THE FUTURE MARKETACADEMY
Your classroomRoom 01 · AI Lab
School of AI

Systèmes d'agents : concevoir, tester et gouverner des agents à grande échelle

What you'll be able to do
  • Décider quand une tâche demande plusieurs agents et quand un seul agent (ou un simple flux de travail) est le choix le meilleur et le moins coûteux.
  • Concevoir un agent principal avec des sous-agents, rédiger des consignes de délégation claires et ne donner à chaque sous-agent que les outils dont il a besoin.
  • Construire une suite d'évaluation : tâches, essais, évaluateurs, pass@k et pass^k, tests de capacité et tests de régression.
  • Superposer des permissions pour qu'aucune règle isolée ne soit la seule barrière entre un agent et une erreur.
  • Surveiller un système en fonctionnement avec des journaux, des traces, des crochets (hooks) et les rapports d'utilisation et de coûts.
  • Maîtriser les coûts avec des limites d'étapes, des plafonds de budget, des limites de dépenses, des espaces de travail et la mise en cache.
  • Rédiger un plan de sécurité et de réponse aux incidents pour les agents, et en diriger la revue avec d'autres personnes.

Avant ce cours : Agents à étapes multiples : outils, mémoire et fiabilité (cours 1.4.3). Vous devriez déjà être capable d'écrire la boucle manuelle d'un agent (tool_use, tool_result, stop_reason), de concevoir plusieurs outils avec des descriptions claires, de renvoyer des erreurs utiles, de garder la mémoire dans des fichiers, de fixer des limites d'étapes, d'ajouter une étape d'approbation humaine et de tester une boucle avec un client substitut. Les cours 1.4.1 (Premiers pas avec les agents) et 1.4 (Créer des agents IA avec Claude) viennent avant. Ce cours est de niveau expert : vous cessez de construire un seul agent et vous commencez à concevoir, tester et gouverner un système d'agents dont d'autres personnes dépendent. Vous apprendrez aussi à l'enseigner à une équipe. Vous avez besoin de Python 3.9 ou d'une version plus récente et d'un terminal. Le code marqué « tested » (testé) a été exécuté pour ce cours avec du Python ordinaire et sans clé d'API. Le code marqué « from the docs » (tiré de la documentation) est présenté tel qu'Anthropic le documente et n'a pas été exécuté ici, car il nécessite une clé d'API.

Words in this course 77Open the Vocabulary Hall
01

Un agent ou plusieurs? Choisir la chose la plus simple qui fonctionne

In simple words

Une petite boulangerie n'a besoin que d'un boulanger. Une énorme commande de mariage peut demander un chef qui distribue les tâches : une personne sur les gâteaux, une sur le pain, une sur le glaçage. Mais plus de cuisiniers coûtent plus cher, et ils doivent se parler. Alors, avant d'en engager d'autres, demandez-vous : un bon cuisinier suffit-il?

