Agents vs Chatbots : quand un agent est-il nécessaire ?

Un chatbot ne suffit pas toujours

Vous avez probablement déjà utilisé l’API Chat Completions de Mistral pour créer des assistants conversationnels. Pour beaucoup de cas d’usage, c’est amplement suffisant, et la tentation de tout basculer vers les agents parce que la technologie est plus récente coûte cher en latence comme en tokens. Certaines tâches, en revanche, nécessitent davantage qu’une simple réponse textuelle. Cette leçon vous donne le critère de décision : reconnaître les situations où un appel à chat.complete() fait le travail, et celles qui justifient réellement le passage à l’API Agents.

Chat Completions — le modèle classique

Avec chat.complete(), vous envoyez une liste de messages et recevez une réponse. Le mécanisme est stateless : le modèle n’a aucune mémoire entre les appels, et c’est à vous de reconstituer l’historique à chaque requête.

from mistralai import Mistral

client = Mistral(api_key="votre-cle")

response = client.chat.complete(
    model="mistral-large-latest",
    messages=[
        {"role": "user", "content": "Quelle est la capitale de la France ?"}
    ]
)
print(response.choices[0].message.content)

Ce pattern reste le bon choix pour les questions-réponses simples, la génération de texte au sens large — résumés, traductions, rédaction —, la classification et l’extraction d’informations, ainsi que le function calling ponctuel. Le point commun de ces tâches : une transformation texte vers texte qui se résout en un seul tour de raisonnement, sans que le modèle ait besoin d’aller chercher quoi que ce soit à l’extérieur.

Agents API — le modèle autonome

Avec l’API Agents, vous créez un agent persistant doté d’instructions, d’outils et d’un comportement défini une fois pour toutes. L’agent maintient son état à travers les conversations et peut agir de manière autonome.

agent = client.beta.agents.create(
    model="mistral-large-latest",
    name="Assistant Recherche",
    instructions="Vous êtes un assistant de recherche. Utilisez la recherche web pour répondre avec des sources.",
    tools=[{"type": "web_search"}]
)

Quand passer aux agents ?

Un seul des signaux qui suivent suffit à justifier le basculement. Le plus fréquent est le besoin d’outils : dès lors que votre assistant doit chercher sur le web, exécuter du code ou interroger un corpus documentaire, Chat Completions vous oblige à câbler vous-même l’exécution. Vient ensuite la persistance de l’état : si vous voulez que le modèle se souvienne des échanges précédents sans que vous renvoyiez tout le fil à chaque requête, l’agent le fait nativement. Le nombre d’étapes compte tout autant : une réponse qui exige une chaîne de raisonnement avec des actions intermédiaires suppose une boucle, et cette boucle est précisément ce que l’API Agents implémente. La pluralité de spécialités pousse dans la même direction : un agent financier qui délègue à un agent de recherche web, puis à un agent calculateur, relève de l’orchestration multi-agents. Reste enfin le lieu d’exécution — avec les agents, les outils tournent dans le cloud Mistral et non sur votre infrastructure.

À l’inverse, restez sur un chatbot classique si la tâche est une simple transformation texte vers texte, si vous gérez déjà l’historique côté client à votre convenance, si aucun outil intégré n’est requis, et si une seule passe de raisonnement suffit à produire la réponse attendue.

Le spectre de complexité

Il est utile de voir ces choix comme un continuum plutôt que comme une alternative binaire. Au premier niveau, le chat simple : une question, une réponse, via Chat Completions. Au deuxième, le chat outillé : la question déclenche un appel de fonction avant la réponse, toujours avec Chat Completions et du function calling. Au troisième, l’agent unique : la requête donne lieu à une planification, puis à plusieurs actions, puis à une réponse — c’est le terrain de l’API Agents. Au quatrième, le multi-agents : un agent routeur distribue la requête à des agents spécialisés dont les productions sont ensuite synthétisées, ce qui suppose l’API Agents et les handoffs.

La règle qui découle de ce spectre est simple : utilisez le niveau le plus simple qui satisfait votre besoin. Ne déployez pas un système multi-agents pour répondre à des FAQ.

Exemple comparatif

La différence se voit mieux sur un cas concret. Avec Chat Completions, vous gérez tout à la main et le modèle reste enfermé dans ses connaissances d’entraînement.

# Vous gérez tout manuellement
messages = [{"role": "user", "content": "Quel temps fait-il à Paris ?"}]
response = client.chat.complete(model="mistral-large-latest", messages=messages)
# Le modèle ne peut PAS chercher sur le web — il invente ou dit qu'il ne sait pas

Avec un agent équipé de la recherche web, la même question déclenche une recherche réelle et une réponse sourcée, sans que vous écriviez la moindre ligne d’orchestration.

# L'agent a accès à la recherche web
agent = client.beta.agents.create(
    model="mistral-large-latest",
    name="Météo Agent",
    instructions="Répondez aux questions météo en utilisant la recherche web.",
    tools=[{"type": "web_search"}]
)

response = client.beta.conversations.start(
    agent_id=agent.id,
    inputs="Quel temps fait-il à Paris ?"
)
# L'agent cherche automatiquement sur le web et cite ses sources

Coût et latence

Cette puissance a un prix, et vous devez l’anticiper avant la mise en production. La latence augmente parce que l’agent peut effectuer plusieurs tours internes — recherche, puis raisonnement, puis rédaction — là où Chat Completions n’en fait qu’un. La consommation de tokens grimpe également, puisque les instructions système et le contexte de conversation sont renvoyés au modèle à chaque tour. Enfin, les conversations persistent côté Mistral, comportement que vous pouvez désactiver avec store=False si vos contraintes de confidentialité l’exigent.

Cette surcharge est parfaitement justifiée quand la tâche la requiert. Pour un simple chatbot FAQ, elle ne l’est pas : restez sur Chat Completions.

Points clés à retenir

• Chat Completions est stateless et suffisant pour les tâches simples
• L’API Agents ajoute la persistance, les outils intégrés et l’orchestration multi-agents
• Utilisez toujours le niveau de complexité le plus bas qui satisfait votre besoin
• Le passage aux agents se justifie quand vous avez besoin d’outils, de persistance ou de multi-agents