AWS apprend à Strands Agents à fonctionner avec n'importe quel modèle sur SageMaker

Le monde des agents d'IA en entreprise vit un moment comparable à l'arrivée des adaptateurs universels dans l'électronique : Amazon Web Services a montré comment faire fonctionner son framework d'agents Strands Agents avec littéralement n'importe quel modèle de langage déployé sur SageMaker, même si ce modèle ignore tout de l'API standard de la plateforme Bedrock.

Pour saisir la portée de cette étape, il faut remonter de quelques mois. AWS a lancé Strands Agents comme un framework ouvert pour créer des agents d'IA : des programmes capables de planifier eux-mêmes leurs actions, d'utiliser des outils et de résoudre des tâches en plusieurs étapes. Le framework était conçu à l'origine pour les modèles disponibles via Amazon Bedrock, ce qui créait un écosystème pratique mais fermé. Les entreprises qui voulaient utiliser leurs propres modèles fine-tunés ou des LLM ouverts comme Llama, déployés sur des endpoints SageMaker AI, se heurtaient à un mur d'incompatibilité de formats.

Le nouveau guide, publié sur le blog AWS Machine Learning, s'attaque précisément à ce problème. Les ingénieurs d'Amazon y décrivent en détail la création de ce qu'ils appellent des model parsers personnalisés : des couches intermédiaires qui traduisent les requêtes de Strands Agents dans un format compréhensible par un modèle donné, puis reconvertissent les réponses du modèle dans la structure attendue par le framework. En somme, un traducteur entre deux systèmes qui parlent des langues différentes.

Comme exemple concret, AWS présente le déploiement de Llama 3.1 avec SGLang, un moteur haute performance pour l'inférence de modèles de langage, sur l'infrastructure SageMaker. Pour simplifier la conteneurisation, il utilise l'outil ml-container-creator d'AWS Labs, qui automatise la création de conteneurs Docker pour les modèles de ML. Une fois le modèle déployé, le développeur implémente un parser personnalisé qui intercepte les appels de Strands Agents, les reformate depuis la Bedrock Messages API vers un format compatible avec l'endpoint SGLang, récupère la réponse et la reconvertit. Techniquement, ce n'est pas de la science de fusée, mais sans documentation claire ni exemples, le processus pouvait se transformer en plusieurs jours de débogage.

Pourquoi est-ce vraiment important ? Parce qu'en entreprise, un seul modèle résout rarement toutes les tâches. Les sociétés entraînent des modèles spécialisés sur leurs données, expérimentent des architectures ouvertes et combinent plusieurs modèles dans un même flux de travail. Jusqu'ici, utiliser ces modèles dans des scénarios d'agents sur AWS exigeait soit de passer à des formats compatibles Bedrock, soit d'écrire sa propre orchestration de zéro. Il existe désormais une méthode standardisée pour connecter pratiquement n'importe quel LLM au framework d'agents, en conservant tous les atouts de Strands : gestion des outils, chaînes de raisonnement, traitement des erreurs.

Cette initiative s'inscrit dans la stratégie plus large d'AWS : faire de sa plateforme de ML un écosystème aussi ouvert que possible. Amazon a manifestement compris que vouloir enfermer ses clients dans Bedrock est contre-productif, à l'heure où de nouveaux modèles ouverts apparaissent chaque semaine et où les grandes entreprises investissent de plus en plus dans leurs propres solutions fine-tunées. Plutôt que de rivaliser avec chaque nouveau modèle, AWS propose une infrastructure où l'on peut exécuter n'importe quoi et, désormais, un framework d'agents capable de travailler avec ce « n'importe quoi ».

Le contexte concurrentiel mérite aussi d'être noté. Google, avec Vertex AI Agent Builder, et Microsoft, avec AutoGen et Semantic Kernel, développent activement leurs propres plateformes d'agents. Mais l'approche d'AWS, fondée sur des parsers personnalisés ouverts, semble plus souple : au lieu de dicter les modèles à utiliser, Amazon fournit des outils pour intégrer n'importe lequel. Cela pourrait devenir un argument décisif pour les clients professionnels qui ne veulent pas dépendre d'un seul fournisseur de modèles.

À terme, on peut s'attendre à l'apparition de parsers prêts à l'emploi pour les modèles ouverts populaires et les moteurs d'inférence ; la communauté va presque certainement commencer à constituer une bibliothèque de configurations compatibles. Pour le marché des agents d'IA, c'est une nouvelle étape vers la maturité : la technologie cesse d'être le privilège de ceux qui utilisent un modèle précis d'un fournisseur précis et devient accessible à toute équipe prête à déployer un LLM sur une infrastructure cloud.