ReAct place les LLM aux commandes des agents autonomes

Les LLM pilotent les systèmes d’agents autonomes en leur servant de contrôleurs centraux. Cette architecture place le modèle de langage au cœur de la décision. L’agent peut ensuite organiser une tâche en plusieurs sous-objectifs. Cette décomposition fournit une structure au processus de planification. Les sous-objectifs permettent de traiter séparément des étapes plus petites. La décomposition peut être soutenue par des instructions formulées dans des invites. Elle peut aussi intégrer des apports humains. Le fonctionnement repose donc sur un contrôleur linguistique et une organisation progressive des tâches. La présentation originale détaille cette architecture dans l’article LLM Powered Autonomous Agents, consacré aux mécanismes des agents autonomes.

La planification segmente les tâches en objectifs plus restreints. Cette méthode permet à un agent de structurer son action autour d’étapes distinctes. Les invites peuvent guider cette segmentation. Des interventions humaines peuvent également soutenir la décomposition. Le système ne dépend donc pas d’une seule méthode pour construire ses sous-objectifs. Cette organisation complète le rôle du LLM comme contrôleur central. Elle décrit une manière de relier compréhension de la tâche et séquence d’actions. La planification constitue ainsi une fonction intégrée aux systèmes d’agents autonomes. La décomposition peut aussi être associée à des mécanismes de mémoire et de réflexion, selon l’architecture retenue pour l’agent. Dans l’architecture proposée par Lilian Weng en 2023, l’agent décompose notamment une tâche en sous-tâches avant de sélectionner les actions à exécuter.

Les agents combinent raisonnement et action

L’article ReAct, publié par Shunyu Yao et ses coauteurs en 2022, formalise l’alternance entre raisonnement et action au sein d’un agent piloté par LLM. Cette approche vise à améliorer les performances des agents. Elle relie les étapes de réflexion aux opérations réalisées par le système. Le raisonnement n’est donc pas présenté séparément de l’action. ReAct fournit un cadre pour articuler ces deux fonctions dans un agent autonome. Cette combinaison complète la planification par décomposition des tâches. Elle s’inscrit parmi les méthodes utilisées pour organiser le comportement d’un système contrôlé par LLM. La méthode est également documentée dans un article accessible sur arXiv, qui porte sur l’intégration du raisonnement et de l’action.

La réflexion corrige les actions à partir des erreurs rencontrées. Le mécanisme de réflexion permet à l’agent d’apprendre de ses erreurs. Il peut ensuite affiner ses actions. Cette capacité ajoute une boucle d’amélioration au fonctionnement de l’agent. Elle complète la planification, qui décompose d’abord la tâche en sous-objectifs. Elle complète aussi ReAct, qui associe raisonnement et action. La réflexion devient ainsi un mécanisme distinct dans l’architecture des agents autonomes. Elle relie l’expérience d’une action à l’ajustement des actions suivantes. Cette fonction est présentée comme un moyen pour l’agent de revoir son comportement après une erreur et de le préciser.

La mémoire sépare court et long terme

La mémoire distingue deux horizons dans les systèmes d’agents autonomes. La mémoire à court terme repose sur l’apprentissage en contexte. Elle permet au système d’utiliser les informations présentes dans le contexte immédiat. La mémoire à long terme conserve des informations pendant des périodes étendues. Ces deux fonctions ne jouent donc pas le même rôle dans l’architecture. La première concerne l’utilisation immédiate du contexte. La seconde concerne la rétention durable d’informations. Leur distinction complète les fonctions de contrôle, de planification et de réflexion. Elle fournit une organisation spécifique pour les informations mobilisées par l’agent pendant son fonctionnement. Dans les architectures modernes, la mémoire à court terme correspond souvent à la fenêtre de contexte du modèle, tandis que la mémoire à long terme peut s’appuyer sur une base vectorielle pour retrouver des informations antérieures.