Comment les systèmes d'IA multi-agents dans Mendix Peut vous entraîner pour un marathon

Pourquoi utiliser des systèmes d’IA multi-agents ?

Les agents d'IA sont partout aujourd'hui ; vous les avez probablement déjà vus dans votre fil d'actualité. Mais avant de nous plonger dans la création de systèmes basés sur des agents, Mendix, prenons un peu de recul et décomposons ce qu'est réellement un agent IA.

Agents d'IA

Fondamentalement, un agent IA (également appelé agent LLM) est un programme intelligent capable d'agir de lui-même lorsqu'un événement le déclenche, comme une action d'un utilisateur dans une application ou l'envoi de données par un autre système. Ces agents peuvent utiliser des outils, des fonctions ou même des bases de connaissances pour déterminer la marche à suivre. Certains agents sont conçus pour apprendre au fil du temps, tandis que d'autres se concentrent sur des tâches spécifiques. Dans tous les cas, l'objectif est de simplifier la vie des utilisateurs : en automatisant le travail, en accélérant les processus ou simplement en améliorant la fluidité.

Si vous êtes novice en la matière, consultez notre guide sur comment créer un agent unique dans Mendix. Il explique comment combiner l'ingénierie rapide, l'appel de fonctions et les bases de connaissances, le tout dans un Mendix app.

Parfois, un seul agent ne suffit pas à accomplir une tâche. Les systèmes à agent unique sont efficaces pour les tâches simples, mais lorsque les problèmes deviennent plus complexes ou moins clairement définis, comme dans la réalité, il faut souvent une équipe. C'est là qu'interviennent les systèmes multi-agents. En travaillant ensemble, différents agents peuvent se spécialiser dans certaines tâches et coordonner leurs efforts pour obtenir des résultats plus performants.

Mettre en pratique l'IA multi-agents

Une fois que vous aurez compris les bases de l’IA et comment Mendix Construire un système multi-agents n'est pas aussi compliqué qu'il y paraît. Si vous débutez, nous vous recommandons de consulter notre guide sur la façon de créer un agent unique d'abord, avec quelques ressources utiles sur l'ingénierie rapide.

L'avantage des systèmes multi-agents est que les agents peuvent collaborer de différentes manières, selon le problème à résoudre. Ils peuvent suivre un flux fixe, déléguer des tâches, évaluer les résultats des autres, voire décider qui doit gérer quoi.

Pour voir ces modèles en action, jetez un œil au Application GenAI Showcase, et explorez plusieurs configurations multi-agents, notamment :

• Flux déterministe / chaînage d'invites
• Flux déterministe / chaînage d'invites avec Gatekeeper
• Agent évaluateur-optimiseur
• Collaboration des agents basée sur le routage

Ces exemples montrent à quel point les systèmes multi-agents peuvent être flexibles et puissants, en particulier lorsqu'ils sont construits avec Mendix.

Modèle de routage multi-agent pour le Mendix Application en cours d'exécution

Dans cet article de blog, nous ferons référence à Application vitrine GenAI, notamment l'exemple de routage présenté dans la section « Modèles multi-agents ». Dans cette configuration, le premier agent agit comme agent de routageSon rôle n'est pas de répondre directement à l'utilisateur ; il détermine plutôt lequel des agents disponibles est le plus à même de traiter la demande. Une fois cette décision prise, il transmet l'intégralité de la conversation à l'agent sélectionné, qui prend alors le relais et gère le reste de l'interaction.

Dans notre exemple d'application, l'agent routeur peut choisir parmi trois agents différents, chacun ayant son propre rôle pour aider les membres du Mendix Communauté de coureurs : devenez de meilleurs coureurs. Voici un bref aperçu des missions de chaque agent :

• Agent d'entraîneur de course à pied : Cet agent aide les utilisateurs à créer une routine d’entraînement ou un plan de préparation au marathon en fonction de leurs objectifs.
• Agent Nutritionniste : Celui-ci se concentre sur les conseils pour améliorer la nutrition, aider les coureurs à être plus performants ou simplement à être plus conscients de leurs habitudes alimentaires.
• Agent des faits en cours d'exécution : Cet agent gère les questions générales sur la course à pied, comme les statistiques, les anecdotes ou tout ce qui dépasse le cadre du coaching ou de la nutrition. Il agit également comme agent par défaut lorsqu'une question ne correspond pas aux deux autres catégories.

Il est important de noter que les trois agents se concentrent uniquement sur les sujets liés à l'exécution. Ils ne pourront pas répondre à des questions sans rapport. Le schéma ci-dessus illustre la mise en œuvre de ce modèle de routage dans l'application.

Bien démarrer

Mendix facilite grandement la création de votre propre application agentique. La meilleure façon de s'y mettre est d'utiliser le Application GenAI viergeIl est livré préchargé avec tous les modules dont vous avez besoin pour une variété de modèles.

Vous avez déjà un existant Mendix Appli ? Aucun problème. Il vous suffit d'ajouter les modules nécessaires :GenAI Commons, Interface utilisateur conversationnelleainsi que, Connecteur Mx GenAI— à condition d'utiliser Studio Pro 9.24.2 ou une version ultérieure. N'oubliez pas d'ajouter MxGenAIConnector.NAV_ConfigurationOverview_Open microflow pour la navigation de votre application.

Suivez ces instructions de configuration après avoir choisi votre fournisseur d'infrastructure.

Avec cela, vous aurez tout ce dont vous avez besoin pour commencer à créer rapidement des expériences multi-agents intelligentes.

Ingénierie rapide

La clé du succès d'un agent réside dans la pertinence des invites système : c'est ce qui guide son comportement et ses décisions. Dans le cas de notre agent routeur, l'objectif est simple : s'assurer que chaque requête est transmise au bon spécialiste.

