MTS AI a constitué une équipe virtuelle qui crée des agents IA à partir d'une description textuelle
MTS AI a transformé son prototype primé en concours en produit : l'« équipe IA » (AI Force) de la MWS AI Agents Platform assemble un bot à partir d'une description textuelle. L'utilisateur décrit son besoin, et le LLM conçoit l'architecture et livre un agent presque prêt à l'emploi. Pour éviter les mauvaises surprises en cours d'exécution, l'équipe a entouré le modèle d'outils, de connaissances, de règles et de blocages. La leçon pour les équipes est claire : la fiabilité d'un agent d'entreprise tient à son environnement logiciel, et non à la seule puissance d'un modèle.
Traité par IA depuis Habr: MTS AI ; édité par Hamidun News
Concevoir un agent de démonstration qui impressionne un jury peut prendre deux semaines. Concevoir un agent auquel un client d'entreprise confiera un processus de travail est bien plus difficile : il doit fonctionner de manière répétée, pas seulement sur des exemples favorables, et ne rien faire d'inattendu en pleine tâche. C'est précisément le problème auquel l'équipe de MTS AI a été confrontée après que son prototype Meta Agent a remporté la première place d'un concours interne. Dans la deuxième partie de son long article sur Habr, l'auteur raconte ce que ce prototype est devenu : la fonction « équipe IA » (AI Force) au sein de la MWS AI Agents Platform.
Ce que fait l'« équipe IA »
L'idée est simple. L'utilisateur décrit en langage courant le bot dont il a besoin, et un système fondé sur un grand modèle de langage se comporte comme une équipe de développement virtuelle. Il prend en charge le cycle d'ingénierie courant : analyse des exigences, conception de l'architecture, assemblage de la configuration de l'agent, et livraison du résultat sous une forme que la plateforme peut exécuter. Dans le prototype, le résultat était un JSON ; dans le produit, un agent « prêt, enfin presque ». Les auteurs insistent sur le « presque » : un humain vérifie toujours le résultat.
Pour ceux qui ont travaillé avec des plateformes low-code, le sens est évident. Entre l'idée et la solution opérationnelle, il existe une barrière : il faut maîtriser l'interface, les blocs, les paramètres. L'équipe IA abaisse ce seuil et transforme la plateforme en une sorte de vibe-coding pour agents : vous décrivez la tâche, vous obtenez une ébauche, vous l'ajustez.
La métaphore de l'artisan d'atelier
Pour expliquer le fonctionnement, l'auteur compare le système à un artisan d'atelier. L'artisan dispose de machines et d'un établi, d'outils, de connaissances sur le matériau, d'instructions pas à pas pour les opérations types, de règles de sécurité, de verrouillages physiques et d'un carnet où il consigne ses enseignements. Chaque élément du système correspond à un morceau de code :
- LLM prend les décisions, comme la tête de l'artisan.
- MCP (protocole de connexion des outils) et MCP tools sont des appels concrets à l'API de la plateforme : créer un nœud, configurer une liaison, vérifier la configuration.
- Skills (SKILL.md) sont des connaissances structurées sur la plateforme, c'est-à-dire la manière de lire le « plan ».
- Workflows / Recipes sont des scénarios pas à pas : d'abord le traçage, puis le perçage, puis l'assemblage.
- Rules sont des règles que l'agent conserve en permanence dans son contexte.
- Hooks (PreToolUse / PostToolUse) sont des verrouillages d'infrastructure, déclenchés avant et après l'appel d'un outil.
- Findings (FINDINGS.md) est une base de schémas constitués lors du travail réel.
Pourquoi les verrouillages comptent plus que les demandes
La réflexion la plus pragmatique de ce schéma concerne les hooks. Une règle dans le prompt est une demande : « sois prudent ». Le modèle peut l'ignorer, surtout dans un long dialogue. Un hook fonctionne comme le carter d'une machine : si la condition n'est pas remplie, l'appel de l'outil ne passe tout simplement pas. Ce n'est pas une demande, c'est une contrainte structurelle. En production, cette différence est décisive : un comportement qui ne peut pas être enfreint par le code est plus fiable qu'un comportement dont le modèle « se souvient ».
