LlamaCloud a ajouté LlamaAgents Builder pour créer et déployer des agents AI en quelques minutes

LlamaCloud a ajouté LlamaAgents Builder à sa plateforme — un outil bêta qui assemble un agent IA à partir d'une simple invite textuelle et le déploie sans configuration manuelle. À titre d'exemple, l'auteur a démontré un scénario dans lequel l'agent distingue les contrats des factures et en extrait les champs requis en quelques minutes.

Comment Fonctionne LlamaAgents Builder

LlamaAgents Builder est intégré à la plateforme web LlamaCloud, que beaucoup connaissent principalement pour son service LlamaParse d'analyse de documents. Dans l'article, l'auteur travaille avec un nouveau compte gratuit : il permet le traitement de jusqu'à 10 000 pages, et le constructeur lui-même est situé dans le bloc Agents et est actuellement marqué comme bêta. L'interface ressemble à un chat ordinaire, donc le seuil d'entrée ici est nettement inférieur à celui des cadres d'agents classiques, où vous devez généralement configurer manuellement les pipelines, les environnements, les appels de modèles et le routage des données.

L'idée principale de Builder est qu'un agent est décrit en langage naturel plutôt qu'en code. Dans la démonstration, l'utilisateur n'a besoin que d'une seule instruction : classifier les documents en Contracts et Invoices, puis extraire les parties signataires pour les contrats et le montant total et la date pour les factures. Après l'envoi d'une telle invite, la plateforme assemble automatiquement le flux de travail, affiche les étapes intermédiaires et construit progressivement un diagramme visuel du processus.

C'est important : l'utilisateur ne voit pas une boîte noire, mais une logique tout à fait compréhensible pour construire le service futur.

Déploiement via GitHub

Une fois le flux de travail assemblé, il peut être publié immédiatement via le bouton Push & Deploy. LlamaCloud vous demande de connecter votre compte GitHub, puis vous propose de nommer l'application et de choisir si vous avez besoin d'un référentiel privé. Les actions manuelles s'arrêtent là : la plateforme elle-même empaquette le pipeline assemblé, le publie et le déploie dans son infrastructure. L'article montre spécifiquement qu'après la fin du déploiement, l'état de l'application passe à Running, et les messages d'Uvicorn et les requêtes HTTP apparaissent dans les journaux — c'est-à-dire que le résultat n'est pas seulement un beau diagramme, mais un microservice API fonctionnant. Le processus dans l'article ressemble à ceci :

• vous fournissez une invite décrivant la tâche en langage courant
• vous attendez que Builder assemble le flux de travail et affiche son diagramme
• vous cliquez sur Push & Deploy et connectez GitHub
• vous obtenez une application en cours d'exécution avec le statut Running
• vous ouvrez la page Review et vérifiez le traitement des documents manuellement

Pour les développeurs et les équipes produit, non seulement la vitesse est importante ici, mais aussi le format du résultat. LlamaCloud convertit essentiellement un scénario sans code en une application sauvegardée par GitHub qui peut être stockée dans votre propre référentiel et développée davantage. Cela réduit la friction entre le prototype et la production : d'abord, l'entreprise décrit la tâche en mots, puis obtient un service déployé, et seulement après cela décide si l'accès à l'API, la logique supplémentaire ou l'intégration avec le flux de documents existant est nécessaire.

Test sur des Fichiers Réels

Après le déploiement, l'utilisateur entre dans un terrain de jeu appelé Review, où l'agent peut être testé sur des fichiers chargés. L'auteur de l'article démontre deux cas d'utilisation de base : un PDF avec une facture et un PDF avec un contrat. Dans le premier scénario, l'agent détermine que c'est une facture et extrait la date et le montant total.

Dans le deuxième scénario, il reconnaît un contrat et affiche les noms des signataires. Un point important est que tout cela se fait automatiquement immédiatement après le chargement du document, sans exécution de chaînes séparées et sans sélection manuelle du mode de traitement. Une couche séparée est le retour d'information sur la qualité.

Pour chaque test dans l'interface, vous pouvez confirmer le résultat ou le rejeter si la classification et l'extraction de champs n'ont pas fonctionné correctement. Essentiellement, LlamaCloud essaie de fermer le cycle entier dans une seule fenêtre : description de tâche, assemblage d'agent, déploiement, test et accumulation de commentaires. Pour les équipes qui travaillent avec des factures, des contrats et des fichiers récurrents similaires, cela ressemble à une tentative de transformer la création de flux de travail IA documentaires d'un projet d'ingénierie de plusieurs semaines en une tâche opérationnelle en quelques dizaines de minutes.

Ce Que Cela Signifie

LlamaCloud pousse le marché vers un modèle plus appliqué d'agents IA : non comme un constructeur axé sur la recherche pour les développeurs, mais comme un service qui peut être assemblé à partir d'une invite, connecté à GitHub et immédiatement exécuté sur des documents commerciaux. Si l'approche s'avère stable au-delà des scénarios de démonstration, le seuil d'entrée pour les outils d'agents internes dans les entreprises diminuera notablement.