---
title: "Agentic Workflows"
source: "https://systems-analysis.info/int/Agentic_Workflows"
wiki: "systems-analysis.info/int"
article: "Agentic_Workflows"
language: "fr"
categories:
  - "Category:AI Agents"
  - "Category:French"
  - "Category:Large language models"
  - "Category:Machine learning"
revision_id: 217
wiki_created_at: 2026-09-06T22:30:32Z
wiki_modified_at: 2026-09-06T22:30:32Z
downloaded_at: 2026-09-07T22:38:48Z
---

# Agentic Workflows

**Les workflows agentiques** (en anglais **Agentic Workflows**) sont des processus dynamiques et multi-étapes dans lesquels des agents IA autonomes, basés sur de grands modèles de langage (LLM), prennent des décisions, exécutent des actions et coordonnent des tâches de manière autonome avec une intervention humaine minimale<sup>[\[1\]](https://systems-analysis.info/int/Agentic_Workflows#cite_note-ibm_what_is-1)</sup>. Dans de tels systèmes, un LLM n'est pas seulement utilisé pour générer une réponse à une seule requête, mais aussi pour planifier une séquence d'actions, interagir avec des outils externes et améliorer itérativement le résultat.

Contrairement à l'automatisation traditionnelle basée sur des règles rigides préprogrammées, les approches agentiques font preuve de flexibilité — elles peuvent s'adapter à de nouvelles données et à des conditions imprévues. Un workflow agentique se distingue d'un simple appel à un LLM (par exemple, pour résumer un texte) par le fait que l'agent se voit confier une autonomie dans le choix de ses actions, ce qui inclut la planification, l'utilisation d'outils et l'autocorrection<sup>[\[2\]](https://systems-analysis.info/int/Agentic_Workflows#cite_note-weaviate_blog-2)</sup>.

## Composants et architecture d'un workflow agentique

Un workflow agentique combine plusieurs composants clés pour atteindre un objectif.

### Agent IA et LLM

Au cœur du processus se trouve l' **agent IA** — un programme autonome agissant au nom d'un utilisateur ou d'un système. Le composant clé de l'agent est un grand modèle de langage, qui assure la compréhension des instructions en langage naturel et la génération des raisonnements nécessaires. La qualité du travail de l'agent dépend de manière significative de l'ingénierie des prompts — diverses techniques de promping (par exemple, Chain-of-Thought) permettent de configurer le LLM pour le mode de fonctionnement souhaité<sup>[\[1\]](https://systems-analysis.info/int/Agentic_Workflows#cite_note-ibm_what_is-1)</sup>.

### Outils (accès à des actions externes)

Étant donné que les connaissances d'un LLM sont limitées à ses données d'entraînement, l'agent dispose d' **outils** externes qui étendent ses capacités. Ces outils peuvent inclure l'accès à des bases de connaissances, des moteurs de recherche, des API, des interpréteurs de code et d'autres applications. Grâce à eux, l'agent obtient des informations à jour ou exécute des actions réelles en dehors du modèle lui-même<sup>[\[2\]](https://systems-analysis.info/int/Agentic_Workflows#cite_note-weaviate_blog-2)</sup>.

### Mémoire et contexte

Une caractéristique distinctive des workflows agentiques est la présence d'un mécanisme de mémoire, permettant à l'agent de prendre en compte l'expérience et le contexte passés.

- **Mémoire à court terme** : conserve les informations récentes (par exemple, l'historique de la conversation) dans le cadre de la session en cours.
- **Mémoire à long terme** : stocke les connaissances et les résultats accumulés sur de nombreuses exécutions, souvent en utilisant des systèmes de stockage externes (par exemple, des bases de données vectorielles)<sup>[\[3\]](https://systems-analysis.info/int/Agentic_Workflows#cite_note-ibm_autogpt-3)</sup>.

### Rétroaction et correction

Les mécanismes de rétroaction jouent un rôle crucial dans l'amélioration de la fiabilité. L'agent peut recevoir un *feedback* de l'environnement d'exécution de la tâche, d'un modèle auxiliaire « critique » ou d'un humain (mode *human-in-the-loop*). Par exemple, le système **Reflexion** met en œuvre une auto-rétroaction interne : l'agent analyse ses propres erreurs et enregistre ses « réflexions » en mémoire pour améliorer les tentatives ultérieures<sup>[\[4\]](https://systems-analysis.info/int/Agentic_Workflows#cite_note-reflexion_paper-4)</sup>.

### Configurations multi-agents

Dans les scénarios complexes, une architecture multi-agents est utilisée, où plusieurs agents spécialisés interagissent les uns avec les autres. Par exemple, un agent « planificateur » définit des sous-tâches, tandis que plusieurs agents « exécutants » résolvent leurs tâches spécifiques (recherche de données, calcul, etc.)<sup>[\[1\]](https://systems-analysis.info/int/Agentic_Workflows#cite_note-ibm_what_is-1)</sup>.