Le second détail utile concerne le fichier FINDINGS.md. L'agent et les développeurs y consignent les schémas issus des exécutions réelles : ce qui a cassé, quel ordre d'actions a fonctionné. C'est une forme peu coûteuse d'« apprentissage » sans réentraînement du modèle : les connaissances résident dans des fichiers, sont chargées à la demande et se modifient par simple édition.
Ce qu'il faut retenir
Pour ceux qui construisent leurs propres agents, cette histoire amène trois conclusions. Premièrement, les connaissances du domaine (Skills) et les recettes pas à pas gagnent à être stockées séparément du modèle : elles sont faciles à mettre à jour et à vérifier. Deuxièmement, tout ce qui ne doit pas être enfreint doit être transféré du prompt vers des hooks placés avant et après les appels d'outils. Troisièmement, il faut tenir un journal des schémas issus de l'exploitation réelle et le relier à l'agent.
Les limites existent aussi. La partie publiée ne contient aucun chiffre : combien de tokens sont consommés pour assembler un agent, quelle part des assemblages réussit sans correction, combien coûte une exécution. On ne peut donc pas évaluer l'économie de la solution à partir de ce texte ; il faudra attendre la suite.
Par ailleurs, il s'agit de la description d'une plateforme interne de MTS : le jeu d'outils est lié à son API, et le schéma ne peut être transposé qu'en tant qu'approche d'architecture. Mais l'approche elle-même — LLM, outils MCP, compétences, recettes, règles, hooks et journal des découvertes — ressemble déjà à un modèle opérationnel pour toute équipe qui développe des agents destinés à la vente, et non pour un concours.
- 21 nov. 2026Meta prépare Muse Charm, un tamagotchi IA à 300 $ avec un an de 5G Verizon
- 21 nov. 2026MLCommons se met à mesurer les API d'IA sous charge réelle : 7 mesures pour les agents
- 21 nov. 2026Unsloth met à jour ses versions compressées de Qwen3.8-27B : précision en hausse de 5 à 10 % à taille égale
- 21 nov. 2026Apple développe un agent IA pour Mac et complique l'accès aux applications tierces : 14 clics au lieu de 4
Questions clés sur cet article
Que sait-on sur Ce que fait l'« équipe IA » ?
L'idée est simple. L'utilisateur décrit en langage courant le bot dont il a besoin, et un système fondé sur un grand modèle de langage se comporte comme une équipe de développement virtuelle. Il prend en charge le cycle d'ingénierie courant : analyse des exigences, conception de l'architecture, assemblage de la configuration de l'agent, et livraison du résultat sous une forme que la plateforme peut exécuter. Dans le prototype, le résultat était un JSON ; dans le produit, un agent « prêt, enfin presque ».
Que sait-on sur La métaphore de l'artisan d'atelier ?
Pour expliquer le fonctionnement, l'auteur compare le système à un artisan d'atelier. L'artisan dispose de machines et d'un établi, d'outils, de connaissances sur le matériau, d'instructions pas à pas pour les opérations types, de règles de sécurité, de verrouillages physiques et d'un carnet où il consigne ses enseignements. Chaque élément du système correspond à un morceau de code : LLM prend les décisions, comme la tête de l'artisan.
Pourquoi les verrouillages comptent plus que les demandes?
La réflexion la plus pragmatique de ce schéma concerne les hooks. Une règle dans le prompt est une demande : « sois prudent ». Le modèle peut l'ignorer, surtout dans un long dialogue. Un hook fonctionne comme le carter d'une machine : si la condition n'est pas remplie, l'appel de l'outil ne passe tout simplement pas. Ce n'est pas une demande, c'est une contrainte structurelle.
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.
L'essentiel de l'IA — une fois par semaine
Sept actus qui ont vraiment compté, choisies à la main. Sans bruit ni communiqués.
C'est fait ! Vérifiez votre boîte mail pour la confirmation.