Les super-pouvoirs qu’on branche sur un modèle.

Un cerveau brillant, enfermé dans une pièce

Imaginez un expert qui a lu une bibliothèque entière, puis qu’on enferme dans une pièce sans fenêtre. Il raisonne bien et écrit vite, mais il ne voit pas vos dossiers, n’a pas de téléphone, ignore tout ce qui s’est passé depuis sa dernière lecture (knowledge cutoff) et oublie la conversation dès que vous quittez la pièce.

C’est exactement un LLM seul. Chaque brique de l’écosystème lui ouvre une porte : une bibliothèque à consulter, un téléphone pour agir, un carnet pour se souvenir, un règlement intérieur, un chef de projet pour enchaîner les tâches. Le cerveau reste le même ; ce qui change, c’est ce qu’il peut lire et ce qu’il peut faire.

Les super-pouvoirs au programme

Voici les notions que nous explorerons, avec la même méthode que dans « Le LLM » : une image concrète, les termes du métier avec leur nom en anglais à retenir, puis, dans la mesure du possible, un laboratoire pour voir la mécanique fonctionner.

• RAG (Retrieval-Augmented Generation)

  Lire vos documents

  Avant de répondre, l’application cherche dans vos documents les passages utiles et les glisse dans le contexte. Vous y retrouverez les embeddings de la leçon 03, une base vectorielle, le chunking et les citations de sources (grounding).

• Appel d’outils (Tool Calling)

  Agir sur le monde

  Le modèle ne sait pas consulter la météo ni interroger une base de données. Il peut en revanche écrire une demande structurée, « appelle meteo avec { "ville": "Nantes" } », que votre backend exécute avant de lui rendre le résultat. Le modèle demande, l’application décide.

• MCP (Model Context Protocol)

  Une prise universelle

  Plutôt que de recâbler chaque outil pour chaque application, un protocole ouvert décrit comment brancher une source ou un service. Un serveur MCP se branche, un peu comme un périphérique sur un port USB.

• Rôles et instructions système (System Prompt)

  Donner une identité et des règles

  Les messages system, developer, user et assistant ne pèsent pas le même poids. Nous verrons comment cette hiérarchie fixe un ton, un périmètre et des interdits, et pourquoi un document lu en chemin ne doit jamais pouvoir s’y faire passer pour une consigne.

• Agents (AI Agents)

  Enchaîner les étapes

  Un agent place le modèle dans une boucle : réfléchir, agir, observer le résultat, recommencer (ReAct). Ajoutez une mémoire et plusieurs agents spécialisés (multi-agents), et une question devient un petit projet mené de bout en bout.

• Skills (Agent Skills)

  Un savoir-faire à la demande

  Un dossier d’instructions, d’exemples et de scripts que l’agent ne charge que lorsque la tâche le demande : « rédiger un rapport », « tester une API ». C’est une fiche métier qu’on sort du tiroir au bon moment, plutôt qu’un prompt géant toujours présent.

• Harness (Agent Harness)

  Le poste de pilotage

  Codex CLI, Claude Code ou d’autres agents de code en terminal ne sont pas des modèles : ce sont des harness. Ils gèrent la boucle, les outils, les fichiers, les permissions et le contexte autour d’un modèle. Nous ouvrirons le capot pour voir ce qui s’y passe à chaque frappe.

• Garde-fous et évaluation (Guardrails)

  Garder la main

  Plus un système peut agir, plus il doit être surveillé : injection d’instructions, permissions, validation humaine (human-in-the-loop) et évaluation pour vérifier que chaque super-pouvoir tient ses promesses.

Une même question, quatre niveaux de pouvoir

Prenons une question toute simple, posée à l’assistant d’une boulangerie : « Êtes-vous ouverts le 24 décembre ? Si oui, réservez-moi une bûche. »

1. Niveau 1Modèle seul

   Il répond quelque chose de plausible… et peut inventer des horaires (hallucination). Il ne connaît pas cette boulangerie.

   ✕Réponse plausible, mais peut-être inventée

2. Niveau 2+ RAG

   L’application retrouve la page « Horaires des fêtes » et l’ajoute au contexte avant que le modèle ne réponde.

   ✓Réponse exacte et sourcée

3. Niveau 3+ outils

   Le modèle demande l’outil reserver_commande : le backend vérifie le stock et crée la réservation.

   ✓La bûche est réservée

4. Niveau 4+ agent et garde-fous

   L’agent enchaîne vérification, réservation et confirmation par e-mail, mais attend votre accord avant de valider le paiement.

   ✓Tâche menée de bout en bout, sous votre contrôle

À chaque niveau, le modèle est rigoureusement le même. Seul ce qu’on branche autour a changé.

Pourquoi après le projet MiniLab ?

Parce qu’une fois le moteur compris, la magie disparaît, et c’est une bonne nouvelle. Le RAG ? Du texte ajouté au prompt avant la tokenisation. L’appel d’outils ? Un JSON généré token par token, que votre serveur lit. Un agent ? Une boucle qui rappelle le modèle avec le résultat précédent dans sa fenêtre de contexte. Vous saurez alors pourquoi un agent coûte cher en tokens, pourquoi un RAG peut se tromper de passage, et pourquoi un harness demande votre permission avant de lancer une commande.

Pour patienter

Si vous êtes impatient, ces ressources officielles donnent un avant-goût. Elles seront plus faciles à lire une fois « Le LLM » terminé.

• Hugging Face — Agents Course ↗ : un cours gratuit et progressif sur les agents, leurs outils et leur boucle.
• Hugging Face Cookbook — Advanced RAG ↗ : un RAG complet en code, du découpage des documents au reclassement.
• OpenAI — Function calling ↗ : le guide officiel de l’appel d’outils, avec le format des échanges.
• OpenAI Codex CLI (GitHub) ↗ : le code source d’un harness d’agent de code, à lire pour la curiosité.