Ouvrir le Studio

Agent IA

IA autonome pouvant utiliser des outils et des sources de données

À quoi sert ce nœud ?

Le nœud Agent IA crée un assistant IA autonome capable de raisonner, planifier et utiliser des outils pour accomplir des tâches complexes. Contrairement au nœud LLM qui ne fait que générer du texte, l’Agent peut effectuer des actions comme rechercher sur le web, accéder à des bases de données ou appeler des API.

Usages courants :

  • Recherches nécessitant plusieurs étapes
  • Analyse de données avec utilisation d’outils
  • Raisonnement complexe avec des données externes
  • Tâches nécessitant des informations en temps réel

Configuration rapide

Ajouter le nœud Agent IA

Trouvez-le dans Nœuds IAAgent IA

Rédiger vos instructions

Décrivez clairement la tâche et l’objectif

Activer les outils ou MCP

Choisissez quels outils ou MCP l’agent peut utiliser

Ajouter des sources de données (optionnel)

Connectez des bases de connaissances ou des documents

Configuration

Champs obligatoires

instructions string required

La tâche ou l’objectif que l’agent doit accomplir.

Conseils pour les instructions de l’agent :

  • Définir clairement l’objectif final
  • Préciser quels outils utiliser et quand
  • Fixer des contraintes et limites
  • Décrire le format de sortie attendu

Exemple :

Recherchez l’entreprise {{company_name}} et fournissez :
1. Aperçu de l’entreprise
2. Actualités récentes (3 derniers mois)
3. Principaux concurrents
4. Points de friction potentiels

Utilisez le scraper web pour collecter les informations.
Présentez les résultats dans un format structuré.

Champs optionnels

tools array

Liste des outils que l’agent peut utiliser pendant l’exécution.

Outils disponibles :

  • Scraper web – Récupérer et extraire le contenu web
  • Requête HTTP – Appeler des API
  • Recherche – Rechercher sur le web

L’agent décide quand et comment utiliser chaque outil.

datasources array

Bases de connaissances ou documents que l’agent peut interroger.

Ajoutez du contexte avec :

Voici la source de données avec laquelle vous travaillerez : 
"Base de connaissances entreprise"

Paramètres IA

Mêmes réglages que le nœud LLM :

model string default: gpt-4o

Le modèle IA à utiliser. GPT-4 ou Claude recommandés pour les agents.

temperature number default: 0.6

Des valeurs plus basses (0,3–0,5) recommandées pour un comportement d’agent plus fiable.

max_output_tokens number default: 1000

Nombre maximum de jetons pour la réponse finale.

output_json_schema object

Schéma pour une sortie structurée.

Sortie

L’agent renvoie sa réponse finale après avoir accompli la tâche :

{
  "response": "Résultats de la recherche...",
  "tools_used": ["web_scraper", "search"],
  "steps_taken": 5,
  "model": "gpt-4o"
}

Fonctionnement des agents

graph TD
    A[Recevoir la tâche] --> B[Planifier les étapes]
    B --> C{Outil nécessaire ?}
    C -->|Oui| D[Utiliser l'outil]
    D --> E[Traiter le résultat]
    E --> C
    C -->|Non| F[Générer la réponse]
  1. Comprendre la tâche à partir de vos instructions
  2. Planifier les étapes nécessaires
  3. Exécuter en utilisant les outils disponibles
  4. Itérer jusqu’à ce que la tâche soit terminée
  5. Répondre avec le résultat final

Exemples

Recherche entreprise

Instructions :

Recherchez {{company_name}} et créez un profil entreprise.

Inclure :
- Description de l’entreprise et année de création
- Produits/services proposés
- Actualités ou annonces récentes
- Taille et financement de l’entreprise (si disponible)
- Principaux concurrents

Utilisez le scraper web pour visiter leur site et collecter les informations.
Recherchez des articles récents les concernant.

Formatez la réponse en rapport structuré.

Outils activés : Scraper web, Recherche

Analyse concurrentielle

Instructions :

Analysez nos 3 principaux concurrents pour le mot-clé "{{keyword}}" :

1. Trouvez les 3 pages les mieux classées pour ce mot-clé
2. Scrapez chaque page pour l’analyse du contenu
3. Identifiez les thèmes et sujets récurrents
4. Notez les lacunes que notre contenu pourrait combler

Fournissez des recommandations actionnables pour les dépasser.

Outils activés : Recherche, Scraper web

Enrichissement de données

Instructions :

Enrichissez cet enregistrement de lead avec des informations supplémentaires :

Lead : {{lead_data}}

Trouvez :
- Site web de l’entreprise
- Secteur d’activité
- Estimation du nombre d’employés
- Actualités récentes de l’entreprise
- Stack technologique (si identifiable)

Utilisez le domaine email de l’entreprise pour trouver le site.
Retournez les données enrichies en JSON.

Agent vs LLM : Quand utiliser lequel

Cas d’usageUtiliser l’AgentUtiliser le LLM
Génération de texte simple
Résumé de contenu
Recherche nécessitant l’accès web
Raisonnement en plusieurs étapes
Extraction de données depuis un texte connu
Tâches nécessitant des données en temps réel
Traitement à grand volume

Bonnes pratiques

Définir des objectifs clairs

Indiquez précisément à l’agent à quoi ressemble la réussite :

❌ "Recherchez cette entreprise"

✅ "Recherchez cette entreprise et fournissez un rapport en 5 sections
   comprenant : aperçu, produits, actualités, concurrents
   et recommandations. Chaque section doit faire 50 à 100 mots."

Limiter l’utilisation des outils

N’activez que les outils dont l’agent a besoin :

❌ Activer tous les outils "au cas où"

✅ Activer uniquement Scraper web et Recherche pour les tâches de recherche

Fixer des contraintes

Évitez une exécution qui s’emballe :

"Terminez cette tâche en maximum 10 appels d’outils.
Si vous ne trouvez pas l’information, indiquez-le clairement."

Fournir du contexte

Donnez à l’agent des informations de contexte :

"Vous effectuez une recherche pour une entreprise B2B SaaS vendant
des outils d’automatisation marketing. Concentrez-vous sur les informations
pertinentes pour une équipe commerciale préparant une prospection."

Problèmes courants

L’agent met trop de temps
  • Réduire le périmètre de la tâche
  • Définir des limites d’étapes explicites
  • Être plus précis sur ce qu’il faut trouver
L’agent utilise les mauvais outils
  • Préciser quel outil utiliser pour quoi
  • Désactiver les outils inutiles
  • Ajouter des exemples dans les instructions
Les résultats sont incomplets
  • Diviser en sous-tâches plus petites
  • Augmenter max_output_tokens
  • Ajouter « assurez-vous de couvrir tous les points » dans les instructions
L’agent boucle ou reste bloqué
  • Ajouter « si bloqué, fournissez la meilleure réponse disponible »
  • Définir une limite maximale d’itérations
  • Simplifier la tâche

Nœuds associés