Le Guide du voyageur de l'IA agentique : des fondements aux systèmes

Résumé

Le Guide du voyageur de l'IA agentique est un ouvrage de référence complet pour les praticiens construisant des systèmes d'IA autonomes. L'ouvrage couvre l'ensemble de la pile, des premiers principes au déploiement en production, organisé autour d'une thèse centrale : la construction de grands systèmes agentiques nécessite de comprendre chaque couche du pipeline, et pas une seule. Le livre commence par le substrat des LLM — architecture transformer, systèmes GPU, entraînement et ajustement fin (SFT, LoRA, MoE), compression de modèles et optimisation de l'inférence — traités comme des fondations essentielles plutôt que comme le sujet principal. Il développe ensuite la couche d'alignement et de raisonnement : apprentissage par renforcement à partir de la rétroaction humaine (RLHF), PPO, DPO et ses variantes, GRPO, modélisation des récompenses, et RL pour les grands modèles de raisonnement, y compris la chaîne de pensée et le passage à l'échelle au moment du test. La seconde moitié est consacrée à l'IA agentique proprement dite. Les sujets abordés incluent l'entraînement agentique et le RL basé sur les trajectoires, la génération augmentée par récupération (RAG et RAG agentique), les systèmes de mémoire (en contexte, externe, épisodique et sémantique), la conception des harnais d'agent et la gestion du contexte, ainsi qu'une taxonomie des motifs de conception d'agents. La coordination inter-agents est abordée en profondeur : le Protocole de Contexte de Modèle (MCP), les compétences des agents et l'utilisation d'outils, le protocole de communication Agent-à-Agent (A2A), et les architectures multi-agents couvrant les topologies centralisées, décentralisées et hiérarchiques. Le livre se termine par les cadres de développement d'agents, la conception d'interface utilisateur agentique, la méthodologie d'évaluation pour les tâches agentiques et le déploiement en production. Chaque chapitre associe des fondements théoriques rigoureux à des conseils de mise en œuvre, des exemples de code et des références à la littérature primaire.

English

The Hitchhiker's Guide to Agentic AI is a comprehensive practitioner's reference for building autonomous AI systems. The book covers the full stack from first principles to production deployment, organized around a central thesis: building great agentic systems requires understanding every layer of the pipeline, not just one. The book opens with the LLM substrate -- transformer architecture, GPU systems, training and fine-tuning (SFT,LoRA, MoE), model compression, and inference optimization -- treated as essential foundations rather than the primary focus. It then develops the alignment and reasoning layer: reinforcement learning from human feedback (RLHF), PPO, DPO and its variants, GRPO, reward modeling, and RL for large reasoning models including chain-of-thought and test-time scaling. The second half is devoted to agentic AI proper. Topics include agentic training and trajectory-based RL, retrieval-augmented generation (RAG and Agentic RAG), memory systems (in-context, external, episodic, and semantic), agent harness design and context management, and a taxonomy of agent design patterns. Inter-agent coordination is covered in depth: the Model Context Protocol (MCP), agent skills and tool use, the Agent-to-Agent (A2A) communication protocol, and multi-agent architectures spanning centralized, decentralized, and hierarchical topologies. The book concludes with agent development frameworks, agentic UI design, evaluation methodology for agentic tasks, and production deployment. Each chapter pairs rigorous theoretical foundations with implementation guidance, code examples, and references to the primary literature.