La plateforme agentique dit ce qu’il faut fournir. Team Topologies dit qui le fournit, et comment les équipes interagissent pour y parvenir.

---

Dans le premier article de cette série, nous posions la question du quoi : quelles capacités systémiques (contexte, garde-fous, outillage) sont nécessaires pour produire des applications fiables à l’échelle. La réponse était la plateforme agentique, et en son cœur, l’usine agentique : le mécanisme où les agents planifient, codent, testent et livrent.

Mais une plateforme ne se construit pas toute seule, et surtout, elle ne se consomme pas de la même manière qu’elle se construit. Il reste une question fondamentale : qui fait quoi ?

L’IA générative a transformé la manière dont le code est produit. En quelques mois, nous sommes passés de l’autocomplétion à des agents capables d’écrire, tester et déployer des applications entières. Le marché est aujourd’hui inondé de méthodes pour cadrer ces agents et leur faire produire du code de qualité.

Mais cette abondance pose une question que peu d’organisations se posent encore : que se passe-t-il quand on ne produit pas une app, mais cinquante ?

Un agent de code out-of-the-box ne voit qu’un repo et un shell. Cet article pose trois principes invariants pour passer d’un gadget à un outil de production.

Comment j’ai construit un système multi-agents en Go pour générer des présentations Google Slides à partir de templates préformatés (non pas pour présenter, mais pour convaincre). Retour d’expérience et illustration concrète des principes de l’agentic mesh.

Convictions pour concevoir les systèmes agentiques de demain — un système de maillage d’agents susceptible d’apporter de la valeur à l’échelle, empruntant ses principes au data mesh.

L’émerveillement initial J’ai toujours été fasciné par AlphaGo, puis AlphaZero, et cette idée d’apprentissage par renforcement. La machine qui joue contre elle-même, apprend seule, et atteint un niveau surhumain. Il y a là quelque chose de magique qui dépasse la simple prouesse technique. Lorsqu’en 2016, AlphaGo a vaincu Lee Sedol, l’un des plus grands joueurs de Go de tous les temps, ce n’était pas simplement une victoire technologique. C’était un moment de bascule dans notre rapport à l’intelligence artificielle.

NOTE: ceci est une traduction de l’article original en Anglais faite par une IA. Depuis son annonce il y a quelques mois, le Model Context Protocol (MCP) a suscité une attention considérable. Initialement, MCP servait de mécanisme simple, essentiellement un système de plugins, permettant aux Grands Modèles de Langage (LLM) d’interagir de façon transparente avec leur environnement, améliorant ainsi les assistants et agents IA. En appliquant la théorie de Wardley pour tracer l’évolution du protocole, je dirais que MCP a dépassé l’étape I (qualifiée de genesis dans l’image), établissant une certitude de solution.

Cet article, premier d’une série en trois parties, introduit le Model Context Protocol (MCP), un standard conçu pour permettre aux agents IA d’interagir avec divers environnements numériques au-delà des simples fenêtres de chat. Il définit des concepts clés tels que les agents, les environnements et l’autonomie, en soulignant la nécessité pour les agents d’accéder à des outils numériques via un protocole de communication structuré. MCP facilite cette interaction en définissant les MCP Servers (fournisseurs d’outils), les Hosts (applications exécutant des LLMs) et les MCP Clients, permettant ainsi aux agents d’exploiter les ressources, outils et prompts exposés par les serveurs. L’article défend l’idée que MCP est un élément clé de la prochaine révolution numérique, où les assistants IA exécuteront des tâches cognitives complexes. Il prépare également le terrain pour les prochains articles qui exploreront des implémentations concrètes avec Google VertexAI et un serveur de cybersécurité personnalisé.

Cet article détaille mon parcours dans la construction d’un hôte de chat personnalisé pour les agents d’IA, m’éloignant des solutions existantes pour acquérir une compréhension plus approfondie des technologies sous-jacentes. J’implémente un moteur de chat utilisant Vertex AI de Google et Go, en me concentrant sur la compatibilité avec l’API OpenAI pour l’intégration avec des outils comme Big-AGI. L’article couvre l’architecture centrale, incluant mon utilisation de ChatSession et GenerativeModel du SDK Vertex AI. Il approfondit l’implémentation du point de terminaison /v1/chat/completions, soulignant les défis liés aux réponses en streaming et à l’intégration des appels de fonction. Je décris également une solution de contournement pour gérer les appels de fonction dans un contexte de streaming et j’introduis le concept d’interface callable pour préparer l’implémentation du Protocole de Contexte de Modèle (MCP) dans les travaux futurs. L’objectif est de déplacer les outils en dehors de l’agent. Cela sera détaillé dans la dernière partie de cette série.

Cet ultime article d’une série en trois parties explore la séparation des outils de l’hôte grâce au Model Context Protocol (MCP), offrant flexibilité et réutilisabilité. L’auteur développe un outil basé sur MCP en Go pour exécuter des requêtes SQL via DuckDB, permettant une interaction fluide avec un chatbot tout en préservant la confidentialité. L’implémentation couvre la gestion des appels JSON-RPC, l’encapsulation des outils et leur intégration. Le projet valide l’efficacité de MCP, avec des perspectives d’évolution incluant le remplacement de VertexAI par Ollama et l’ajout de la gestion multi-session.