ReAct et les agents IA
ReAct (Reason + Act) est la boucle qui transforme un LLM en agent : le modèle réfléchit à ce qu'il doit faire, agit en appelant un outil, observe le résultat, puis recommence jusqu'à pouvoir répondre.
Du chatbot à l'agent
Seul, un LLM ne peut que produire du texte. Il ne connaît pas vos chiffres du jour, ne peut pas interroger votre CRM ni faire un calcul exact. Un agent lui donne des outils : une recherche web, une requête SQL, une fonction Python, une API métier. Le modèle décide lui-même quand et comment s'en servir.
La boucle ReAct
- Pensée : le modèle analyse la demande et choisit la prochaine étape. « Je dois d'abord trouver le chiffre d'affaires de mars. »
- Action : il appelle un outil avec des paramètres précis.
- Observation : le résultat de l'outil lui est renvoyé.
- Il reprend à l'étape 1 avec cette nouvelle information, jusqu'à pouvoir répondre.
« Notre CA de mars est-il supérieur à celui de l'an dernier ? » demande ainsi deux appels à l'outil, puis une comparaison.
Point important : la pensée et l'action ne sont que du texte généré par le modèle. C'est l'application qui repère l'action, l'exécute réellement et renvoie le résultat. Ce cycle, décrit en 2022 par Yao et ses coauteurs, est le squelette des agents actuels : agents RAG, agents de code, assistants connectés aux applications de l'entreprise via le protocole MCP.
Les précautions
- Limiter le nombre de tours : un agent peut tourner en rond.
- Donner des outils au périmètre étroit, en lecture seule quand c'est possible.
- Faire valider par un humain les actions irréversibles : envoyer un e-mail, modifier une donnée, payer.
- Journaliser chaque pensée et chaque action pour pouvoir comprendre une erreur.
Dès qu'un agent lit des contenus externes, il devient exposé à la prompt injection. Pour le code, voir Créer un agent IA en Python.