1472,"tunes":3326},{"link":1522,"meta":3324},{"image":3325,"title":1525,"description":1526},{"url":347},{},{"id":1529,"data":3328,"type":1472,"tunes":3331},{"link":1531,"meta":3329},{"image":3330,"title":1534,"description":1535},{"url":347},{},"Post erfolgreich abgerufen",{"items":3334,"source":3418,"manualIds":3419,"manualMatchedIds":3420},[3335,3342,3349,3355,3362,3369,3376,3383,3390,3397,3404,3411],{"id":3336,"slug":3337,"title":3338,"excerpt":3339,"featuredImage":3340,"publishedAt":3341},"495","sovereign-ai-control-of-models-data-infrastructure-and-dependencies","IA souveraine : contrôle des modèles, des données, des infrastructures et des dépendances","L'IA souveraine concerne le contrôle effectif sur les modèles, les données, l'infrastructure, les logiciels, les opérations et les dépendances stratégiques — et non simplement l'endroit où un modèle d'IA est hébergé.","\u002Fuploads\u002F2026\u002F10\u002Fsovereign-ai-control-of-models-data-infrastructure-and-dependencies-1791488833132-niy85x.webp","2026-10-08T15:45:00.000Z",{"id":3343,"slug":3344,"title":3345,"excerpt":3346,"featuredImage":3347,"publishedAt":3348},"476","mcp-vs-a2a-vs-ucp-vs-ap2-vs-a2ui-the-agent-protocol-stack-explained","MCP vs A2A vs UCP vs AP2 vs A2UI : La pile de protocoles d'agent expliquée","MCP, A2A, UCP, AP2 et A2UI sont souvent présentés comme des standards d'agents concurrents. Ils résolvent principalement des problèmes d'interopérabilité différents. Ce guide associe chaque protocole à la frontière qu'il standardise réellement—et montre comment ils peuvent fonctionner ensemble dans un seul système de production.","\u002Fuploads\u002F2026\u002F09\u002Fmcp-vs-a2a-vs-ucp-vs-ap2-vs-a2ui-the-agent-protocol-stack-explained-1790352625869-2ezle0.webp","2026-09-25T12:09:00.000Z",{"id":3350,"slug":3351,"title":836,"excerpt":3352,"featuredImage":3353,"publishedAt":3354},"460","ai-agent-reliability-why-the-final-answer-is-not-enough","Une sortie correcte ne prouve pas un raisonnement correct, une exécution sûre ou un système digne de confiance.","\u002Fuploads\u002F2026\u002F09\u002Fai-agent-reliability-why-the-final-answer-is-not-enough-1788955466306-pl0qhz.webp","2026-09-09T04:01:00.000Z",{"id":3356,"slug":3357,"title":3358,"excerpt":3359,"featuredImage":3360,"publishedAt":3361},"470","what-should-an-ai-agent-remember-forget-recompute-or-retrieve-again","Que devrait mémoriser, oublier, recalculer ou récupérer à nouveau un agent IA ?","Les agents à exécution longue ne devraient pas tout retenir. Cet article propose un modèle de cycle de vie pratique pour décider de ce qui a sa place dans la mémoire durable, de ce qui devrait être récupéré à nouveau, de ce qu'il est plus sûr de recalculer et de ce qui devrait expirer ou être remplacé.","\u002Fuploads\u002F2026\u002F09\u002Fwhat-should-an-ai-agent-remember-forget-recompute-or-retrieve-again-1790351131087-iehz28.webp","2026-09-25T09:43:00.000Z",{"id":3363,"slug":3364,"title":3365,"excerpt":3366,"featuredImage":3367,"publishedAt":3368},"466","the-gpu-is-not-the-product-future-proof-private-ai-architecture","Le GPU n'est pas le produit : architecture d'IA privée pérenne","Une infrastructure d'IA privée ne devrait pas être conçue autour d'un seul GPU ou d'un seul modèle. Une approche plus résiliente combine des GPU d'inférence rapides, des systèmes d'IA riches en mémoire, des nœuds d'IA physique et des modèles cloud de pointe optionnels derrière une couche de routage prenant en compte les capacités.","\u002Fuploads\u002F2026\u002F09\u002Fthe-gpu-is-not-the-product-future-proof-private-ai-architecture-1790140878812-8hsl39.webp","2026-09-23T01:19:00.000Z",{"id":3370,"slug":3371,"title":3372,"excerpt":3373,"featuredImage":3374,"publishedAt":3375},"485","enterprise-ai-architecture-what-changes-when-ai-enters-a-company","Architecture de l’IA en entreprise : ce qui change lorsque l’IA entre dans une entreprise","L'architecture de l'IA en entreprise explique comment l'IA transforme les systèmes d'entreprise à travers l'autorité des données, l'identité, les autorisations, les fournisseurs, les risques, la gouvernance, l'évaluation, la conformité et les