Key facts
  • L'article d'Anthropic « How we built our multi-agent research system » décrit un modèle orchestrateur-travailleurs : un agent principal planifie le travail et envoie des sous-agents en faire des parties en parallèle. Les sous-agents cherchent, vérifient les résultats et font rapport à l'agent principal.
  • Dans ce système, la version multi-agents a surpassé un agent unique de 90,2 pour cent lors de l'évaluation interne de recherche d'Anthropic. L'article dit aussi que les agents utilisent environ 4 fois plus de jetons qu'une conversation, et les systèmes multi-agents environ 15 fois plus de jetons qu'une conversation. (Ce sont les chiffres de cet article, pour ce système. Les vôtres seront différents. Mesurez les vôtres.)
  • La conclusion de l'article : les systèmes multi-agents sont rentables pour les tâches de grande valeur qui se divisent en plusieurs parties indépendantes. Ils conviennent mal quand le travail comporte de nombreuses dépendances entre les étapes, comme beaucoup de tâches de programmation.
  • Extrait du guide « Building effective agents » d'Anthropic : commencez par la solution la plus simple et n'ajoutez de la complexité que si elle améliore clairement les résultats. Beaucoup de tâches ne demandent qu'un seul appel ou un flux de travail fixe, et pas d'agent du tout.
  • L'article donne des règles empiriques d'effort : une simple recherche de faits demande 1 agent et environ 3 à 10 appels d'outils; une comparaison directe demande de 2 à 4 sous-agents avec environ 10 à 15 appels chacun; une recherche complexe peut utiliser plus de 10 sous-agents. Dites à l'agent principal combien d'effort mérite une question, sinon il risque de trop dépenser.
  • Selon la documentation du SDK Agent, Claude Opus 5 délègue aux sous-agents plus volontiers que les modèles précédents. Cela rend les limites de profondeur, de simultanéité et de dépenses (leçon 6) plus importantes.
QuestionSi ouiSi non
La tâche peut-elle être découpée en parties qui n'ont pas besoin des résultats des autres?Des sous-agents en parallèle peuvent aiderGardez un seul agent, avec des étapes dans l'ordre
Le résultat a-t-il assez de valeur pour payer plusieurs fois plus de jetons?Le multi-agents peut valoir la peineUtilisez un agent unique ou un flux de travail fixe
Une partie produit-elle d'énormes quantités de texte dont le reste n'a pas besoin?Un sous-agent garde ce texte hors du contexte principalPas nécessaire
Pouvez-vous mesurer si le système est meilleur? (leçon 3)Essayez et comparezNe le construisez pas encore
Step by step
  1. Écrivez la tâche en une phrase et listez ses parties sur papier.
  2. Marquez chaque paire de parties « indépendantes » ou « dépend de ».
  3. Estimez la valeur d'un bon résultat et la fréquence de la tâche.
  4. Construisez d'abord la version la plus simple : une consigne, puis un flux de travail fixe, puis un agent. Notez ce que chacune donne sur cinq entrées d'exemple.
  5. Seulement si un seul agent échoue clairement (trop lent, contexte trop plein, qualité trop faible), esquissez un agent principal avec deux sous-agents.
  6. Écrivez la décision en un paragraphe : ce que vous avez choisi, ce que vous avez rejeté et pourquoi.
  7. Vérification : quelqu'un qui n'était pas là peut lire votre paragraphe et dire pourquoi vous avez utilisé plusieurs agents ou non.
Watch on YouTube
Building more effective AI agentsAnthropic · YouTube · youtube.com
Building the future of agents with ClaudeAnthropic · YouTube · youtube.com

Videos by other creators on YouTube, for reference. They are not made by or affiliated with The Future Market.

LESSON 01Un agent ou plusieurs? Choisir la chose la plus simple qui fonctionne
LESSON 01 / ANIMATED LESSON / ENGLISH VOICE00:00 / 01:10
Read the video script
[Host] "Plus d'agents ne veut pas dire mieux. Ça veut dire plus de coûts."
[Text on screen: Agent principal + sous-agents en parallèle] "Le système de recherche d'Anthropic utilise un agent principal qui confie des parties d'une tâche à des sous-agents."
[Text on screen: Environ 4 fois plus de jetons pour un agent, environ 15 fois pour plusieurs] "Dans leur article, cela a coûté environ 15 fois plus de jetons qu'une conversation."
[Screen: le tableau de décision] "Utilisez plusieurs agents quand les parties sont indépendantes et que le résultat vaut le coût."
[Host] "Commencez par la chose la plus simple qui fonctionne. N'ajoutez des agents que lorsque vous pouvez montrer qu'ils aident."
Try it now

Prenez une tâche de votre propre travail ou de vos études (par exemple « préparer un rapport hebdomadaire à partir de cinq sources »). Remplissez le tableau de décision, construisez la version la plus simple et rédigez la décision en un paragraphe. Ne construisez pas encore la version multi-agents.

ClaudeStuck? Copy a ready-made prompt for Claude

Copy this, open Claude, paste it, and Claude will walk you through the lesson step by step.

For a grown-up: Claude is for adults (18+). Copy this, paste it into Claude, and use the answer to explain the lesson to your child.

I'm learning "Systèmes d'agents : concevoir, tester et gouverner des agents à grande échelle" on The Future Market. Lesson 1: "Un agent ou plusieurs? Choisir la chose la plus simple qui fonctionne".

What the lesson teaches:
- L'article d'Anthropic « How we built our multi-agent research system » décrit un modèle orchestrateur-travailleurs : un agent principal planifie le travail et envoie des sous-agents en faire des parties en parallèle. Les sous-agents cherchent, vérifient les résultats et font rapport à l'agent principal.
- Dans ce système, la version multi-agents a surpassé un agent unique de 90,2 pour cent lors de l'évaluation interne de recherche d'Anthropic. L'article dit aussi que les agents utilisent environ 4 fois plus de jetons qu'une conversation, et les systèmes multi-agents environ 15 fois plus de jetons qu'une conversation. (Ce sont les chiffres de cet article, pour ce système. Les vôtres seront différents. Mesurez les vôtres.)
- La conclusion de l'article : les systèmes multi-agents sont rentables pour les tâches de grande valeur qui se divisent en plusieurs parties indépendantes. Ils conviennent mal quand le travail comporte de nombreuses dépendances entre les étapes, comme beaucoup de tâches de programmation.
- Extrait du guide « Building effective agents » d'Anthropic : commencez par la solution la plus simple et n'ajoutez de la complexité que si elle améliore clairement les résultats. Beaucoup de tâches ne demandent qu'un seul appel ou un flux de travail fixe, et pas d'agent du tout.
- L'article donne des règles empiriques d'effort : une simple recherche de faits demande 1 agent et environ 3 à 10 appels d'outils; une comparaison directe demande de 2 à 4 sous-agents avec environ 10 à 15 appels chacun; une recherche complexe peut utiliser plus de 10 sous-agents. Dites à l'agent principal combien d'effort mérite une question, sinon il risque de trop dépenser.
- Selon la documentation du SDK Agent, Claude Opus 5 délègue aux sous-agents plus volontiers que les modèles précédents. Cela rend les limites de profondeur, de simultanéité et de dépenses (leçon 6) plus importantes.
- Question - Si oui - Si non

