À l’intérieur d’un agent AI : sept outils qui transforment un LLM en exécutant

Si vous donnez à un modèle de langage un terminal, un système de fichiers et un accès à Internet, il cesse d'être un assistant bavard et se transforme en un agent — c'est ainsi que Claude Code, Codex et d'autres outils pour développeurs fonctionnent sous le capot. La deuxième partie du tutoriel explique comment ajouter sept outils de base à un modèle et lui apprendre à choisir indépendamment le bon en fonction de la tâche.

Que sont les outils d'agent

Un modèle de langage par lui-même ne peut faire qu'une chose — générer du texte en fonction du contexte d'entrée. Pour devenir un agent, il a besoin d'outils : des fonctions spécifiques que le cadre d'agent exécute sur commande du modèle et retourne le résultat au contexte. Le principe est simple : le modèle reçoit une invite avec des descriptions d'outils disponibles — nom, paramètres, ce qu'il fait. En cours de fonctionnement, il évalue la tâche et décide par lui-même s'il faut appeler quelque chose, et si oui — quoi exactement et avec quels arguments. Le développeur définit l'ensemble des fonctions disponibles ; le choix de l'outil spécifique pour une situation spécifique revient au modèle.

Dans le tutoriel, l'agent se voit attribuer sept outils de base :

• Lecture de fichiers à partir du système de fichiers
• Écriture et édition de fichiers
• Exécution de commandes dans le terminal
• Navigation dans les répertoires et énumération du contenu
• Exécution de scripts Python à la volée
• Recherche d'informations sur Internet
• Obtention d'informations sur le système et l'environnement

Cet ensemble permet déjà à l'agent de lire indépendamment le code d'autres personnes, d'apporter des modifications, d'exécuter des tests et de vérifier leurs résultats — sans intervention humaine à chaque étape.

Comment le modèle choisit un outil

Le moment clé n'est pas l'ensemble d'outils lui-même, mais le mécanisme de sélection. Cela s'appelle tool calling ou function calling, et c'est là que les LLM modernes diffèrent fondamentalement des chatbots de la génération précédente. Lorsqu'un modèle décide qu'un outil est nécessaire pour une tâche, il retourne non pas simplement du texte, mais du JSON structuré : nom de fonction et arguments. Le cadre d'agent intercepte ce JSON, exécute l'opération réelle — exécute une commande, lit un fichier, effectue une requête HTTP — et retourne le résultat au contexte. Le modèle regarde le résultat, réfléchit à nouveau et appelle l'outil suivant ou termine le travail.

Cette boucle — réfléchir, appeler un outil, obtenir un résultat, réfléchir à nouveau — est ce qui transforme un modèle de langage statique en un système dynamique. En même temps, le modèle ne suit pas un scénario rigide : à chaque fois, il réanalyse la situation en tenant compte de tout le contexte accumulé — étapes précédentes, résultats intermédiaires, tâche d'origine. C'est ce qui rend l'agent flexible : il peut corriger le plan en cours de route si un résultat intermédiaire s'avère inattendu.

La boucle et le problème d'arrêt

L'agent fonctionne dans une boucle : génère une réponse → si un outil est nécessaire, l'appelle → obtient un résultat → génère à nouveau. La boucle continue jusqu'à ce que la tâche soit terminée ou que l'agent décide que d'autres appels ne sont pas nécessaires. C'est ici que réside la principale complexité d'ingénierie : comment le modèle comprend-il qu'il est temps de terminer la boucle ?

Dans les implémentations simples, l'une des deux approches est utilisée. Première — limite d'itérations : si après N étapes la tâche n'est pas terminée, l'agent est forcément arrêté. Deuxième — signal d'achèvement spécial : le modèle retourne un marqueur "terminé", et le cadre quitte la boucle.

Claude Code et Codex le résolvaient de manière beaucoup plus sophistiquée : en tenant compte du contexte de la tâche, du coût de chaque appel et de l'analyse des résultats intermédiaires. Mais le principe fondamental est le même — une boucle avec une condition de sortie explicite. Cette condition détermine si l'agent sera un outil utile ou s'il restera suspendu dans une boucle infinie.

Ce que cela signifie

Le tutoriel montre clairement : la différence entre un simple chatbot et un outil puissant comme Claude Code — n'est pas dans la taille du modèle et n'est pas dans la magie, mais dans l'architecture. Ajoutez une boucle, plusieurs fonctions et une règle d'arrêt — vous obtenez un système qui peut fonctionner avec le monde réel : lire du code, éditer des fichiers, exécuter des tests et rechercher des informations sur le web. C'est ce qui rend les agents d'IA modernes pratiquement utiles pour les développeurs, plutôt que simplement impressionnants en démonstrations.