Comment créer des agents avec GPT-5
je vais expliquer comment créer des systèmes agentiques à l’aide de GPT-5 d’OpenAI. J’ai récemment expliqué comment utiliser efficacement GPT-5, et aujourd’hui, je poursuivrai ma couverture GPT-5 en expliquant comment utiliser efficacement GPT en tant qu’agent. Avoir des agents avec des outils disponibles dans votre application deviendra bientôt une exigence utilisateur de base pour la plupart des applications d’IA, c’est pourquoi vous devriez commencer à l’implémenter dès que possible.
J’expliquerai comment vous pouvez utiliser GPT-5 comme un puissant modèle de réponse aux questions en lui permettant d’accéder à vos données et en lui fournissant des outils utiles pour répondre aux requêtes des utilisateurs. Cet article vise à donner un aperçu général des possibilités dont vous disposez pour utiliser GPT-5 en tant qu’agent. Je ne suis pas sponsorisé par OpenAI.
Pourquoi utiliser GPT-5 comme agent ?
Chaque fois que vous envisagez de mettre en œuvre un système tel que GPT-5 comme agent, il est toujours important de penser à le pourquoi. Vous devez savoir pourquoi vous le mettez en œuvre et quel problème vous essayez de résoudre. Certains problèmes sur lesquels vous pourriez travailler sont :
- Accès à la base de connaissances interne
- Agent de codage
- Automatisez les flux de travail
Toutes ces raisons sont valables pour la mise en œuvre d’un système agentique, et GPT-5 avec des outils peut aider à atteindre toutes ces raisons.
La principale raison pour laquelle j’ai choisi d’utiliser GPT-5 pour mon agent est que je travaille généralement avec un corpus de documents, et OpenAI dispose d’un écosystème intégré qui est très utile pour résoudre les problèmes que j’essaie de résoudre : répondre aux requêtes des utilisateurs, à partir d’un corpus d’informations.
Tout au long des différentes sections de cet article, je couvrirai certains différents outils disponibles dans OpenAI. Notez qu’il existe de nombreuses alternatives moins chères ou mieux adaptées à votre cas d’utilisation. Gemini de Google me vient à l’esprit comme une plate-forme qui a essentiellement la parité de fonctionnalités avec OpenAI et constitue certainement une alternative que vous devriez envisager. De plus, il existe une multitude d’outils open source.
Accès RAG aux données
RAG est une approche puissante pour accéder à vos données. En règle générale, RAG a été réalisé en fragmentant et en intégrant vos propres données avant de les alimenter dans une base de données vectorielle telle que Pinecone. Cependant, il existe désormais d’excellentes alternatives qui proposent essentiellement des services RAG gérés. OpenAI et Gemini proposent tous deux une API pour télécharger des fichiers, où ils regroupent et intègrent automatiquement vos fichiers, les rendant accessibles via un simple appel d’API. Cela fournit un accès très simple à vos données. Vous pouvez trouver des détails dans cette page API. Certains des exemples de code que je vais montrer proviendront également de cette page.
Après avoir téléchargé vos documents et les avoir placés dans un stockage vectoriel, vous pouvez, par exemple, effectuer une recherche vectorielle pour trouver les documents pertinents avec :
user_query = "When is our latest data management agreement from?"
results = client.vector_stores.search(
vector_store_id=<your vector store id>,
query=user_query,
)Cela renverra une série de documents et des morceaux spécifiques de ces documents, similaire à ce que fait Pinecone. Vous pouvez ensuite utiliser ces morceaux pour répondre aux requêtes des utilisateurs.
Cependant, vous pouvez rendre le stockage vectoriel encore plus puissant en y fournissant un accès GPT-5 via un outil.
from openai import OpenAI
client = OpenAI(api_key="")
response = client.responses.create(
model="gpt-5",
input="When is our latest data management agreement from?",
tools=[{
"type": "file_search",
"vector_store_ids": ["<your vector store id>"]
}]
)C’est beaucoup plus puissant car vous avez désormais rendu le stockage vectoriel disponible pour GPT-5 via un outil. Lorsque vous saisissez maintenant la requête de l’utilisateur, GPT-5 décide s’il doit ou non utiliser l’outil pour répondre à la requête de l’utilisateur. S’il décide qu’il doit utiliser l’outil, GPT-5 effectue les opérations suivantes :
- Raisons sur les outils ou le stockage vectoriel dont il dispose et lesquels utiliser.
- Effectue une réécriture des requêtes : écrit 5 versions différentes de l’invite utilisateur, mais optimisées pour trouver des informations pertinentes avec RAG.
- Lance les 5 invites en parallèle et récupère les documents les plus pertinents
- Détermine s’il dispose de suffisamment d’informations pour répondre à la requête de l’utilisateur.
- Si oui, il répond à la requête de l’utilisateur
- Si non, il peut effectuer une recherche plus approfondie dans le(s) stockage(s) vectoriel(s)
Il s’agit d’un moyen extrêmement simple et puissant d’accéder à vos données, et OpenAI gère essentiellement toute la complexité avec :
- Regroupement et intégration de documents
- Décider quand effectuer une recherche vectorielle
- Réécriture de requêtes
- Déterminer les documents pertinents en fonction de leur similarité avec les requêtes
- Décider s’il dispose de suffisamment d’informations pour répondre à la requête de l’utilisateur
- Répondre à la requête de l’utilisateur
Gemini a également récemment créé un système RAG géré avec leur API de fichiersoffrant essentiellement le même service.
