Créez votre premier agent IA en Python : outils. boucles. règles d'arrêt

Partie 16 du cours gratuit AI Engineer : votre premier agent IA. Un agent choisit entre plusieurs outils, continue jusqu'à ce que le travail soit terminé et sait quand s'arrêter. Vous voyez une exécution en plusieurs étapes, cinq règles d'arrêt, pourquoi l'historique des messages devient un problème de coût et comment tester un agent. Le "modèle" dans les démos est une simulation que j'ai écrite à la main, pas une véritable IA, et aucun véritable appel API n'est effectué. Dans cette vidéo : - Workflow ou agent ? Qui décide de l'étape suivante - La liste de messages est la mémoire de l'agent - Une véritable exécution en plusieurs étapes et sa trace (lister les commandes, puis calculer) - Comment la description oriente le choix entre les outils - Cinq façons de terminer une exécution : terminé, tours maximum, appels maximum, budget de jetons, répétition - Le problème de l'historique : chaque tour renvoie tout et coupe les anciens résultats - Tester le chemin, pas seulement la réponse (20 tests) - 4 exercices et un quiz CHAPITRES 0:00 Commencez ici : votre premier agent IA 1:09 Qu'est-ce qu'un agent 2:55 La mémoire d'un agent 3:44 Une exécution en plusieurs étapes 4:55 Choisir entre les outils 6:13 Règles d'arrêt 8:07 Le problème de l'historique 9:45 Tester un agent 11:25 L'assembler 12:56 Votre tour 14:29 Vérifiez vous-même CODE DE COURS (Parties 1 à 16) Fichiers de la 16e partie : agent.py, tools.py, schema.py, mock_agent_model.py, demo16.py, test_agent.py. Aucun package supplémentaire (Python 3.11+). EXERCICES 1. Ajoutez un cinquième outil en lecture seule avec une description en quatre phrases et un schéma d'entrée, puis écrivez un objectif qui en a besoin et un test pour le chemin. 2. Ajoutez votre propre règle d'arrêt (par exemple une limite de temps) et un test qui prouve qu'elle met fin à l'exécution. 3. Exécutez la démo trim avec keep_last défini sur 2 et comparez les jetons estimés et la réponse. 4. Stretch : écrire la vraie fonction du modèle (saisir en .env, jamais en code), exécuter les mêmes objectifs, comparer ses traces avec ma simulation et garder de petites limites. NOTES HONNÊTES - Je n'avais pas de clé de modèle et mon espace de travail ne peut pas accéder aux API publiques, donc aucun modèle réel n'a été utilisé dans cette partie. Le modèle fictif est constitué de règles écrites à la main, pas d'une IA ; ses réponses ont la même forme que la véritable API, donc la boucle, les règles d'arrêt, le découpage de l'historique et les tests sont du vrai code. Les écrans du terminal sont de véritables exécutions de mon propre code (Linux, Python 3.13, 5 novembre 2026) avec des commandes inventées. Les numéros de jetons sont une estimation approximative (environ 4 caractères par jeton), et non un véritable tokeniseur. Windows non testé. - Les idées (workflow vs agent, commencer par la solution la plus simple, conditions d'arrêt, points de contrôle humains, conception soignée des outils, tests dans un bac à sable) proviennent de l'article d'Anthropic « Building effective agents » (publié le 19 décembre 2024) et des pages d'utilisation des outils, lu le 5 novembre 2026 ; ils peuvent changer. Aucun prix indiqué. SOURCES (lire le 5 novembre 2026) Anthropic, Créer des agents efficaces : https://www.anthropic.com/engineering/building-effective-agents Anthropic, Aperçu de l'utilisation des outils : https://platform.claude.com/docs/en/agents-and-tools/tool-use/overview Abonnez-vous à AI Made Clear pour obtenir des conseils en anglais simple sur l'IA. Divulgation : la voix est générée par l’IA. Les écrans étiquetés real run sont de véritables sorties de terminal à partir de mon propre code avec un modèle fictif (pas une vraie IA) ; les autres écrans sont des illustrations. Anthropic, Python et d'autres noms appartiennent à leurs propriétaires. Cette chaîne n'est affiliée à aucune société nommée. Demandes commerciales : rabbihossain01941@gmail.com #AIEngineer #AIAgents #Python