07 - Multi-agents : faire collaborer plusieurs IA

Multi-agents : faire collaborer plusieurs IA

L'essentiel

Le multi-agents consiste à faire collaborer plusieurs intelligences artificielles spécialisées pour accomplir une tâche complexe, en s'inspirant du principe de la division du travail. Selon les travaux de recherche de Microsoft (2024) et les benchmarks de LangChain (2025), cette architecture surpasse nettement l'agent unique dès lors que la tâche requiert plus de deux expertises différentes ou des vérifications croisées. L'approche repose sur trois architectures fondamentales (Orchestrateur/Workers, Peer-to-Peer, Hiérarchique) et s'appuie sur des frameworks spécialisés comme CrewAI, AutoGen ou LangGraph.

Et si une seule IA ne suffisait plus ? Bienvenue dans l'ère du multi-agents — où plusieurs intelligences artificielles collaborent, se répartissent les tâches et produisent des résultats qu'un agent isolé ne pourrait jamais atteindre.

Dans ce guide avancé, on explore les architectures multi-agents, les frameworks majeurs (CrewAI, AutoGen, LangGraph) et on construit ensemble un pipeline concret avec trois agents spécialisés.

🏗️ Pourquoi le multi-agents ?

Un agent IA seul, c'est puissant. Mais dès que la tâche se complexifie — rédiger un article optimisé SEO en 3 langues, analyser un dataset puis générer un rapport, orchestrer un déploiement — les limites apparaissent :

• Context window saturé : un seul agent qui fait tout accumule du contexte inutile
• Spécialisation impossible : le prompt "expert SEO + rédacteur + traducteur" donne des résultats moyens partout
• Pas de vérification croisée : personne ne relit le travail
• Scalabilité limitée : impossible de paralléliser

Le multi-agents résout tout ça en appliquant un principe vieux comme le monde : la division du travail.

🧠 Les 3 architectures fondamentales

Architecture Orchestrateur / Workers

C'est le modèle le plus courant. Un agent orchestrateur (le "chef de projet") distribue les tâches à des agents workers spécialisés. L'orchestrateur reçoit la tâche globale, la décompose en sous-tâches, chaque worker exécute sa partie, puis l'orchestrateur agrège et valide les résultats.

Avantages :
- Contrôle centralisé
- Facile à débugger (un seul point de décision)
- Les workers sont interchangeables

Inconvénients :
- Single point of failure (l'orchestrateur)
- L'orchestrateur doit être très compétent
- Latence si tout passe par lui

Architecture Peer-to-Peer

Les agents communiquent directement entre eux, sans chef centralisé. Chaque agent décide quand passer le relais.

Cas d'usage : débats IA, brainstorming, vérification croisée.

Avantages :
- Pas de bottleneck central
- Résilient (un agent tombe, les autres continuent)
- Émergence de solutions créatives

Inconvénients :
- Risque de boucles infinies (les agents se relancent sans fin)
- Difficile à contrôler et prédire
- Debug complexe

Architecture Hiérarchique

Un mix des deux : plusieurs niveaux de management. Un orchestrateur principal délègue à des sous-orchestrateurs, qui eux-mêmes gèrent des workers.

Cas d'usage : projets complexes avec de nombreux agents (10+).

Pour comprendre comment ces architectures s'appliquent concrètement, vous pouvez consulter Les 5 patterns d'agents IA qui marchent.

🛠️ Les frameworks multi-agents

CrewAI — L'équipe IA prête à l'emploi

CrewAI est le framework le plus accessible. Il modélise une équipe (Crew) composée d'agents avec des rôles, des objectifs et des outils. La configuration se fait en trois étapes : on définit d'abord chaque agent avec son rôle, son objectif et son backstory, puis on crée les tâches associées en précisant la description et le résultat attendu, enfin on assemble le tout dans un objet Crew qui gère l'enchaînement séquentiel ou parallèle. Le passage de contexte entre les agents est géré automatiquement par le framework.

