Frameworks multi-agents

Les frameworks multi-agents basés sur les LLM sont des plateformes logicielles qui permettent à plusieurs agents IA autonomes, construits sur des grands modèles de langage (LLM), d'interagir entre eux pour résoudre collectivement des tâches complexes. Dans de tels systèmes, l'accent est mis sur la diversité des profils d'agents, leur communication et la prise de décision collective. Cette approche exploite l'« intelligence collective » d'un groupe, où chaque agent joue un rôle spécialisé et où l'échange de messages entre eux simule le travail collaboratif humain.

Cela permet de modéliser des scénarios complexes du monde réel et de résoudre des problèmes qui dépassent les capacités d'un agent intelligent unique. Les systèmes multi-agents basés sur les LLM ont déjà démontré des résultats probants dans des domaines tels que le développement de logiciels, les simulations sociales, les jeux économiques et la modélisation de débats politiques.

Frameworks et approches clés

Le développement des systèmes multi-agents a conduit à l'émergence de plusieurs frameworks open source facilitant leur création et leur étude.

MetaGPT (2023)

L'un des premiers frameworks open source, axé sur le travail collaboratif selon le principe de la « chaîne de montage » (assembly line). MetaGPT intègre des procédures opérationnelles standard (SOPs) dans le système et assigne à chaque agent un rôle spécifique (par exemple, chef de produit, ingénieur, testeur). Cette approche permet de décomposer une tâche complexe en sous-tâches, en les répartissant entre des agents spécialisés, ce qui réduit le chaos et le risque d'hallucinations.

CAMEL (2023)

Le framework CAMEL (Communicative Agents for "Mind" Exploration) se concentre sur l'interaction autonome des agents par le dialogue. Il propose une méthodologie de inception prompting pour coordonner la conversation entre les agents LLM, en les guidant vers un objectif commun. Chaque agent se voit attribuer un rôle et un contexte, après quoi les agents communiquent en langage naturel, élaborant progressivement une solution commune. CAMEL s'est montré efficace dans des scénarios nécessitant une coopération sans intervention humaine directe.

AutoGen (2023)

Un framework polyvalent et personnalisable développé par des chercheurs de Microsoft, conçu pour créer des applications complexes basées sur la communication entre plusieurs LLM. AutoGen permet de programmer la logique d'interaction des agents à la fois par du code et en langage naturel. Il prend en charge l'intégration avec des outils externes et des API, ce qui le rend adapté à un large éventail de tâches, du développement de logiciels à la création de systèmes de dialogue.

AgentVerse (2023)

Une plateforme ouverte, développée par la communauté OpenBMB pour l'étude de la collaboration dynamique et du comportement émergent des agents. AgentVerse propose deux modes de fonctionnement :

1. Résolution de tâches (task-solving) : Plusieurs agents LLM se regroupent en équipe pour accomplir une tâche complexe (par exemple, le développement collaboratif de logiciels).
2. Simulation d'environnement (simulation) : Permet à l'utilisateur de définir un environnement virtuel et d'observer l'interaction des agents (par exemple, la simulation d'une salle de classe ou du dilemme du prisonnier).

La plateforme souligne l'importance d'un environnement standardisé et de protocoles de communication pour une communication maîtrisée.

CrewAI (2024)

Un framework axé sur l'intégration des agents LLM dans les processus métier et l'analyse de données. CrewAI met en œuvre le concept d' AI-Based Agents Workflow (AgWf), où les agents exécutent des étapes décrites sous forme d'instructions textuelles et peuvent utiliser des outils externes (classes/fonctions Python). Cela permet d'automatiser des scénarios analytiques complexes, en combinant la flexibilité des LLM avec du code déterministe.

LangGraph (2024)

Un framework expérimental qui utilise des structures de graphes pour représenter l'état et le contexte dans les dialogues avec les LLM. La caractéristique clé de LangGraph est la prise en charge des processus de travail cycliques. Cela permet aux agents d'échanger des données via un graphe de connaissances partagé, de rechercher des informations de manière itérative, d'évaluer leur fiabilité et de corriger les réponses, ce qui est particulièrement utile dans les tâches de recherche d'informations (QA) avec une base de connaissances augmentée.

Autres projets

Les projets expérimentaux AutoGPT et AgentGPT ont également attiré une large attention, démontrant le potentiel d'agents IA entièrement autonomes capables de définir eux-mêmes des objectifs, d'effectuer des recherches sur le web, d'exécuter du code et de gérer des fichiers. Bien que ces projets n'aient pas été évalués par des pairs, ils ont souligné l'importance des composantes de planification, de mémoire et d'outils pour construire des agents véritablement autonomes.

