Comment IntelliNode automatise les flux de travail complexes avec les agents Vibe
concentrez-vous sur des tâches isolées ou sur une simple ingénierie rapide. Cette approche nous a permis de créer des applications intéressantes à partir d’une seule invite, mais nous commençons à atteindre une limite. Les invites simples ne suffisent pas lorsque nous abordons des tâches d’IA complexes qui nécessitent plusieurs étapes ou des systèmes d’entreprise qui doivent prendre en compte les informations progressivement. La course vers l’AGI peut être considérée comme une mise à l’échelle des paramètres du modèle existant, accompagnée d’une architecture révolutionnaire ou d’une collaboration sur plusieurs modèles. Bien que la mise à l’échelle soit coûteuse et limitée aux capacités des modèles existants, et que les avancées soient non mesurables et puissent se produire à tout moment, l’orchestration de plusieurs modèles reste le moyen le plus proche de créer des systèmes intelligents capables d’effectuer des tâches complexes comme les humains.
Une forme d’intelligence est la capacité des agents à créer d’autres agents avec une intervention minimale, où l’IA a la liberté d’agir en fonction de la demande. Dans cette nouvelle phase, l’intelligence artificielle gère les plans complexes, tandis que l’humain reste impliqué pour assurer la sécurité.
Concevoir pour l’intégration machine à machine
Nous avons besoin d’un moyen standard permettant aux machines de communiquer entre elles sans qu’un humain n’écrive des intégrations personnalisées pour chaque connexion. C’est là que le Model Context Protocol (MCP) devient une partie importante de la pile. MCP sert d’interface universelle permettant aux modèles d’interagir avec les environnements existants, tels que l’appel d’outils, la récupération d’API ou l’interrogation de bases de données. Bien que cela puisse sembler autonome, une quantité importante de travail manuel est requise de la part de l’ingénieur pour définir le MCP pour le modèle ou l’agent.
De plus, un cadre topologique est essentiel pour guider la logique des interactions des agents dans le cadre du parcours d’autonomie. Laisser les agents travailler dans un monde ouvert et désordonné conduit à des hallucinations et à un gonflement du travail requis. Cependant, disposer d’un framework basé sur des graphiques peut organiser le flux d’exécution. Si nous traitons les modèles comme des nœuds et leurs interactions comme des bords, nous pouvons commencer à visualiser les dépendances et le flux de données dans l’ensemble du système. Nous pouvons nous appuyer sur le graphique et le plan MCP pour créer des agents de planification qui travaillent dans le cadre pour générer des plans pour résoudre les problèmes en décomposant de manière autonome des objectifs complexes en séquences de tâches exploitables. L’agent planificateur identifie ce qui est nécessaire, le cadre basé sur des graphiques organise les dépendances pour éviter les hallucinations et génère des agents pour atteindre vos objectifs ; appelons-les « Agents d’ambiance».
Intelligence avec les agents Vibe
Alors que nous passons d’une théorie autonome à un système fonctionnel complet, nous aurons besoin d’un moyen de convertir les instructions « vibe » de haut niveau en graphiques exécutables. L’utilisateur fournit une intention et le système la transforme en une équipe d’agents qui collaborent pour atteindre le résultat. Contrairement à de nombreux systèmes multi-agents qui se coordonnent via une conversation de forme libre, les agents Vibe fonctionnent à l’intérieur d’un graphe explicite où les dépendances et les chemins d’exécution sont structurés et observables. C’est le problème que j’ai travaillé à résoudre en tant que responsable du framework open source IntelliNode (licence Apache). Il est conçu autour d’un agent de planification qui génère le plan graphique à partir de l’intention de l’utilisateur, puis l’exécute en acheminant les données entre les agents et en collectant les résultats finaux.
IntelliNode offre un foyer aux agents Vibe, leur permettant de ne pas exister strictement en tant que scripts statiques, mais plutôt d’agir en tant que participants fluides au sein d’un flux de travail évolutif.
Les agents Vibe créés dans IntelliNode représentent notre première tentative expérimentale de création d’une couche autonome. Essentiellement, nous voulons créer un processus par lequel la définition de chaque tâche se fait via une orchestration déclarative, la description du résultat souhaité. En utilisant ce cadre, nous permettra aux utilisateurs de créer des invites permettant aux agents orchestrés d’accomplir des tâches exceptionnellement complexes par rapport à de simples tâches fragmentées.
