Intensif Gratuit 21–22/11Intensif gratuit de 2 jours en Vibecoding (21–22 nov, 16h00 MSK) · Cohorte 3 le 23/11S'inscrire gratuitement →Cohorte 3 (23/11)

Une chaîne d'agents condense 32 Go de données d'entreprise en un seul rapport, en ouvrant 30 000 tickets

Comment faire analyser à une IA 32 Go de documents d'entreprise, alors qu'ils ne tiennent pas dans un contexte ? L'auteur de la chaîne « LLM под капотом » a distribué des morceaux de données à des agents selon le schéma Map Reduce. Pour coordonner leur travail, il s'est appuyé sur des tickets, comme dans une équipe classique. Le système a ouvert plus de 30 000 tickets, tourné pendant plus d'une journée et produit un court rapport pour les dirigeants. Enseignement pratique : mieux vaut conserver la mémoire des agents dans des fichiers lisibles, que l'on peut vérifier.

Traité par IA depuis TG: @llm_under_hood (LLM под капотом) ; édité par Hamidun News
Une chaîne d'agents condense 32 Go de données d'entreprise en un seul rapport, en ouvrant 30 000 tickets
Source : TG: @llm_under_hood (LLM под капотом). Collage: Hamidun News.
Écouter l'article
Fiche synthèse et chiffres clés
ParamètreDonnées
Source primaireTG: @llm_under_hood (LLM под капотом) ↗
Rédacteur en chef
Chiffre clé #1Les agents sous Codex cherchaient des cas, dressaient la carte des processus et repéraient les écarts par rapport à l'idéal
Chiffre clé #2Chaque agent démarrait avec le contexte commun du « Company Brain » de l'auteur
Chiffre clé #3L'auteur veut ensuite passer les données au crible d'un expert RH et d'un spécialiste de la sécurité

Imaginez que l'on vous remette 32 Go d'exports de données sur une entreprise (du texte mêlé à du JSON) et que l'on vous demande d'indiquer en une seule passe à la direction ce qu'il faut réparer en priorité dans l'activité. Aucune fenêtre de contexte de modèle n'y suffit, et un chat ordinaire est ici inutile. L'auteur de la chaîne Telegram « LLM под капотом » a résolu ce problème la semaine dernière.

Il a monté une chaîne d'agents qui a ouvert plus de 30 000 tickets, travaillé pendant plus d'une journée et condensé le tout en un rapport succinct, comme s'il avait été rédigé par des consultants très onéreux. Si vous construisez des systèmes d'agents pour un usage réel, et non pour une démo, ce schéma mérite l'attention.

Comment ça a fonctionné en pratique

Les agents se lançaient l'un après l'autre, chacun avec sa propre étape. Les premières étapes ont été confiées à Fable 5.2 en mode recherche. Sa mission : trouver les meilleures pratiques pour une entreprise de ce type et les synthétiser dans un rapport avec des liens vers des cas et des études. Ce rapport servait d'« échantillon idéal », auquel on comparait ensuite la réalité.

Sont ensuite entrés en scène les agents sous Codex. Ils ont passé au peigne fin l'ensemble des données pour collecter des cas, dresser la carte des processus de l'entreprise et réaliser une analyse des écarts (gap analysis) : en quoi le processus réel diffère du processus idéal. Le résultat était un rapport priorisé pour les dirigeants : quoi corriger d'abord, et pourquoi.

Avant de commencer, chaque agent chargeait tout au début de sa fenêtre de contexte la description du projet et le contexte commun issu du « Company Brain » (le nom que l'auteur donne à sa base de connaissances). Il compare cela au chargement d'un noyau : l'agent voit d'abord le tableau d'ensemble, puis se plonge dans sa tâche.

Comment faire tenir 32 Go dans des fenêtres de quelques pages

L'auteur a conçu un format optimisé de représentation des données et réparti le travail selon le principe Map Reduce. Autrement dit, chaque agent prend sa part du jeu de données, puis les résultats sont consolidés. Pour illustrer : un agent lit les documents sur les ventes et laisse une note « les contrats ne correspondent pas à la façon dont le processus est décrit dans le règlement », un autre reprend cette note et cherche des écarts similaires dans les achats. Il s'agit d'une illustration du principe, et non d'un exemple tiré du cas lui-même.

Les données étaient stockées dans le Company Brain sous forme de fichiers, sur le modèle d'un système d'exploitation personnel. L'agent ne lit pas tout dans le désordre : il va du général au particulier (progressive disclosure) et utilise les scripts docs/tools/tree.py et outline.py, qui affichent la structure des dossiers et des documents. Pour la coordination et la transmission du contexte entre agents, l'auteur a ajouté un nouvel outil de gestion de tickets.