## Patrons typiques et algorithmes de fonctionnement des agents

Bien qu'il n'existe pas encore d'architecture standardisée universelle pour les systèmes d'agents basés sur les LLM, des patrons récurrents ont commencé à émerger en 2023-2024<sup>[\[5\]](https://systems-analysis.info/int/Agentic_Workflows#cite_note-vellum_guide-5)</sup>.

- **Planification par étapes (Prompt Chaining)**. La tâche est décomposée en une séquence d'étapes via une chaîne d'appels au LLM. Chaque étape prend en entrée le résultat de la précédente et exécute une partie de la tâche globale. Cette approche améliore l'interprétabilité mais est moins flexible.
- **Routage et sélection d'outils (Router Pattern)**. L'agent commence par classifier le type de la tâche d'entrée, puis sélectionne un processus ou un outil spécialisé pour la résoudre, agissant comme un répartiteur.
- **Recherche de solutions en parallèle**. Au lieu de suivre une seule ligne de pensée linéaire, plusieurs options de solution sont explorées simultanément. L'approche Tree-of-Thoughts en est un exemple, où l'agent développe la chaîne de raisonnement comme un arbre, générant à chaque étape plusieurs « pensées » candidates et sélectionnant les plus prometteuses<sup>[\[6\]](https://systems-analysis.info/int/Agentic_Workflows#cite_note-tot_paper-6)</sup>.
- **Réflexion et autocorrection**. L'agent évalue de manière critique ses propres décisions et apprend de ses erreurs. Dans la méthode Reflexion, après chaque tentative, l'agent analyse le résultat et enregistre des conclusions qu'il utilisera dans les cycles suivants<sup>[\[4\]](https://systems-analysis.info/int/Agentic_Workflows#cite_note-reflexion_paper-4)</sup>.

## Exemples d'approches connues

- **ReAct** (*Reasoning and Acting*) — une méthode fondamentale (2022) qui combine le raisonnement et l'action. Le LLM génère en alternance des conclusions logiques (*thoughts*) et des étapes d'action concrètes (*actions*), qui sont exécutées à l'aide d'outils<sup>[\[7\]](https://systems-analysis.info/int/Agentic_Workflows#cite_note-react_paper-7)</sup>.
- **Reflexion** (2023) — un framework d'autoréflexion permettant aux agents d'apprendre de leurs propres erreurs grâce à un feedback textuel, sans mettre à jour les poids du modèle<sup>[\[4\]](https://systems-analysis.info/int/Agentic_Workflows#cite_note-reflexion_paper-4)</sup>.
- **Tree-of-Thoughts (ToT)** (2023) — un framework qui généralise l'idée de Chain-of-Thought pour organiser la recherche de solution sous forme d'arbre, ce qui permet au modèle d'envisager plusieurs scénarios possibles<sup>[\[6\]](https://systems-analysis.info/int/Agentic_Workflows#cite_note-tot_paper-6)</sup>.
- **Auto-GPT** (2023) — l'un des premiers projets open source largement connus démontrant un workflow agentique entièrement autonome. Le système génère un groupe d'agents GPT-4 spécialisés qui planifient et exécutent conjointement les étapes pour atteindre un objectif de haut niveau défini par l'utilisateur<sup>[\[3\]](https://systems-analysis.info/int/Agentic_Workflows#cite_note-ibm_autogpt-3)</sup>.

## Applications et impact

Les approches agentiques trouvent des applications dans de nombreux domaines nécessitant une automatisation intelligente et de la flexibilité.

- **Processus métier** : Les systèmes agentiques étendent les capacités des chatbots de support technique, qui peuvent diagnostiquer les problèmes et trouver des solutions de manière autonome. Ils sont également utilisés dans la finance, la gestion des ressources humaines et le marketing<sup>[\[1\]](https://systems-analysis.info/int/Agentic_Workflows#cite_note-ibm_what_is-1)</sup>.
- **Simulations génératives** : Les agents LLM autonomes peuvent modéliser des comportements complexes de communautés ou de personnages. Dans l'étude « Generative Agents » (Park et al., 2023), des dizaines d'agents GPT dotés de personnalités différentes ont simulé de manière crédible la vie sociale dans une ville modélisée.

Selon les analystes de Gartner, l'IA agentique (*Agentic AI*) fait partie des tendances technologiques stratégiques pour 2025<sup>[\[1\]](https://systems-analysis.info/int/Agentic_Workflows#cite_note-ibm_what_is-1)</sup>.

## Défis et perspectives de développement

Malgré leurs succès, les systèmes d'agents LLM restent une technologie nouvelle et complexe.

