Qualités des agents

Dernière leçon du cours — et le moment de prendre de la hauteur. Après avoir exploré Claude Code et Computer Use, on peut identifier les patterns qui révèlent ce qui rend les agents efficaces. Les deux outils, si différents en apparence — l’un manie du code, l’autre un écran —, démontrent la même approche systématique : une utilisation ciblée des outils, une conscience de l’environnement et une exécution itérative. Ces principes sont votre héritage de cette section : ils s’appliqueront à chaque agent que vous construirez.

Comment les agents fonctionnent en pratique

Une observation concrète d’abord. Quand on demande à Claude d’ajouter un test pour un cas limite spécifique, il suit un pattern clair : quatre appels d’outils distincts — deux pour lire des fichiers existants, un pour mettre à jour un fichier, un pour exécuter les tests.

Comptez : trois de ces appels concernent la collecte d’information — comprendre la codebase existante avant de faire des changements — et un seul modifie réellement l’environnement. Ce ratio n’a rien d’accidentel : le pattern « observer d’abord, agir ensuite » apparaît de manière constante dans Claude Code comme dans Computer Use, et c’est l’une des signatures des agents qui fonctionnent.

Caractéristiques communes

Claude Code et Computer Use partagent plusieurs caractéristiques fondamentales :

• Exécution basée sur les outils : les deux systèmes utilisent les outils intensivement et les exécutent en boucle jusqu’à atteindre un critère de succès ou rencontrer une erreur
• Contexte environnemental : plutôt que de s’appuyer sur des prompts détaillés ou du RAG, ils collectent le contexte directement par les interactions d’outils
• Jeux d’outils concentrés : chaque agent dispose d’un petit ensemble d’outils bien définis avec des objectifs clairs
• Tâches à haute valeur, faible risque : ils s’attaquent à des problèmes complexes où les erreurs sont gérables

Les quatre qualités des agents efficaces

1. Jeux d’outils concentrés exécutant en boucle

Les agents fonctionnent le mieux avec un petit nombre d’outils simples et bien définis — la leçon sur les outils abstraits de Claude Code : bash, grep, read, write, pas d’outil « Refactorer ». Ils continuent à exécuter ces outils jusqu’à atteindre une limite d’itérations, rencontrer une erreur ou satisfaire un critère de succès. Cette approche itérative permet la correction de trajectoire et le raffinement : chaque tour peut réparer ce que le précédent a raté.

2. Le contexte est primordial

Claude n’a aucune connaissance inhérente de votre environnement spécifique — votre codebase, l’état de votre écran, vos données n’existent pas dans son entraînement. Il a besoin d’outils pour lire et comprendre l’état actuel du système avec lequel il travaille, et la qualité de cette collecte de contexte impacte directement la performance de l’agent. C’est le principe d’inspection de l’environnement : un agent qui observe bien décide bien.

3. Tâches à haute valeur avec faible coût d’erreur

Les agents excellent dans le travail complexe et riche en connaissances où les erreurs n’auront pas de conséquences majeures. L’écriture de code est l’exemple parfait : elle requiert une expertise significative, mais les erreurs peuvent être détectées et corrigées — par les tests, la revue, le versionnage — sans conséquences catastrophiques. Évitez d’utiliser les agents pour des décisions à fort enjeu où les erreurs pourraient avoir des impacts économiques ou de sécurité sérieux : le critère n’est pas « l’agent peut-il le faire ? » mais « que coûte sa pire erreur ? ».

4. Évaluation continue

La seule façon fiable de construire des agents efficaces est le test rigoureux — et ce n’est pas un hasard si ce cours a commencé par l’évaluation : créez des critères, testez continuellement les performances de votre agent sur des scénarios réels, et laissez cette boucle de feedback identifier les faiblesses. Un agent qui n’est pas évalué est un agent dont on ignore s’il fonctionne — l’impression ne suffit pas plus ici qu’elle ne suffisait pour les prompts.

Conclusion

Ces patterns expliquent pourquoi Claude Code et Computer Use fonctionnent si bien : ils sont conçus autour de ces principes fondamentaux d’architecture d’agents. Et la boucle du cours est bouclée — les outils de la section Tool Use, l’inspection de l’environnement, l’évaluation systématique du début : tout converge dans la conception d’agents. Gardez ces quatre qualités à l’esprit lors de la construction des vôtres : outils concentrés en boucle, contexte d’abord, erreurs bon marché, évaluation continue. C’est la grille qui sépare les démos impressionnantes des systèmes fiables.

Points clés à retenir

• Pattern universel des bons agents : observer d’abord (majorité des appels), agir ensuite
• Petit jeu d’outils simples exécutés en boucle, jusqu’au succès ou à l’erreur
• Le contexte se collecte par les outils — un agent qui observe bien décide bien
• Ciblez les tâches à haute valeur et faible coût d’erreur ; fuyez les décisions irréversibles
• Évaluez en continu : la fiabilité d’un agent se mesure, elle ne se suppose pas

Testez vos connaissances

Le cours s’achève — validez les mécanismes clés avant la certification.

1. Quelle API Bedrock unifie les échanges avec les modèles, et quel client boto3 l'expose ?

Réponse : L’API Converse (client.converse / converse_stream), via le client boto3 « bedrock-runtime » — messages en blocs typés, mêmes conventions quel que soit le modèle.

2. Comment active-t-on le prompt caching sur Bedrock ?

Réponse : En insérant un bloc {“cachePoint”: {“type”: “default”}} dans une liste de contenu (outils, système ou messages) : tout ce qui précède le point est mis en cache — minimum 1024 tokens, identité stricte requise.

3. Que signifie stopReason == "tool_use" ?

Réponse : Claude n’a pas fini : il attend le résultat d’un outil. La boucle de conversation doit exécuter les demandes ToolUse, renvoyer les ToolResult (mêmes toolUseId) et rappeler l’API.

4. Pourquoi le pipeline RAG hybride fusionne-t-il les classements avec RRF plutôt qu'en additionnant les scores ?

Réponse : Parce que les scores cosinus et BM25 sont incomparables : RRF ne regarde que les rangs, et récompense le consensus — bien classé des deux côtés bat premier d’un seul côté.

5. Citez les quatre qualités des agents efficaces dégagées en fin de cours.

Réponse : Jeux d’outils concentrés exécutés en boucle ; primauté du contexte (observer avant d’agir) ; tâches à haute valeur et faible coût d’erreur ; évaluation continue.

Pour l’évaluation officielle et le certificat, direction Anthropic Academy — et pour la pratique, vos propres projets AWS.