Il n'y avait pas de place dans le schéma pour les bases vectorielles et autres boîtes noires du même genre. Le pipeline et son raisonnement devaient être retouchés en permanence selon les priorités des dirigeants qui liraient le rapport. L'auteur a donc remanié le processus d'analyse lui-même afin qu'il puisse être optimisé. Les tickets et les fichiers texte peuvent être lus, corrigés et déplacés à la main. Le contenu d'un index vectoriel, lui, ne se débogue pas ainsi.

Résultat et suite

La conclusion finale s'est révélée intéressante. Outre la liste de priorités, avec justification et renvois aux sources, l'agent a recommandé d'envoyer une courte liste de questions à des personnes précises, de recueillir leurs réponses et de les recharger dans le système. Autrement dit, la machine a compris d'elle-même qu'il lui manquait des données et à qui exactement les demander.

L'auteur voit la prochaine étape dans un changement d'angle. Au lieu d'un seul « consultant coûteux », il s'agirait de faire passer le jeu de données devant plusieurs profils : le spécialiste RH le plus perspicace, le responsable sécurité le plus paranoïaque, l'expert de pointe en gestion opérationnelle. Pour chacun, on peut constituer une méthodologie à partir des meilleurs livres et études.

Selon l'auteur, ces méthodologies se construisent soi-même. Il suffit de lancer ChatGPT ou Claude sur les articles et vidéos publics d'entreprises de référence, d'OpenAI et Anthropic aux intégrateurs, et de leur demander de les organiser en base de connaissances. Tout cela est en accès libre.

Réserves. Il s'agit d'un témoignage personnel, et non d'une étude. L'auteur ne donne pas le coût de l'exécution, ne compare pas le rapport au travail de vrais consultants et n'explique pas comment il a vérifié l'exactitude des conclusions. Il écrit lui-même « on verra bien la suite » : la réaction des dirigeants au rapport reste pour l'instant inconnue.

La conclusion pratique pour les développeurs et les product managers est la suivante. Si les données dépassent la taille de la fenêtre, répartissez le travail avec Map Reduce, stockez la mémoire dans des fichiers lisibles, coordonnez les agents via des tickets et donnez à chacun un contexte commun au départ. Et réfléchissez d'avance à la manière dont un humain pourra vérifier les étapes intermédiaires.

Dossier

Questions clés sur cet article

Comment ça a fonctionné en pratique?

Les agents se lançaient l'un après l'autre, chacun avec sa propre étape. Les premières étapes ont été confiées à Fable 5.2 en mode recherche. Sa mission : trouver les meilleures pratiques pour une entreprise de ce type et les synthétiser dans un rapport avec des liens vers des cas et des études. Ce rapport servait d'« échantillon idéal », auquel on comparait ensuite la réalité. Sont ensuite entrés en scène les agents sous Codex.

Comment faire tenir 32 Go dans des fenêtres de quelques pages?

L'auteur a conçu un format optimisé de représentation des données et réparti le travail selon le principe Map Reduce. Autrement dit, chaque agent prend sa part du jeu de données, puis les résultats sont consolidés. Pour illustrer : un agent lit les documents sur les ventes et laisse une note « les contrats ne correspondent pas à la façon dont le processus est décrit dans le règlement », un autre reprend cette note et cherche des écarts similaires dans les achats.

Que sait-on sur Résultat et suite ?

La conclusion finale s'est révélée intéressante. Outre la liste de priorités, avec justification et renvois aux sources, l'agent a recommandé d'envoyer une courte liste de questions à des personnes précises, de recueillir leurs réponses et de les recharger dans le système. Autrement dit, la machine a compris d'elle-même qu'il lui manquait des données et à qui exactement les demander. L'auteur voit la prochaine étape dans un changement d'angle.

ZK
Zhemal Khamidun — CPO d'Alpina Digital, product manager d'AlpinaGPT. Conçoit des produits IA depuis 2019. Hamidun News est un projet personnel devenu un agrégateur en production avec plus de 6 000 lecteurs.
✦ Hands-On AI Engineering · Hamidun Academy

Build & Ship Production AI Agents Without Boilerplate Code

Start your free 72-hour trial at Hamidun Academy (academy.hamidun.com) — interactive lessons on Claude Code & Cursor, live Tech Radar, and production agent templates.

Start 72h Free Trial →Vibe-Coding Intensive
Qu'en pensez-vous ?
Chargement des commentaires…