Démystifier les agents IA : construire un agent à partir de zéro, en 13 chapitres
Cette série n’avait qu’un objectif : démystifier ce qu’est réellement un « agent IA », en repartant des principes de base plutôt que d’un framework. Pas de boîte noire, pas de jargon gratuit — juste une boucle, à laquelle on ajoute un concept à la fois : mémoire, outils, sous-agents, évaluation. Treize chapitres plus tard, voici la série complète, avec le code à chaque marche.
Chaque chapitre existe en deux versions (🇫🇷 / 🇬🇧), explication et code côte à côte, écrits pour rester lisibles même sans bagage technique.
Les 13 chapitres
-
La boucle d’écho — Tout commence par un battement de cœur : lire, agir, répéter. Pas encore d’IA, juste la forme nue que tout agent partagera.
-
L’appel au LLM — On garde la boucle et on change une seule chose : l’écho devient un appel au modèle. La frontière entre un perroquet et un agent tient en une ligne de code.
-
La mémoire — Notre agent répondait puis oubliait tout, aussitôt. Une simple liste qui grandit lui rend le fil de la conversation.
-
Le prompt système — On lui glisse une note avant que la conversation commence : voici qui tu es, voici tes règles. Un seul texte, et le même modèle devient support client, pirate ou assistant sobre.
-
Le premier outil — Jusqu’ici l’agent ne savait que parler ; on lui donne une main. Il ne l’actionne pas lui-même — il demande qu’on exécute du code pour lui.
-
Refermer la boucle — Le résultat de l’outil repart enfin vers le modèle, qui répond autour. Demander → exécuter → renvoyer → répondre : c’est ce battement qui fait un agent plutôt qu’un chatbot.
-
La boîte à outils — Un outil devient plusieurs, et il faut un registre pour choisir. Sans le savoir, on vient de reconstruire le cœur de MCP.
-
La solidité — Dans la vraie vie, les outils reçoivent des arguments illisibles et explosent en plein vol. On apprend à l’agent à encaisser l’erreur au lieu de s’effondrer.
-
Le savoir — On donne enfin à l’agent des connaissances qu’il n’a jamais apprises, de deux façons rivales : la recherche agentique et le RAG. La vraie leçon, c’est de savoir quand choisir laquelle.
-
La compaction — La mémoire grandit sans fin, jusqu’au jour où elle ne rentre plus. L’agent retourne sa seule compétence contre lui-même et résume son propre passé.
-
Les sous-agents — Pourquoi laisser le bruit d’une recherche polluer l’historique ? On délègue à un second agent qui fouille dans son coin et ne rend qu’une réponse propre — le multi-agent, démystifié.
-
Évals & traçage — « Ça avait l’air d’aller » n’est pas un standard d’ingénierie. On trace chaque décision et on note le comportement de l’agent, systématiquement.
-
Le capstone — Tout tourne ensemble dans une seule conversation, puis on regarde LangGraph, CrewAI et AutoGen avec des yeux de bâtisseur. Spoiler : vous reconnaîtrez tout.
Ce que vous en retirez
Comprendre les principes de base plutôt que mémoriser un framework : c’est ça, la vraie démystification. La prochaine fois qu’un framework « lève une AgentExecutor Exception », vous ne verrez plus une boîte noire. Vous saurez exactement quel morceau de la boucle regarder — parce que vous l’avez déjà construite vous-même.
Pas de magie. Juste une boucle — et maintenant elle est à vous. Clonez, lancez la démo, cassez les évals, ajoutez un outil.
🔗 Toute la série (FR) : the-ai-coffee.github.io/ai-agent-from-scratch/fr
Merci d’avoir suivi le fil jusqu’au bout. La prochaine étape n’est pas dans la série — c’est ce que vous allez construire.