- **Coût en ressources** : Chaque étape supplémentaire de planification, de recherche ou d'auto-analyse constitue un appel distinct au LLM, ce qui augmente le temps d'exécution et le coût.
- **Imprévisibilité du comportement** : Plus l'agent a de liberté, plus il est difficile de garantir le chemin qu'il choisira. Cela nécessite la mise en place de contraintes et de mécanismes de protection (*guardrails*).
- **Évaluation de la qualité et débogage** : Analyser les journaux étendus des systèmes multi-étapes pour trouver des erreurs est une tâche non triviale.
- **Sécurité et éthique** : Avec l'augmentation de l'autonomie de l'IA, il devient nécessaire de garantir que les agents agissent dans l'intérêt de l'utilisateur et de la société.

Les recherches futures visent à créer des moyens universels d'utilisation des outils, à développer des workflows unifiés de bout en bout et à optimiser l'efficacité des systèmes agentiques<sup>[\[8\]](https://systems-analysis.info/int/Agentic_Workflows#cite_note-survey_li_2024-8)</sup>.

## Liens externes

- <a href="https://www.ibm.com/think/topics/agentic-workflows" class="external text" rel="nofollow">Vue d'ensemble des workflows agentiques par IBM</a>
- <a href="https://www.anthropic.com/engineering/building-effective-agents" class="external text" rel="nofollow">Guide pour la création d'agents IA efficaces par Anthropic</a>

## Bibliographie

- Yao, S. et al. (2022). *ReAct: Synergizing Reasoning and Acting in Language Models*. <a href="https://arxiv.org/abs/2210.03629" class="external text" rel="nofollow">arXiv:2210.03629</a>.
- Schick, T. et al. (2023). *Toolformer: Language Models Can Teach Themselves to Use Tools*. <a href="https://arxiv.org/abs/2302.04761" class="external text" rel="nofollow">arXiv:2302.04761</a>.
- Liu, X. et al. (2023). *AgentBench: Evaluating LLMs as Agents*. <a href="https://arxiv.org/abs/2308.03688" class="external text" rel="nofollow">arXiv:2308.03688</a>.
- Yao, S. et al. (2023). *Tree of Thoughts: Deliberate Problem Solving with Large Language Models*. <a href="https://arxiv.org/abs/2305.10601" class="external text" rel="nofollow">arXiv:2305.10601</a>.
- Shinn, N. et al. (2023). *Reflexion: Language Agents with Verbal Reinforcement Learning*. <a href="https://arxiv.org/abs/2303.11366" class="external text" rel="nofollow">arXiv:2303.11366</a>.
- Park, J. S. et al. (2023). *Generative Agents: Interactive Simulacra of Human Behavior*. <a href="https://arxiv.org/abs/2304.03442" class="external text" rel="nofollow">arXiv:2304.03442</a>.
- Wang, G. et al. (2023). *Voyager: An Open-Ended Embodied Agent with Large Language Models*. <a href="https://arxiv.org/abs/2305.16291" class="external text" rel="nofollow">arXiv:2305.16291</a>.
- Bakhtin, A. et al. (2022). *Human-Level Play in the Game of Diplomacy by Combining Language Models with Strategic Reasoning*. *Science*. <a href="https://doi.org/10.1126/science.ade9097" class="external text" rel="nofollow">DOI:10.1126/science.ade9097</a>.
- Wang, L. et al. (2025). *A Survey on Large Language Model based Autonomous Agents*. <a href="https://arxiv.org/abs/2308.11432" class="external text" rel="nofollow">arXiv:2308.11432</a>.
- Li, X. (2024). *A Survey on LLM-Based Agentic Workflows and LLM-Profiled Components*. <a href="https://arxiv.org/abs/2406.05804" class="external text" rel="nofollow">arXiv:2406.05804</a>.
- Jung, J. et al. (2024). *Trust or Escalate: LLM Judges with Provable Guarantees for Human Agreement*. <a href="https://arxiv.org/abs/2407.18370" class="external text" rel="nofollow">arXiv:2407.18370</a>.
- Xu, W. et al. (2025). *A-MEM: Agentic Memory for LLM Agents*. <a href="https://arxiv.org/abs/2502.12110" class="external text" rel="nofollow">arXiv:2502.12110</a>.
- He, G. et al. (2025). *Plan-Then-Execute: An Empirical Study of User Trust and Team Performance When Using LLM Agents as a Daily Assistant*. <a href="https://arxiv.org/abs/2502.01390" class="external text" rel="nofollow">arXiv:2502.01390</a>.
- Huang, X. et al. (2024). *Understanding the Planning of LLM Agents: A Survey*. <a href="https://arxiv.org/abs/2402.02716" class="external text" rel="nofollow">arXiv:2402.02716</a>.
- Kuang, Z. et al. (2023). *PEARL: Prompting Large Language Models to Plan and Execute Reasoning over Long Documents*. <a href="https://arxiv.org/abs/2305.14564" class="external text" rel="nofollow">arXiv:2305.14564</a>.