• [Invite système / Routeur] « Vous êtes un spécialiste de la détection d'intention. Votre tâche consiste à classer l'intention de l'utilisateur sur le dernier message d'une conversation. S'il s'agit de régimes sportifs ou d'informations nutritionnelles, renvoyez « NUTRITIONNISTE ». S'il s'agit de plans d'entraînement ou de préparation à un événement sportif, renvoyez « ENTRAINEMENT ». S'il s'agit d'informations générales sur un sujet lié au sport, renvoyez « FAITS ». S'il s'agit d'un sujet non lié au sport, renvoyez « AUCUN ». Avant de formuler votre conclusion, assurez-vous d'examiner l'intégralité de la conversation et d'extraire le contexte correct du dernier message de l'utilisateur. Ne vous adressez pas directement à l'utilisateur, précisez simplement la classification et votre raisonnement. »
  • Exemple : Intention : NUTRITIONNISTE | Raison : l'utilisateur a demandé des conseils nutritionnels dans la conversation et souhaite désormais exclure certains aliments en raison d'allergies.

Il est essentiel que l'invite système du routeur soit claire et précise, car son résultat sera utilisé par programmation dans notre microflux pour déterminer l'agent qui prendra en charge la conversation. Ceci étant fait, nous pouvons nous concentrer sur les agents spécialisés. Pour ces derniers, nous allons commencer par simplifier les choses : chacun disposera d'une invite claire et adaptée à son domaine d'expertise.

• [Agent Coach Running] « Vous êtes un coach de course à pied dont l'objectif est de fournir un programme de course à l'utilisateur. Avant de formuler des recommandations, recueillez les informations essentielles : sexe, âge, type de course cible et date de compétition. Si des informations manquent, interrogez l'utilisateur. Posez toutes les questions supplémentaires que vous jugez pertinentes pour un programme de course complet. »
• [Agent nutritionniste] « Vous êtes nutritionniste sportif spécialisé dans les régimes alimentaires pour la course à pied. Avant de formuler des recommandations, recueillez les informations essentielles : sexe, âge, préférences alimentaires, type de course cible et date de compétition. Si des informations manquent, interrogez l'utilisateur. Ajoutez toute question supplémentaire que vous jugez pertinente pour un plan nutritionnel complet. »
• [Agent d'information sur la course à pied] « Vous êtes un expert en course à pied et vous vous consacrez à fournir des informations et des conseils aux utilisateurs. Pour plus d'informations, commencez par fournir les informations habituelles, puis ajoutez-en d'autres en tenant compte de la tranche d'âge et du sexe de l'utilisateur, si disponibles. »

Configurations de routage

Nous allons vous expliquer comment l'exemple de routage est configuré, afin que vous puissiez l'utiliser comme référence lors de la création de votre propre application agentique.

Nous avons choisi d'utiliser Mendix Packs de ressources Cloud GenAI Parce que c'est le moyen le plus rapide et le plus simple de démarrer : aucune configuration requise, maintenance minimale et aucun souci d'exploitation. De plus, nous aimons boire notre champagne (bien sûr). Si vous souhaitez l'essayer, vous pouvez demander l'accès ici.

Voici comment tout cela fonctionne dans notre exemple d'application : lorsqu'un utilisateur envoie un message dans le chat (étape 2 dans l'image ci-dessus), un microflux est déclenché en arrière-plan. C'est là qu'intervient l'agent routeur. Il analyse la conversation jusqu'à présent et décide lequel des trois agents spécialisés (Coach, Nutritionniste ou Running Facts) doit traiter la demande. Chacun dispose d'une invite système claire, ce qui lui permet de rester concentré sur son domaine spécifique, et le microflux utilise des divisions de décision simples pour envoyer la demande au bon destinataire.

Voyons cela en action :

1. Notre utilisateur demande, « Que dois-je manger le jour de mon marathon ? »
2. L'agent routeur évalue la conversation jusqu'à présent et décide quel spécialiste doit répondre. Dans ce cas, il sélectionne « NUTRITIONNISTE ».
3. Le microflux achemine la requête vers l'agent NUTRITIONNISTE avec la question, « Que dois-je manger le jour de mon marathon ? »
4. L'agent NUTRITIONNISTE répond avec des conseils sur la nutrition avant la course, comme les aliments riches en glucides et l'hydratation.

En combinant tous les ingrédients jusqu'à présent, nous montrons ci-dessous à quoi ressemblerait le résultat final. Puisque le meilleur moment pour terminer est de commencer, nous avons interagi avec le chat en tant que nouveau coureur. Dans le chat (étape 2), le système nous fournit les informations nécessaires pour démarrer notre course. À gauche (étape 3), nous pouvons voir les étapes intermédiaires et l'agent appelé pour générer la réponse finale. Nous avons construit un système multi-agent conversationnel utilisant le Achèvement du chat (avec historique) action, comme indiqué dans l'image ci-dessus, ainsi que les actions par défaut et les extraits de Interface utilisateur conversationnelle.

Franchir la ligne d'arrivée

Et voilà, votre système multi-agents est opérationnel, comme si vous étiez prêt à démarrer ! Mendix facilite la combinaison différents agents dans des architectures multi-agents flexibles pour résoudre des problèmes du monde réel.

Dans cet exemple, nous avons exploité la norme Maia pour les composants Smart Apps et quelques microflux simples pour créer un système de routage multi-agents qui aide à guider notre parcours d'entraînement marathon.

Tout cela est bien moins difficile que de courir un marathon !

Cet article a été co-écrit avec Mendix Ingénieur logiciel principal Tom Warmerdam.