Cas d’utilisation : l’usine autonome de recherche et de contenu
Dans un flux de travail traditionnel, la création d’un rapport approfondi ou d’un article technique nécessite des efforts considérables pour compiler les résultats de recherche, analyser les données et rédiger. Dans ce cadre, le goulot d’étranglement du flux de travail réside dans le fait que chaque action entreprise nécessite la contribution d’autres niveaux.
Lors de la mise en œuvre des Vibe Agents, nous serons en mesure d’établir un pipeline auto-organisé qui se concentre sur l’utilisation des données en direct actuelles. Lorsqu’une personne demande une intention de haut niveau, elle fournira la seule déclaration suivante : « Recherchez les dernières avancées en matière de batteries à semi-conducteurs au cours des 30 derniers jours et générez un résumé technique avec une description schématique à l’appui ».
Comment le framework IntelliNode exécute « Vibe »
Lorsque l’architecte reçoit cette intention, au lieu de simplement produire du code, il génère un plan personnalisé à la volée :
- Le Scout (Search Agent) : utilise google_api_key pour effectuer des requêtes en temps réel sur Internet.
- L’Analyste (Text Agent) : traite les résultats des requêtes et extrait toutes les spécifications techniques des extraits bruts
- Le Créateur (Image Agent) : produit le rapport final, crée une mise en page ou fournit une représentation visuelle des résultats.
Au lieu d’écrire du code et de créer une connexion API pour exécuter votre intention, vous fournissez l’intention à la machine et elle constitue l’équipe spécialisée requise pour réaliser cette intention.
Implémentation à l’aide de VibeFlow
Le code suivant montre comment gérer la transition du langage naturel vers un pipeline de recherche et de contenu entièrement orchestré.
1. Configurez votre environnement
Définissez vos clés API comme variables d’environnement pour authentifier l’architecte et les agents autonomes.
export OPENAI_API_KEY="your_openai_key"
export GOOGLE_API_KEY="your_google_cloud_key"
export GOOGLE_CSE_ID="your_search_engine_id"
export GEMINI_API_KEY="your_gemini_key"Installez IntelliNode :
pip install intelli -q2. Initialisez l’architecte
import asyncio
import os
from intelli.flow.vibe import VibeFlow
# Initialize with planner and preferred model settings
vf = VibeFlow(
planner_api_key=os.getenv("OPENAI_API_KEY"),
planner_model="gpt-5.2",
image_model="gemini gemini-3-pro-image-preview"
)3. Définir l’intention
Une « Vibe » est une déclaration déclarative de haut niveau. L’architecte analysera cela et décidera quels agents spécialisés sont nécessaires pour remplir la mission.
intent = (
"Create a 3-step linear flow for a 'Research-to-Content Factory': "
"1. Search: Perform a web research using ONLY 'google' as provider for solid-state battery breakthroughs in the last 30 days. "
"2. Analyst: Summarize the findings into key technical metrics. "
"3. Creator: Generate an image using 'gemini' showing a futuristic representation of these battery findings."
)
# Build the team and the visual blueprint
flow = await vf.build(intent)4. Exécuter la mission
L’exécution gère l’orchestration, la transmission des données entre les agents et la sauvegarde automatique de toutes les images et résumés générés.
# Configure output directory and automatic saving
flow.output_dir = "./results"
flow.auto_save_outputs = True
# Execute the autonomous factory
results = await flow.start()
print(f"Results saved to {flow.output_dir}")Les systèmes d’agents évoluent rapidement des « astuces rapides » vers les architectures logicielles, et la question clé n’est plus de savoir si plusieurs agents peuvent travailler ensemble, mais plutôt de savoir comment cette coopération est contrainte et répliquée en production. De nombreux systèmes performants utilisent une coordination d’agents de type conversation, ce qui est très utile dans le prototypage mais difficile à raisonner à mesure que les flux de travail deviennent complexes. D’autres adoptent une approche de flux de travail plus avancée, telle que l’exécution basée sur des graphiques.
L’idée derrière Vibe Agents est de compiler l’intention de l’utilisateur dans des graphiques qui peuvent être exécutés et tracés, afin que la séquence du début à la fin soit observable. Cela signifie beaucoup moins de coutures à la main et davantage de travail avec le plan généré par ce système.
Références