Points forts de CrewAI :
- API simple et intuitive
- Gestion automatique du passage de contexte entre agents
- Support de nombreux LLM (OpenAI, Anthropic, local)
- Outils intégrés (recherche web, lecture de fichiers)

Limites :
- Moins flexible que LangGraph pour les flows complexes
- Pas de branchement conditionnel natif

AutoGen — Le framework Microsoft

AutoGen de Microsoft Research est conçu pour les conversations multi-agents. Les agents discutent entre eux pour résoudre un problème. On configure des agents assistant avec des messages système spécifiques, on les regroupe dans une GroupChat avec un nombre maximum de tours, puis un GroupChatManager orchestre la discussion. L'exécution de code est intégrée directement dans le flux via un UserProxyAgent.

Points forts d'AutoGen :
- Conversations naturelles entre agents
- Exécution de code intégrée
- GroupChat pour les discussions multi-agents
- Très bon pour le pair-programming IA

Limites :
- API plus complexe
- Moins structuré que CrewAI pour les pipelines

LangGraph — Le graphe de workflows

LangGraph (par LangChain) modélise les workflows comme des graphes orientés. Chaque nœud est un agent ou une fonction, les arêtes définissent le flux. On commence par définir un état partagé typé (via TypedDict), puis on crée des fonctions pour chaque agent qui prennent et retournent cet état. Le graphe est construit en ajoutant des nœuds et des transitions, avec la possibilité d'ajouter des branchements conditionnels — par exemple, si un agent de vérification estime que la qualité est insuffisante, le flux reboucle vers l'étape de rédaction.

Points forts de LangGraph :
- Branchements conditionnels (si qualité insuffisante → recommencer)
- Visualisation du workflow en graphe
- État partagé typé
- Persistence et reprise après erreur

Limites :
- Courbe d'apprentissage plus raide
- Verbeux pour les cas simples

Pour maîtriser les mécanismes sous-jacents utilisés par ces frameworks, notre guide MCP, Function Calling, Tool Use : le guide complet détaille tout ce qu'il faut savoir.

Comparatif des frameworks

🔧 Cas concret : pipeline rédacteur + SEO + traducteur

Mettons tout ça en pratique avec CrewAI en construisant un pipeline complet : un Agent Rédacteur écrit un article de blog, un Agent SEO optimise le titre, les H2, les mots-clés, et un Agent Traducteur traduit en anglais.

Setup

L'installation nécessite les paquets crewai, crewai-tools et langchain-openai, ainsi que la configuration des variables d'environnement pour les clés API OpenAI et Anthropic.

Le code complet

La logique du pipeline se structure en quatre blocs. D'abord, on instancie les trois agents avec des rôles, objectifs et backstories précis : le Rédacteur (GPT-4o, avec un outil de recherche web), le Consultant SEO (GPT-4o), et le Traducteur (Claude 3.5 Sonnet). Ensuite, on définit les tâches séquentielles : la tâche de rédaction demande un article de 2000-2500 mots avec une structure H2/H3, la tâche SEO exige l'optimisation du titre, de la meta description, de la densité de mots-clés et de la lisibilité, et la tâche de traduction adapte le contenu en anglais en préservant le markdown. Le tout est assemblé dans un objet Crew avec le processus séquentiel, la mémoire activée et un rate limiting à 10 requêtes par minute. L'exécution se lance via crew.kickoff() avec le sujet et l'audience cible en paramètres.

Exécution et résultat

À l'exécution, le Rédacteur effectue sa recherche et rédige l'article (~2340 mots), puis le Consultant SEO l'analyse et l'optimise (score SEO: 87/100), et enfin le Traducteur produit la version anglaise (~2280 mots). Le résultat final inclut l'article français optimisé, l'article anglais et les meta SEO.

Pour voir un autre exemple de pipeline complet en action, consultez notre article Automatiser un pipeline complet avec un agent.