## Références

1.  <span id="cite_note-ibm_what_is-1">↑ <sup>[1.0](https://systems-analysis.info/int/Agentic_Workflows#cite_ref-ibm_what_is_1-0)</sup> <sup>[1.1](https://systems-analysis.info/int/Agentic_Workflows#cite_ref-ibm_what_is_1-1)</sup> <sup>[1.2](https://systems-analysis.info/int/Agentic_Workflows#cite_ref-ibm_what_is_1-2)</sup> <sup>[1.3](https://systems-analysis.info/int/Agentic_Workflows#cite_ref-ibm_what_is_1-3)</sup> <sup>[1.4](https://systems-analysis.info/int/Agentic_Workflows#cite_ref-ibm_what_is_1-4)</sup> «What are Agentic Workflows?». *IBM*. <a href="https://www.ibm.com/think/topics/agentic-workflows" class="external autonumber" rel="nofollow">[1]</a></span>
2.  <span id="cite_note-weaviate_blog-2">↑ <sup>[2.0](https://systems-analysis.info/int/Agentic_Workflows#cite_ref-weaviate_blog_2-0)</sup> <sup>[2.1](https://systems-analysis.info/int/Agentic_Workflows#cite_ref-weaviate_blog_2-1)</sup> «What Are Agentic Workflows? Patterns, Use Cases, Examples, and More». *Weaviate*. <a href="https://weaviate.io/blog/what-are-agentic-workflows" class="external autonumber" rel="nofollow">[2]</a></span>
3.  <span id="cite_note-ibm_autogpt-3">↑ <sup>[3.0](https://systems-analysis.info/int/Agentic_Workflows#cite_ref-ibm_autogpt_3-0)</sup> <sup>[3.1](https://systems-analysis.info/int/Agentic_Workflows#cite_ref-ibm_autogpt_3-1)</sup> «What is AutoGPT?». *IBM*. <a href="https://www.ibm.com/think/topics/autogpt" class="external autonumber" rel="nofollow">[3]</a></span>
4.  <span id="cite_note-reflexion_paper-4">↑ <sup>[4.0](https://systems-analysis.info/int/Agentic_Workflows#cite_ref-reflexion_paper_4-0)</sup> <sup>[4.1](https://systems-analysis.info/int/Agentic_Workflows#cite_ref-reflexion_paper_4-1)</sup> <sup>[4.2](https://systems-analysis.info/int/Agentic_Workflows#cite_ref-reflexion_paper_4-2)</sup> Shinn, N. et al. «Reflexion: Language Agents with Verbal Reinforcement Learning». *arXiv:2303.11366*, 2023. <a href="https://arxiv.org/abs/2303.11366" class="external autonumber" rel="nofollow">[4]</a></span>
5.  <span id="cite_note-vellum_guide-5">[↑](https://systems-analysis.info/int/Agentic_Workflows#cite_ref-vellum_guide_5-0) «Agentic Workflows in 2025: The ultimate guide». *Vellum.ai*. <a href="https://www.vellum.ai/blog/agentic-workflows-emerging-architectures-and-design-patterns" class="external autonumber" rel="nofollow">[5]</a></span>
6.  <span id="cite_note-tot_paper-6">↑ <sup>[6.0](https://systems-analysis.info/int/Agentic_Workflows#cite_ref-tot_paper_6-0)</sup> <sup>[6.1](https://systems-analysis.info/int/Agentic_Workflows#cite_ref-tot_paper_6-1)</sup> Yao, S. et al. «Tree of Thoughts: Deliberate Problem Solving with Large Language Models». *arXiv:2305.10601*, 2023. <a href="https://arxiv.org/abs/2305.10601" class="external autonumber" rel="nofollow">[6]</a></span>
7.  <span id="cite_note-react_paper-7">[↑](https://systems-analysis.info/int/Agentic_Workflows#cite_ref-react_paper_7-0) Yao, S. et al. «ReAct: Synergizing Reasoning and Acting in Language Models». *arXiv:2210.03629*, 2022. <a href="https://arxiv.org/abs/2210.03629" class="external autonumber" rel="nofollow">[7]</a></span>
8.  <span id="cite_note-survey_li_2024-8">[↑](https://systems-analysis.info/int/Agentic_Workflows#cite_ref-survey_li_2024_8-0) Li, X. «A Survey on LLM-Based Agentic Workflows and LLM-Profiled Components». *arXiv:2406.05804*, 2024. <a href="https://arxiv.org/html/2406.05804v1" class="external autonumber" rel="nofollow">[8]</a></span>