opérations.","\u002Fuploads\u002F2026\u002F10\u002Fenterprise-ai-architecture-what-changes-when-ai-enters-a-company-1791478161363-czrwaq.webp","2026-10-08T10:48:00.000Z",{"id":3377,"slug":3378,"title":3379,"excerpt":3380,"featuredImage":3381,"publishedAt":3382},"486","source-of-truth-in-ai-systems-where-reliable-knowledge-actually-comes-from","Source de vérité dans les systèmes d’IA : d’où provient réellement une connaissance fiable","Une source de vérité définit quelle source fait autorité pour un fait ou un état spécifique. Découvrez en quoi elle diffère du RAG, de la provenance, de la mémoire, du contexte, des bases de données vectorielles et des systèmes d'enregistrement.","\u002Fuploads\u002F2026\u002F10\u002Fsource-of-truth-in-ai-systems-where-reliable-knowledge-actually-comes-from-1791479103235-6bq9em.webp","2026-10-08T13:02:00.000Z",{"id":3384,"slug":3385,"title":3386,"excerpt":3387,"featuredImage":3388,"publishedAt":3389},"483","what-is-an-ai-solution-architect-system-boundaries-responsibilities-and-trade-offs","Qu'est-ce qu'un architecte de solutions IA ? Limites du système, responsabilités et compromis","Un architecte de solutions d'IA transforme les exigences métier en un système d'IA prêt pour la production, couvrant les données, les modèles, les outils, la sécurité, l'exécution, l'évaluation et les opérations.","\u002Fuploads\u002F2026\u002F10\u002Fwhat-is-an-ai-solution-architect-system-boundaries-responsibilities-and-trade-offs-1791476643267-1st5xz.webp","2026-10-08T12:23:00.000Z",{"id":3391,"slug":3392,"title":3393,"excerpt":3394,"featuredImage":3395,"publishedAt":3396},"468","ai-agent-memory-is-not-rag-how-to-separate-memory-retrieval-state-and-context","La mémoire des agents IA n'est pas le RAG : comment séparer la mémoire, la récupération, l'état et le contexte","La mémoire des agents, le RAG, l'état et le contexte sont souvent utilisés comme s'ils étaient interchangeables. Ils ne le sont pas. Ce modèle d'architecture pratique sépare les quatre couches, montre où chacune se situe et explique ce qui dysfonctionne lorsque les systèmes les fusionnent en une seule.","\u002Fuploads\u002F2026\u002F09\u002Fai-agent-memory-is-not-rag-how-to-separate-memory-retrieval-state-and-context-1790350560308-np0xy6.webp","2026-09-25T11:34:00.000Z",{"id":3398,"slug":3399,"title":3400,"excerpt":3401,"featuredImage":3402,"publishedAt":3403},"490","rbac-vs-tenant-isolation-two-different-security-boundaries","RBAC vs isolation des locataires : deux frontières de sécurité différentes","Le RBAC contrôle ce qu’un utilisateur peut faire ; l’isolation des locataires contrôle à quelles ressources de locataire cette action peut accéder. Découvrez pourquoi la sécurité SaaS multi-locataires nécessite ces deux frontières.","\u002Fuploads\u002F2026\u002F10\u002Frbac-vs-tenant-isolation-two-different-security-boundaries-1791485111528-qqtzby.webp","2026-10-08T14:43:00.000Z",{"id":3405,"slug":3406,"title":3407,"excerpt":3408,"featuredImage":3409,"publishedAt":3410},"479","where-does-an-llm-get-its-data-rag-data-sources-in-python","D'où un LLM tire-t-il ses données ? Sources de données RAG en Python","Un LLM ne connaît pas magiquement vos fichiers, bases de données ou API. Cette suite pratique de la série sur le RAG montre, avec du Python simple, comment des données externes deviennent des preuves récupérables : des fichiers texte et du SQL à la recherche en texte intégral, aux embeddings, à l'assemblage du contexte et à l'appel final au LLM.","\u002Fuploads\u002F2026\u002F09\u002Fwhere-does-an-llm-get-its-data-rag-data-sources-in-python-1790517200521-nfsi5i.webp","2026-09-27T05:51:00.000Z",{"id":3412,"slug":3413,"title":3414,"excerpt":3415,"featuredImage":3416,"publishedAt":3417},"481","generative-ai-explained-models-retrieval-tools-and-applications-are-not-the-same-thing","L'IA générative expliquée : modèles, recherche, outils et applications ne sont pas la même chose","L'IA générative est plus qu'un modèle. Découvrez comment les modèles, la récupération, les outils, le contexte, les environnements d'exécution et les applications s'articulent dans les systèmes d'IA en production.","\u002Fuploads\u002F2026\u002F10\u002Fgenerative-ai-explained-models-retrieval-tools-and-applications-are-not-the-same-thing-1791475411822-pp0dvz.webp","2026-10-08T12:00:00.000Z","fallback",[],[]]