⚡ Patterns avancés

Pattern 1 : Vérification croisée

Deux agents rédigent indépendamment, un troisième compare et fusionne. Avec CrewAI, on configure simplement un objet Crew contenant les deux rédacteurs et l'éditeur, avec trois tâches exécutées séquentiellement : rédaction 1, rédaction 2, puis fusion.

Pattern 2 : Boucle de feedback

L'agent critique renvoie le travail au rédacteur jusqu'à satisfaction. Avec LangGraph, on implémente cette logique via un branchements conditionnel : une fonction d'évaluation vérifie le score de qualité et le nombre d'itérations, puis retourne soit "publier" soit "réécrire", redirigeant le flux vers le nœud approprié.

Pattern 3 : Agents avec mémoire partagée

Utiliser une base vectorielle comme mémoire commune. CrewAI propose cette fonctionnalité via son paramètre long_term_memory, qui accepte un storage backend comme ChromaDB pour persister les informations entre les sessions.

Pattern 4 : Multi-modèles

Chaque agent utilise le LLM le plus adapté à sa tâche :

Outils recommandés

• CrewAI — Le framework le plus accessible pour démarrer avec le multi-agents, idéal pour les pipelines séquentiels avec agents spécialisés.
• LangGraph — Le choix privilégié pour les workflows complexes nécessitant des branchements conditionnels, de la persistance et une visualisation en graphe.
• AutoGen — Le framework de Microsoft Research optimisé pour les conversations multi-agents et le pair-programming IA.

Erreurs courantes

1. La boucle infinie

Deux agents se corrigent mutuellement sans fin. Solution : toujours mettre un max_iter (chez CrewAI) ou un max_round (chez AutoGen) pour limiter le nombre d'itérations.

2. La dilution de responsabilité

Si personne n'est "responsable" du résultat final, la qualité baisse. Solution : désigner un agent final dont le seul rôle est de valider et consolider le résultat.

3. Le coût qui explose

3 agents × 3 itérations × GPT-4o = facture salée. Solution : utiliser des modèles moins chers pour les tâches simples (GPT-4o-mini à ~$0.30/M tokens ou Claude 3 Haiku à ~$0.25/M tokens au lieu de GPT-4o à ~$10/M tokens).

4. Le contexte perdu

Les agents ne se transmettent pas assez d'info. Solution : rédiger des expected_output très précis dans les tâches pour forcer chaque agent à produire un résultat structuré et complet pour le suivant.

🚀 Multi-agents avec OpenClaw

OpenClaw utilise nativement le multi-agents avec son système de sessions et subagents : un main agent (orchestrateur) spawne des subagents pour les tâches longues (rédaction, analyse SEO, traduction), chacun avec son propre contexte et ses instructions. C'est exactement l'architecture orchestrateur/workers.

Les avantages dans OpenClaw :
- Contexte isolé : chaque subagent a son propre contexte, pas de pollution
- Parallélisme : plusieurs subagents travaillent en même temps
- Spécialisation : chaque subagent peut avoir un modèle différent
- Rapport automatique : le résultat remonte au main agent

⚠️ Les pièges du multi-agents

Au-delà des erreurs courantes détaillées plus haut, d'autres écueils méritent l'attention. La dilution de responsabilité survient quand aucun agent n'est explicitly chargé de la qualité finale — il faut toujours prévoir un agent validateur. Le coût peut exploser rapidement avec l'empilement des appels LLM : la bonne pratique est d'attribuer le modèle le plus puissant à l'agent critique (rédacteur) et des modèles légers aux agents de tâches structurées (SEO). Enfin, la perte de contexte entre agents se corrige en étant extrêmement précis sur les formats de sortie attendus dans chaque tâche.

📊 Quand utiliser le multi-agents ?

Règle simple : si la tâche nécessite plus de 2 expertises différentes ou des vérifications croisées, le multi-agents vaut le coup.

Si vous débutez dans ce domaine, notre tutoriel Créer son premier agent IA autonome est un excellent point de départ. Pour un cas d'usage avancé de multi-agents en production, Dexter : un agent IA autonome qui fait de la recherche financière profonde illustre concrètement ces principes.