Enchaînement profond d'agents
På denna sida
Chaînes d’agents illimitées
L’API Mistral Agents n’impose aucune limite de profondeur à l’enchaînement des agents. Un agent peut passer la main à un deuxième, qui la passe à un troisième, et ainsi de suite. Cette liberté permet de créer des flux de travail complexes et modulaires, mais elle place aussi la responsabilité de la topologie entre tes mains : c’est toi qui décides qui peut appeler qui. Cette carte détermine le comportement du système tout autant que les instructions de chaque agent individuel.
Trois topologies et leurs implications
La chaîne linéaire est le motif le plus simple : chaque agent passe la main au suivant sans embranchement.
Agent A → Agent B → Agent C → Réponse
Cela convient aux processus dont l’ordre est connu à l’avance et ne change jamais. Un exemple typique est la recherche, puis l’analyse, puis la rédaction : tu ne rédiges pas avant d’avoir analysé, et tu n’analyses pas avant d’avoir cherché.
# Agent de recherche
research = client.beta.agents.create(
model="mistral-large-latest",
name="research",
description="Search for factual information.",
tools=[{"type": "web_search"}]
)
# Agent d'analyse
analyst = client.beta.agents.create(
model="mistral-large-latest",
name="analyst",
description="Analyze data and extract insights.",
tools=[{"type": "code_interpreter"}]
)
# Agent de rédaction
writer = client.beta.agents.create(
model="mistral-large-latest",
name="writer",
description="Draft professional reports.",
instructions="Write a structured report based on the analyzed data."
)
# Chaîne : research → analyst → writer
research = client.beta.agents.update(
agent_id=research.id,
handoffs=[analyst.id]
)
analyst = client.beta.agents.update(
agent_id=analyst.id,
handoffs=[writer.id]
)
Chaque agent ne connaît que son successeur immédiat : research ignore même l’existence de writer. La chaîne n’existe que dans les appels update, nulle part ailleurs.
La chaîne en étoile répond au besoin opposé : un routeur central distribue les tâches à des spécialistes qui ne se parlent pas entre eux.
┌→ Agent de recherche web
Routeur ──┼→ Agent calculatrice
└→ Agent de rédaction
router = client.beta.agents.create(
model="mistral-large-latest",
name="router",
description="Orchestrate requests.",
handoffs=[research.id, analyst.id, writer.id]
)
Ici, l’ordre n’est pas prédéterminé : c’est la requête elle-même qui décide de la destination. Cette forme convient aux assistants polyvalents où chaque demande relève d’une compétence spécifique.
La topologie hybride combine les deux : le routeur distribue, et les spécialistes peuvent aussi se passer la main entre eux.
┌→ Agent de recherche ──→ Agent d'analyse
Routeur ──┤ │
└→ Agent de rédaction ←───────────┘
# Research peut passer la main à Analyst
research = client.beta.agents.update(
agent_id=research.id,
handoffs=[analyst.id]
)
# Analyst peut passer la main à Writer
analyst = client.beta.agents.update(
agent_id=analyst.id,
handoffs=[writer.id]
)
# Router peut accéder à tous
router = client.beta.agents.update(
agent_id=router.id,
handoffs=[research.id, analyst.id, writer.id]
)
C’est la forme la plus puissante, mais aussi la plus difficile à déboguer. Une même requête peut emprunter des chemins différents d’une exécution à l’autre, rendant la journalisation des transferts essentielle dès que tu sors du bac à sable.
Deux pipelines de production
Le traitement de données illustre l’utilisation la plus naturelle de la chaîne linéaire : collecter, nettoyer, visualiser. Les deux dernières étapes utilisent le même outil, mais les séparer permet de garder chaque jeu d’instructions propre : nettoyer et représenter sont des tâches distinctes.
# Étape 1 : Collecte
collector = client.beta.agents.create(
model="mistral-large-latest",
name="data-collector",
description="Collect data from the internet.",
tools=[{"type": "web_search"}]
)
# Étape 2 : Nettoyage et transformation
transformer = client.beta.agents.create(
model="mistral-large-latest",
name="data-transformer",
description="Clean and transform raw data.",
tools=[{"type": "code_interpreter"}]
)
# Étape 3 : Analyse et visualisation
visualizer = client.beta.agents.create(
model="mistral-large-latest",
name="data-visualizer",
description="Create visualizations and charts.",
tools=[{"type": "code_interpreter"}]
)
# Chaîne
collector = client.beta.agents.update(agent_id=collector.id, handoffs=[transformer.id])
transformer = client.beta.agents.update(agent_id=transformer.id, handoffs=[visualizer.id])
Un assistant de recherche académique suit la même structure, mais avec un type de maillon intermédiaire différent. Le synthétiseur n’a aucun outil : sa valeur réside entièrement dans ses instructions, qui lui demandent de confronter les sources – points communs, divergences, lacunes – plutôt que de simplement les empiler.
# Chercheur
searcher = client.beta.agents.create(
model="mistral-large-latest",
name="academic-searcher",
description="Search for academic articles and publications.",
tools=[{"type": "web_search"}]
)
# Synthétiseur
synthesizer = client.beta.agents.create(
model="mistral-large-latest",
name="synthesizer",
description="Synthesize and compare multiple sources.",
instructions="Identify common points, divergences, and gaps."
)
# Rédacteur académique
academic_writer = client.beta.agents.create(
model="mistral-large-latest",
name="academic-writer",
description="Structured academic writing with citations.",
instructions="Write in academic format with introduction, methodology, results, discussion."
)
# Pipeline : searcher → synthesizer → writer
searcher = client.beta.agents.update(agent_id=searcher.id, handoffs=[synthesizer.id])
synthesizer = client.beta.agents.update(agent_id=synthesizer.id, handoffs=[academic_writer.id])
Maintenir une profondeur raisonnable
L’absence de limite technique n’est pas une invitation à faire n’importe quoi. En pratique, enchaîner deux à quatre agents couvre la grande majorité des besoins. Au-delà de cinq, la latence et les coûts augmentent fortement. La raison est mécanique : chaque agent ajoute ses propres jetons de contexte, y compris les instructions, par-dessus un historique de conversation qui n’a fait que grossir depuis le premier transfert. Un cinquième agent ne travaille pas sur la requête initiale, mais sur tout ce que les quatre précédents ont produit.
Avant d’allonger une chaîne, demande-toi si l’étape supplémentaire mérite un agent dédié ou si elle tient dans les instructions d’un agent existant. Une directive de mise en forme, par exemple, ne justifie presque jamais un maillon supplémentaire.
Note aussi qu’un agent n’est pas limité à une seule cible. Il peut déclarer plusieurs cibles et choisir en fonction du contexte.
analyst = client.beta.agents.update(
agent_id=analyst.id,
handoffs=[writer.id, visualizer.id, calculator.id]
)
Cet analyste orientera vers le rédacteur si le résultat est prêt à être communiqué, vers le visualisateur si les données appellent un graphique, ou vers la calculatrice s’il manque encore un chiffre. Le choix repose, comme toujours, sur les descriptions des trois cibles – les seules informations disponibles pour prendre la décision.
Viktiga punkter
- Aucune limite de profondeur pour l’enchaînement des agents
- Trois motifs : linéaire (A→B→C), en étoile (routeur→spécialistes), hybride (graphe)
- Chaque agent peut avoir plusieurs cibles de transfert
- En production, limite les chaînes à 2–4 agents pour maîtriser la latence et les coûts
- Les descriptions des agents sont cruciales pour un routage efficace