Agents IA contre RAG : comment fonctionne ReAct et à quoi servent les systèmes multi-agents

Les LLM savent générer du texte, mais pour la plupart des tâches pratiques, une seule réponse ne suffit pas. Il faut agir : demander des données à une source externe, choisir l'outil adapté, vérifier le résultat et, si nécessaire, corriger l'étape suivante. C'est ainsi que fonctionnent les agents IA, et c'est pourquoi l'approche agentique devient rapidement la norme pour les systèmes fondés sur de grands modèles de langage.

Agent contre LLM simple

Un modèle de langage classique, c'est une question et une réponse. Une requête, une génération, terminé. Un agent, c'est une boucle : le modèle raisonne, choisit une action, reçoit un résultat de l'environnement externe et répète le processus jusqu'à ce que la tâche soit résolue.

La différence clé avec les systèmes RAG (Retrieval-Augmented Generation) : le RAG ajoute du contexte issu d'une base de connaissances avant la génération, un enrichissement passif. L'agent, lui, décide seul quand et quoi demander : il appelle des API, exécute du code, lit des fichiers et interroge des services externes. Il ne se contente pas de recevoir un indice : il agit et s'adapte à ce que renvoie l'environnement.

Autre différence fondamentale : un agent peut changer de plan en cours d'exécution. Si une recherche renvoie un résultat inattendu, il reformule la requête ou bascule sur un autre outil. Le RAG en est incapable.

Comment fonctionne ReAct

ReAct (Reasoning + Acting) est l'un des frameworks de base les plus étudiés pour les agents. Le modèle parcourt trois phases en boucle :

• Thought : réflexion ; le modèle formule ce qui est déjà connu et ce qu'il faut faire à l'étape suivante
• Action : choix d'un outil et appel : recherche sur internet, calculatrice, requête à une API ou à une base de données
• Observation : analyse du résultat renvoyé et passage à l'itération suivante

La boucle se répète jusqu'à l'obtention de la réponse finale. ReAct fonctionne bien sur des chaînes de raisonnement courtes et moyennes, de 3–7 étapes. Sur les tâches longues, les erreurs s'accumulent ; on le combine donc souvent à des mécanismes supplémentaires : vérification des résultats intermédiaires, limite du nombre d'étapes, format de sortie explicite.

La force de ReAct, c'est la transparence. Chaque étape peut être inspectée et déboguée : on voit ce que le modèle a « pensé », ce qu'il a appelé et ce qu'il a obtenu en retour.

Systèmes multi-agents

Un agent seul a ses limites : fenêtre de contexte, spécialisation, temps d'exécution. Lorsque la tâche est complexe ou demande du travail en parallèle, les systèmes multi-agents entrent en scène : une architecture où plusieurs agents travaillent ensemble.

Structure type d'un système multi-agents :

• Orchestrator : agent de pilotage qui décompose la tâche et répartit les sous-tâches entre les workers
• Workers : agents spécialisés dans des fonctions précises : recherche, génération de code, traitement de données, communications
• Critic / Verifier : agent validateur qui contrôle les résultats des autres agents avant l'assemblage final

Cette architecture permet d'exécuter en parallèle des sous-tâches indépendantes et réduit sensiblement le risque d'accumulation d'erreurs, qui peuvent s'amplifier d'étape en étape dans une chaîne homogène.

« L'approche agentique devient rapidement la norme des systèmes modernes fondés sur les LLM », extrait de la série «

Le minimum de base ».

Exemple pratique : un agent dans Google Colab

La fin de la série « Le minimum de base » présente un agent minimal fonctionnel : un assistant de planification de voyages réalisé dans Google Colab. Tout est reproductible : aucune dépendance cachée, une configuration minimale.

L'agent sait chercher des informations sur des destinations via des outils externes, construire un itinéraire selon les préférences de l'utilisateur et demander des précisions dans le dialogue si la requête est ambiguë. Cet exemple montre bien en quoi un agent fonctionnel diffère fondamentalement d'un simple appel à un LLM avec un long prompt : il ne devine pas, il demande, reçoit et s'adapte.

Ce que cela signifie

Les agents IA ne sont plus un concept académique. Comprendre les schémas de base (ReAct, la séparation orchestrator/worker, les architectures multi-agents) devient indispensable pour quiconque construit des produits sur des LLM. Sans ce socle, il est difficile de prévoir où le système va casser, et presque impossible de le déboguer.