Comment fonctionne un agent IA de l'intérieur : sept outils qui font d'un LLM un exécutant

Donnez à un modèle de langage un terminal, un système de fichiers et un accès à internet, et il cesse d'être un assistant bavard pour devenir un agent. C'est ainsi que fonctionnent, sous le capot, Claude Code, Codex et d'autres outils pour développeurs. La deuxième partie du tutoriel explique comment ajouter au modèle sept outils de base et lui apprendre à choisir seul le bon selon la tâche.

Ce que sont les outils d'un agent

Livré à lui-même, un modèle de langage ne sait faire qu'une chose : générer du texte à partir du contexte qu'il reçoit. Pour devenir un agent, il lui faut des outils : des fonctions précises que le framework de l'agent exécute sur ordre du modèle et dont il renvoie le résultat dans le contexte.

Le principe est simple. Le modèle reçoit un prompt décrivant les outils disponibles : nom, paramètres, rôle de chacun. Pendant son travail, il évalue la tâche et décide seul s'il doit appeler quelque chose et, si oui, quel outil et avec quels arguments. Le développeur définit l'ensemble des fonctions disponibles ; le choix de l'outil adapté à chaque situation revient au modèle.

Le tutoriel ajoute à l'agent sept outils de base :

• Lecture de fichiers depuis le système de fichiers
• Écriture et édition de fichiers
• Exécution de commandes dans le terminal
• Navigation dans les répertoires et listage de leur contenu
• Exécution de scripts Python à la volée
• Recherche d'informations sur internet
• Récupération d'informations sur le système et l'environnement

Cet ensemble permet déjà à l'agent de lire le code d'autrui, d'y apporter des corrections, de lancer des tests et d'en vérifier le résultat, sans intervention humaine à chaque étape.

Comment le modèle choisit un outil

L'essentiel n'est pas l'ensemble d'outils, mais le mécanisme de sélection. On l'appelle tool calling ou function calling, et c'est là que les LLM actuels se distinguent fondamentalement des chatbots de la génération précédente.

Quand le modèle juge qu'un outil est nécessaire, il ne renvoie pas seulement du texte, mais un JSON structuré : le nom de la fonction et ses arguments. Le framework de l'agent intercepte ce JSON, exécute l'opération réelle (lancer une commande, lire un fichier, émettre une requête HTTP) et renvoie le résultat dans le contexte. Le modèle examine le résultat, réfléchit de nouveau, puis appelle l'outil suivant ou termine.

Cette boucle (réfléchir, appeler un outil, obtenir le résultat, réfléchir à nouveau) transforme un modèle de langage statique en système dynamique. Le modèle ne suit pas de script rigide : à chaque fois, il réanalyse la situation à la lumière de tout le contexte accumulé, c'est-à-dire les étapes précédentes, les résultats intermédiaires et la tâche initiale. C'est ce qui rend l'agent flexible : il peut corriger son plan en cours de route si un résultat intermédiaire s'avère inattendu.

La boucle et le problème de l'arrêt

L'agent fonctionne en cycle : il génère une réponse, appelle un outil si besoin, reçoit le résultat, puis génère à nouveau. Le cycle se poursuit jusqu'à ce que la tâche soit accomplie ou que l'agent estime que de nouveaux appels sont inutiles.

C'est là que se cache la principale difficulté d'ingénierie : comment le modèle sait-il qu'il est temps de sortir de la boucle ? Les implémentations simples recourent à l'une de deux approches. La première est une limite d'itérations : si la tâche n'est pas accomplie après N étapes, l'agent est arrêté de force. La seconde est un signal de fin spécifique : le modèle renvoie un marqueur « terminé » et le framework quitte la boucle.

Claude Code et Codex traitent ce problème de façon nettement plus fine, en tenant compte du contexte de la tâche, du coût de chaque appel et de l'analyse des résultats intermédiaires. Mais le principe fondamental reste le même : une boucle avec une condition de sortie explicite. C'est cette condition qui détermine si l'agent sera un outil utile ou s'il restera bloqué dans une boucle infinie.

Ce que cela signifie

Le tutoriel montre clairement que la différence entre un simple chatbot et un outil puissant comme Claude Code ne tient ni à la taille du modèle ni à la magie, mais à l'architecture. Ajoutez une boucle, quelques fonctions et une règle d'arrêt, et vous obtenez un système capable d'agir sur le monde réel : il lit du code, modifie des fichiers, lance des tests et cherche des informations sur le web. C'est ce qui rend les agents IA actuels réellement utiles aux développeurs, et pas seulement impressionnants en démo.