Architecture

Tester le code Go concurrent a toujours exigé une certaine discipline. Les goroutines sont peu coûteuses, les canaux sont simples et l’annulation de contexte est idiomatique — les workers en arrière-plan et les minuteries sont omniprésents dans les services Go réels.

Le protocole Agent2Agent de Google, généralement abrégé en A2A, a connu une première année étrange.

Les agents de sondage (polling agents) font partie des aspects les moins glamour de l’architecture des assistants IA, mais ils sont aussi parmi les plus utiles.

L’architecture des agents IA commence à se diviser en deux couches.

Le protocole A2A, sigle d’Agent2Agent Protocol, est une norme ouverte pour la communication entre des systèmes d’agents IA indépendants.

CQRS est l’un de ces modèles qui est souvent survendu, surcomplexifié et parfois mal diagnostiqué comme un remède à l’ennui du CRUD traditionnel.

Les LLMs sont imprévisibles. Ils hallucinent, fuient des données, génèrent du contenu nuisible ou refusent des demandes légitimes. Les garde-fous (guardrails) contraignent le comportement du modèle sans sacrifier ses capacités.

La mémoire transforme les assistants d’entités réactives en entités persistantes, mais c’est aussi là que de nombreux systèmes pourrissent silencieusement. Les enquêtes soutiennent que la distinction entre mémoire à court terme et à long terme n’est plus suffisante pour la mémoire des agents modernes ; les SDKs OpenAI et LangGraph pointent vers une pile plus simple — mémoire de travail, état durable et récupération.

Un assistant IA de production n’est pas « un LLM avec un prompt ». C’est un système qui accepte une intention, maintient un état, décide quand récupérer des informations ou agir, et expose suffisamment de détails d’exécution pour déboguer les échecs.

La plupart des systèmes de connaissances modernes optimisent la récupération (retrieval), et cela est compréhensible. La recherche est visible, facile à démontrer et semble magique lorsqu’elle fonctionne. Tapez une question, obtenez une réponse.

Le principe est simple : les connaissances compilées sont plus réutilisables que les fragments récupérés. RAG est devenu la réponse par défaut à une question simple : comment donner à un LLM (modèle de langage) l’accès à des connaissances externes ?

PKM, RAG, wikis, systèmes de mémoire IA et, plus récemment, les flux de travail pratiques assistés par l’IA sont souvent discutés comme s’ils résolvaient le même problème. Ce n’est pas le cas. Ils traitent tous de la connaissance, mais ils opèrent à différents niveaux :

La plupart des tutoriels sur les « sorties structurées » des LLM manquent de sérieux. Ils vous apprennent à demander du JSON poliment, puis à espérer que le modèle se comporte correctement. Ce n’est pas de la validation. C’est de l’optimisme entre accolades.

Les assistants modernes oublient toujours tout lorsque vous fermez l’onglet, à moins qu’un élément ne persiste au-delà de la fenêtre de contexte. Les fournisseurs de mémoire d’agent sont des services ou des bibliothèques qui conservent des faits et des résumés entre les sessions — souvent intégrés en tant que plugins afin que le cadre reste léger tandis que la mémoire évolue.

Vous connaissez la routine. Vous ouvrez une conversation avec un agent IA, vous lui expliquez votre projet, partagez vos préférences, obtenez des résultats, puis fermez l’onglet. La semaine suivante, en revenant, c’est comme parler à un étranger : tout le contexte a disparu, chaque préférence a été oubliée, le projet doit être réexpliqué à partir de zéro.

OpenClaw semble simple dans les démos. En production, il devient un système.