Comment Anthropic a conçu son système d'IA multi-agents révolutionnaire

Anthropic a dévoilé l'ingénierie complexe derrière son système de recherche multi-agents avancé, un développement crucial qui améliore considérablement la capacité de Claude à résoudre des problèmes complexes et ouverts. Cette plongée profonde dans leur parcours, du prototype à la production, offre des informations précieuses sur l'avenir de l'IA et des leçons pour les développeurs du monde entier.

La puissance de l'IA multi-agents

Contrairement aux systèmes traditionnels à agent unique, l'IA multi-agents imite la collaboration humaine, employant plusieurs agents Claude pour explorer des sujets complexes simultanément. Cette approche est particulièrement efficace pour les tâches de recherche où les étapes requises sont très imprévisibles et dynamiques. « Lorsque les gens effectuent des recherches, ils ont tendance à mettre continuellement à jour leur approche en fonction des découvertes, suivant les pistes qui émergent pendant l'enquête », expliquent les ingénieurs d'Anthropic. Cette flexibilité est précisément ce que les systèmes multi-agents apportent.

Les évaluations internes chez Anthropic démontrent une amélioration des performances stupéfiante de 90,2 % par rapport aux systèmes Claude Opus 4 à agent unique, en particulier pour les requêtes de type « breadth-first » (exploration en largeur). Par exemple, un système multi-agents a réussi à identifier tous les membres du conseil d'administration des entreprises du S&P 500 du secteur des technologies de l'information en décomposant la tâche, un exploit avec lequel un agent unique a eu du mal.

Bien qu'incroyablement puissants, les systèmes multi-agents sont gourmands en ressources, consommant beaucoup plus de jetons que les interactions de chat typiques (jusqu'à 15 fois plus). Cela les rend économiquement viables principalement pour les tâches à forte valeur ajoutée qui bénéficient d'une parallélisation étendue et d'une interaction d'outils complexe.

Innovations architecturales : le modèle orchestrateur-travailleur

Le cœur du système de recherche d'Anthropic réside dans son modèle orchestrateur-travailleur. Un agent principal analyse les requêtes de l'utilisateur, élabore une stratégie, puis génère des sous-agents spécialisés qui opèrent en parallèle. Ces sous-agents agissent comme des filtres intelligents, recueillant itérativement des informations avant de condenser leurs résultats pour que l'agent principal synthétise une réponse finale et complète.

Cette recherche dynamique et multi-étapes contraste fortement avec les modèles traditionnels de génération augmentée par récupération (RAG), qui reposent sur une récupération statique. L'approche d'Anthropic permet une adaptation et une analyse en temps réel, conduisant à des résultats de meilleure qualité et plus nuancés.

Maîtrise de l'ingénierie des invites pour la coordination des agents

L'un des défis les plus importants des systèmes multi-agents est la coordination efficace de plusieurs agents. L'équipe d'Anthropic a découvert que l'ingénierie des invites était leur principal levier de succès. Les principes clés comprenaient :

• Penser comme vos agents : Comprendre comment les agents interprètent les invites et les outils est crucial pour identifier et corriger les modes de défaillance.
• Maîtrise de la délégation : L'agent principal doit fournir des instructions explicites et détaillées aux sous-agents pour éviter la duplication des efforts et assurer une couverture complète.
• Adapter l'effort à la complexité : Les agents reçoivent des directives pour allouer efficacement les ressources, évitant un surinvestissement dans les requêtes simples.
• Conception d'outils critiques : Des descriptions d'outils claires et des heuristiques guident les agents pour sélectionner et utiliser les bons outils efficacement.
• Amélioration des agents : Les modèles Claude 4 se sont avérés aptes à diagnostiquer leurs propres échecs et à suggérer des améliorations d'invites, réécrivant même les descriptions d'outils pour améliorer les performances.
• Processus de pensée guidée : L'utilisation du mode de pensée étendue de Claude permet aux agents de planifier, d'évaluer et d'affiner leur approche, améliorant considérablement le suivi des instructions et l'efficacité.

L'appel d'outils parallèle a également transformé la vitesse, réduisant le temps de recherche jusqu'à 90 % pour les requêtes complexes en permettant aux agents principaux de lancer plusieurs sous-agents et aux sous-agents d'utiliser plusieurs outils simultanément.

Évaluation des systèmes d'IA en évolution

L'évaluation des systèmes multi-agents présente des défis uniques en raison de leur nature non déterministe. Anthropic insiste sur :

• Évaluations précoces sur de petits échantillons : Même avec quelques cas de test, des améliorations significatives peuvent être détectées tôt dans le développement.
• Évaluation « LLM-as-Judge » : Les grands modèles linguistiques sont excellents pour évaluer automatiquement les résultats de recherche par rapport à des grilles d'évaluation pour la précision factuelle, la précision des citations, l'exhaustivité et la qualité des sources.
• Supervision humaine : Malgré l'automatisation, les testeurs humains restent essentiels pour détecter les cas limites, les comportements inattendus et les biais subtils que les évaluations automatisées pourraient manquer.

Fiabilité en production et défis d'ingénierie

Mettre les systèmes multi-agents en production implique de surmonter d'importants obstacles d'ingénierie. Les agents sont "stateful" (avec état) et à longue durée de vie, ce qui signifie que des erreurs mineures peuvent entraîner des problèmes de comportement majeurs. Anthropic a résolu ce problème en construisant des systèmes capables de reprendre après des erreurs, en tirant parti de l'intelligence de Claude pour s'adapter aux défaillances des outils et en employant des protections robustes comme la logique de réessai et les points de contrôle.

Le débogage d'agents non déterministes nécessite des approches nouvelles, y compris un traçage complet de la production pour diagnostiquer le comportement et une observabilité de haut niveau des modèles de décision des agents. Le déploiement exige également une coordination minutieuse, avec des techniques comme les déploiements « rainbow » assurant un fonctionnement continu pendant les mises à jour.

Bien que l'exécution synchrone simplifie la coordination, Anthropic reconnaît que l'exécution asynchrone future débloquera encore plus de parallélisme et de performances, justifiant la complexité accrue.

L'impact transformateur

Malgré les défis, les systèmes multi-agents se sont avérés inestimables pour les tâches de recherche ouvertes. Les utilisateurs déclarent économiser des jours de travail, découvrir des opportunités commerciales, naviguer dans des options complexes et résoudre des bogues techniques plus rapidement que jamais. Cela démontre l'impact profond d'une ingénierie minutieuse, de tests complets et d'une collaboration étroite pour transformer des prototypes d'IA complexes en systèmes de production fiables et évolutifs qui résolvent réellement des problèmes du monde réel.