Applications des systèmes multi-agents

• Automatisation du développement logiciel : Des groupes d'agents LLM jouent les rôles de chef de projet, de programmeur et de testeur, planifiant et réalisant conjointement des projets logiciels. L'étude ChatDev a montré qu'une équipe de quatre agents a pu créer une application simple en quelques minutes, en dialoguant à toutes les étapes, de la définition de la tâche aux tests.
• Assistants intelligents : Des produits d'entreprise comme Microsoft 365 Copilot et IBM Watsonx Orchestrate utilisent plusieurs agents pour accomplir des tâches complexes, où un agent traite la requête, un autre extrait les faits d'une base de données, et un troisième rédige le rapport.
• Recherche scientifique : Les agents sont utilisés pour générer et critiquer des hypothèses. Dans des approches comme Guided Debate ou Self-Refine, un agent propose une solution tandis qu'un autre l'évalue et la corrige, ce qui aide à réduire le nombre d'erreurs.
• Modélisation sociale et mondes virtuels : Dans le projet phare Generative Agents, des dizaines d'agents LLM, dotés de personnalités et de mémoire, ont simulé la vie d'une petite ville virtuelle, démontrant des interactions sociales plausibles. De telles simulations peuvent trouver des applications dans les jeux (pour créer des PNJ réalistes), dans la formation et les sciences sociales.

Défis et perspectives

Malgré leurs succès, les systèmes multi-agents sont confrontés à plusieurs défis majeurs :

• Hallucinations et erreurs en cascade : Une erreur commise par un agent peut se propager en chaîne aux autres, qui la prennent comme base pour leurs raisonnements, ce qui entraîne une distorsion du travail de l'ensemble du groupe.
• Scalabilité et consommation de ressources : Chaque agent basé sur un LLM nécessite des ressources de calcul considérables. Assurer le fonctionnement simultané de dizaines d'agents est un défi technique complexe.
• Coordination et gestion : Avec l'augmentation du nombre d'agents, le risque de chaos s'accroît. Des mécanismes d'« orchestration » bien pensés sont nécessaires pour gérer leurs interactions.
• Évaluation et tests : Il n'existe pas de benchmarks universellement reconnus pour comparer objectivement les différents frameworks multi-agents.

À l'avenir, on s'attend à l'émergence de systèmes multimodaux plus efficaces et plus sûrs, où les agents pourront échanger non seulement du texte, mais aussi des images et d'autres données. L'intégration de l'apprentissage par renforcement pourrait apprendre aux groupes d'agents à mieux se coordonner avec le temps, pour atteindre un effet d'« intelligence collective ». En fin de compte, les frameworks multi-agents sont une étape vers la création de systèmes d'IA plus flexibles et plus puissants, où de multiples « esprits » spécialisés travaillent de concert.

Liens

• Article de synthèse : Large Language Model based Multi-Agents (2024)
• Article de synthèse : LLMs Working in Harmony (2025)

Bibliographie

• Yao, S. et al. (2022). ReAct: Synergizing Reasoning and Acting in Language Models. arXiv:2210.03629.
• Hong, S. et al. (2023). MetaGPT: Meta Programming for a Multi-Agent Collaborative Framework. arXiv:2308.00352.
• Li, G. et al. (2023). CAMEL: Communicative Agents for "Mind" Exploration of Large Language Model Society. arXiv:2303.17760.
• Wu, Q. et al. (2023). AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation. arXiv:2308.08155.
• Liu, X. et al. (2023). AgentBench: Evaluating LLMs as Agents. arXiv:2308.03688.
• Yao, S. et al. (2023). Tree of Thoughts: Deliberate Problem Solving with Large Language Models. arXiv:2305.10601.
• Shinn, N. et al. (2023). Reflexion: Language Agents with Verbal Reinforcement Learning. arXiv:2303.11366.
• Chen, W. et al. (2023). AgentVerse: Facilitating Multi-Agent Collaboration and Exploring Emergent Behaviors. arXiv:2308.10848.
• Park, J. S. et al. (2023). Generative Agents: Interactive Simulacra of Human Behavior. arXiv:2304.03442.
• Guo, T. et al. (2024). Large Language Model Based Multi-Agents: A Survey of Progress and Challenges. arXiv:2402.01680.
• Chen, Q. et al. (2024). ChatDev: Communicative Agents for Software Development. arXiv:2307.07924.
• Duan, Z.; Wang, J. (2024). Exploration of LLM Multi-Agent Application Implementation Based on LangGraph + CrewAI. arXiv:2411.18241.
• Aratchige, R. M.; Ilmini, W. M. K. S. (2025). LLMs Working in Harmony: A Survey on the Technological Aspects of Building Effective LLM-Based Multi-Agent Systems. arXiv:2504.01963.