Utilisation de l’outil GPT-5
Dans la section précédente, j’ai discuté de l’outil de stockage vectoriel que vous pouvez mettre à disposition de GPT-5. Cependant, vous pouvez également mettre à disposition tout autre outil pour GPT-5. Un exemple classique consiste à fournir un accès GPT-5 à un get_weather outil, afin qu’il puisse accéder à la météo actuelle. L’exemple actuel est tiré du Documents OpenAI.
from openai import OpenAI
client = OpenAI()
tools = [
{
"type": "function",
"name": "get_weather",
"description": "Get current temperature for a given location.",
"parameters": {
"type": "object",
"properties": {
"location": {
"type": "string",
"description": "City and country e.g. Bogotá, Colombia",
}
},
"required": ["location"],
"additionalProperties": False,
},
"strict": True,
},
]
response = client.responses.create(
model="gpt-5",
input=[
{"role": "user", "content": "What is the weather like in Paris today?"},
],
tools=tools,
)Vous devez maintenant déterminer les outils que vous devez mettre à disposition de votre agent, afin qu’il puisse mieux répondre aux requêtes que vous lui adresserez. Par exemple:
- Si vous travaillez avec des bases de connaissances externes, vous devez mettre à disposition un outil pour rechercher ces bases de connaissances et indiquer au modèle quand utiliser l’outil.
- Outil d’exécution Python : vous pouvez donner au modèle un outil pour exécuter du code Python et voir le résultat avec
- Outil de calcul : au lieu que le LLM effectue lui-même des calculs (ce qui est inefficace et sujet aux erreurs), vous pouvez lui fournir un outil de calcul pour exécuter des calculs.
Et ainsi de suite. La partie importante ici est que vous donnez à l’agent la meilleure opportunité possible de répondre aux requêtes des utilisateurs. Cependant, il est également facile de commettre l’erreur de mettre à disposition trop d’outils. Il est important que vous suiviez les directives générales concernant la fourniture d’outils à votre agent, en vous assurant :
- Les outils sont toujours bien décrits
- Les outils sont sans ambiguïté : le modèle (et tout être humain lisant un outil) doit toujours savoir clairement quand un outil doit être utilisé et quand il ne l’est pas.
- Chevauchement minimal entre les outils
J’ai abordé le sujet des outils AI Agent plus en profondeur dans mon précédent article sur Comment créer des outils pour les agents IA.
Lors de la définition d’outils pour GPT-5, vous pouvez également fournir des lignes directrices indiquant si un outil est requis ou non. Un outil requis pourrait être la recherche de stockage vectoriel, dans laquelle vous forcez le modèle à rechercher la requête vectorielle pour chaque demande de l’utilisateur, garantissant ainsi que les réponses sont toujours ancrées dans le corpus de documents. Cependant, le get_weather La fonction doit généralement être une fonction facultative, étant donné qu’elle ne doit être invoquée que lorsqu’un utilisateur pose des questions sur la météo.
Vous pouvez également créer des outils à l’aide de connecteurs. Les connecteurs sont essentiellement des outils qui donnent accès à d’autres applications, telles que :
Cela permet à GPT, par exemple, de répertorier vos e-mails, de rechercher des fils de discussion spécifiques dans Slack, de consulter des conceptions sur Figma ou d’examiner du code sur GitHub.
Forfait Agents
Il convient également de mentionner qu’OpenAI a créé un SDK Agents vous pouvez y accéder via Python ou TypeScript. Le SDK des agents est utile pour les scénarios de création d’agents plus complexes, dans lesquels vous devez :
- Faire effectuer à l’agent des actions complexes et enchaînées
- Maintenir le contexte entre les tâches
Vous pouvez, par exemple, créer des agents spécifiques, spécialisés dans certaines tâches (récupérer des informations, résumer des informations, etc.), et créer un agent orchestrateur qui répond aux demandes des utilisateurs, déclenche des sous-agents pour récupérer et résumer les informations, détermine s’il dispose de suffisamment d’informations, puis répond à l’utilisateur.
Il existe de nombreux SDK d’agent similaires, ce qui rend la création de votre propre agent assez simple. Voici d’autres bonnes alternatives :
- LangGraph
- ÉquipageAI
- Kit de développement d’agents
Ces packages ont tous le même objectif : rendre les agents IA plus faciles à créer, et donc plus accessibles.
Conclusion
Dans cet article, j’ai expliqué comment utiliser GPT-5 comme agent d’IA. J’ai commencé par expliquer quand vous devez créer des agents et pourquoi GPT-5 est l’une des nombreuses bonnes alternatives. J’ai ensuite plongé dans le stockage vectoriel d’OpenAI et comment vous pouvez créer un stockage vectoriel très simplement et le mettre à la disposition de votre agent en tant qu’outil. De plus, j’ai discuté de la fourniture à votre agent d’autres outils personnalisés et du SDK Agents que vous pouvez utiliser pour créer des applications agentiques avancées. Fournir des outils à vos LLM est un moyen simple de dynamiser vos agents et de les rendre beaucoup plus capables de répondre aux requêtes des utilisateurs. Comme je l’ai dit au début de cet article, les utilisateurs commenceront bientôt à s’attendre à ce que la plupart des applications d’IA disposent d’agents capables d’effectuer des actions via des outils. C’est donc un sujet sur lequel vous devriez en apprendre davantage et le mettre en œuvre le plus rapidement possible.
👉 Retrouvez-moi sur les réseaux sociaux :
📩 Abonnez-vous à ma newsletter
✍️ Moyen
Vous pouvez également lire mon article sur :