The exercise I'm working on:
Prenez une tâche de votre propre travail ou de vos études (par exemple « préparer un rapport hebdomadaire à partir de cinq sources »). Remplissez le tableau de décision, construisez la version la plus simple et rédigez la décision en un paragraphe. Ne construisez pas encore la version multi-agents.

I'm stuck. Please:
1. Explain the main idea in plain, simple words with one everyday example.
2. Walk me through the exercise one small step at a time. Ask me what I've done so far before giving the next step.
3. Don't just give me the final answer. Help me do it myself, and check my work when I share it.
I'm a parent helping my child (about 8 years old) with a lesson called "Un agent ou plusieurs? Choisir la chose la plus simple qui fonctionne" from the course "Systèmes d'agents : concevoir, tester et gouverner des agents à grande échelle".

Here's what the lesson says:
Une petite boulangerie n'a besoin que d'un boulanger. Une énorme commande de mariage peut demander un chef qui distribue les tâches : une personne sur les gâteaux, une sur le pain, une sur le glaçage. Mais plus de cuisiniers coûtent plus cher, et ils doivent se parler. Alors, avant d'en engager d'autres, demandez-vous : un bon cuisinier suffit-il?

The activity:
Prenez une tâche de votre propre travail ou de vos études (par exemple « préparer un rapport hebdomadaire à partir de cinq sources »). Remplissez le tableau de décision, construisez la version la plus simple et rédigez la décision en un paragraphe. Ne construisez pas encore la version multi-agents.

Please explain this so an 8-year-old understands: short sentences, a fun everyday example, and no hard words.
Then give me 3 simple questions I can ask my child to check they understood, and a way to do the activity together, one tiny step at a time.
Open Claude
Sources
My notes
02

Concevoir l'équipe : un agent principal, des sous-agents et des consignes claires

This lesson is part of full access: every course and every level for one payment.

03

Les suites d'évaluation : comment savoir si le système fonctionne

This lesson is part of full access: every course and every level for one payment.

04

Des permissions en couches : le moins d'autonomie possible

This lesson is part of full access: every course and every level for one payment.

05

La surveillance : voir ce que fait le système

This lesson is part of full access: every course and every level for one payment.

06

Contrôle des coûts et limites

This lesson is part of full access: every course and every level for one payment.

07

Le plan de sécurité et de réponse aux incidents, et la direction de la revue

This lesson is part of full access: every course and every level for one payment.

++

Final project

This lesson is part of full access: every course and every level for one payment.

??

Quiz

  1. Quand les articles d'Anthropic disent-ils que les systèmes multi-agents sont le plus rentables?

  2. Quelles quatre choses une bonne consigne de sous-agent doit-elle contenir?

  3. Que reçoit un sous-agent de son parent?

  4. Comment rendre un sous-agent examinateur incapable de modifier des fichiers?

  5. Qu'est-ce qu'un évaluateur (grader) dans une évaluation?

  6. Si un agent réussit 75 pour cent des essais, quel est à peu près le pass^3?

  7. Quelle est la différence entre les évaluations de capacité et les évaluations de régression?

  8. Pourquoi évaluer les résultats et pas seulement les paroles de l'agent?

  9. Quelles trois causes d'« Excessive Agency » l'OWASP nomme-t-elle?

  10. Dans le SDK Agent, une règle d'autorisation peut-elle l'emporter sur une règle de refus?

  11. Quel champ de coût inclut les dépenses des sous-agents : usage ou total_cost_usd?

  12. Que doit faire votre code quand l'API renvoie l'erreur de limite de dépenses, et que faire pour une limite de débit ordinaire?

EX

Final exam

This lesson is part of full access: every course and every level for one payment.

CE

Certificate

This lesson is part of full access: every course and every level for one payment.