Quand j’ai commencé à concevoir et manipuler des systèmes d’IA de plus en plus complexes, je me suis heurté à un constat essentiel : les architectures ne naissent jamais de rien.
Qu’il s’agisse d’un petit programme basique ou d’une machine capable d’élaborer de longues stratégies de résolution, on observe une trajectoire évolutive très claire dans notre domaine.
Cette progression se résume en cinq grands types d’agents d’intelligence artificielle. Ces derniers sont classés en fonction de leur niveau de réflexion, de leurs capacités de raisonnement et de leur mécanisme de décision.
Connaître ce cheminement s’est révélé indispensable dans mes recherches, car c’est cette mécanique qui conditionne les systèmes actuels que j’utilise tous les jours.
1. L’agent réflexe simple : l’action instantanée
C’est l’architecture la plus basique qui existe, le pur degré zéro de la réaction en IA. C’est simple, un tel agent agit uniquement en fonction de ce qu’il observe sur l’instant même, ignorant superbement tout contexte ou historique passé. (C’est parfois extrêmement reposant d’avoir affaire à un système aussi binaire !)
La logique qu’il exploite repose exclusivement sur des règles explicites de type Condition-Action, ce que les développeurs appellent couramment des déclarations “Si-Alors”. Face à un stimulus donné, il dégaine la réponse associée sans la moindre réflexion temporelle.
[Environnement]
│
▼ (Perception)
[Capteurs]
│
▼
État actuel du monde ──► [Règles de type Condition-Action]
│
▼
[Actionneurs] ◄─────────────── Action à entreprendre
│
▼ (Action)
[Environnement]
- Ce qui fait sa force : Sa vitesse d’exécution. Il n’a presque pas de calculs lourds à digérer. Étant dénué de mémoire, c’est un agent léger, prévisible, extrêmement bon marché à faire fonctionner : à entrée identique correspond immanquablement une réaction identique.
- Ses limites structurelles : Zéro mémoire implique qu’il lui est physiquement impossible de se rappeler ce qui est advenu il y a une milliseconde. Si un angle mort apparaît dans son observation immédiate de l’environnement, l’agent se bloque ou échoue en raison de son absence totale de capacité d’adaptation.
- Quelques réalités sur le terrain : C’est exactement le cerveau du thermostat commercial qui enclenche l’air conditionné à la fraction de seconde où le thermomètre frôle précisément les 75°F. On le retrouve dans les portes coulissantes automatiques sensibles aux mouvements, l’arroseur de jardin lié à l’assèchement précis d’un sol sous la barre des 20 %, ou encore ce brave filtre spam incapable de toute finesse s’il traque machinalement la simple phrase “gagnez de l’argent”.
2. L’agent réflexe fondé sur un modèle : la prise en compte du contexte
Nous faisons ici un saut majeur pour compenser l’inconvénient majeur du précédent modèle : ses “angles morts”. Pour ne pas être aveuglé, ce type d’agent garde une mémoire, ce qui s’apparente à modéliser le fonctionnement du monde afin de combler les lacunes instantanées de ses capteurs de données perceptives.
Pour le faire avancer au jour le jour, j’assemble systématiquement les informations sensorielles les plus récentes à ses registres mémoriels (l’état interne mis à jour). Puis, cet état reconstitué alimente à son tour une base de type Si-Alors.
[Environnement]
│
▼ (Perception)
[Capteurs]
│
▼
État actuel du monde
│
▼
►[État Interne Modélisé]◄── Évolution contextuelle
│ Impact des actions
▼
[Règles Condition-Action]
│
▼
[Actionneurs] ◄──────────── Choix de l'action
│
▼ (Action)
[Environnement]
- Ce qui fait sa force : Il triomphe naturellement là où certains repères se masquent puisqu’il “devine” les obstacles furtifs par la prise en charge constante d’historiques des paramètres invisibles à la perception actuelle. De là naît une fine conscience spatiale ou séquentielle doublée d’une logique prédictive permettant de s’épargner des décisions de type “boucles mortes”.
- Ses limites structurelles : Cet avancement coûte plus cher, demandant une énorme puissance opérationnelle en raison d’actualisations sans fin de ce modèle du monde. Ce qui le gêne, et je m’en suis longtemps méfié, est que sa prédiction est entachée des défauts inexacts de sa maquette interne, sans compter que son cœur décisionnel final manque souvent encore de dimension de véritable but global.
- Quelques réalités sur le terrain : Le parfait représentant est votre thermostat plus élaboré traquant non plus votre présence physique immédiate mais bien l’historique complet pour réchauffer subtilement l’habitation aux horaires probables de vos habitudes. Plus saisissant encore : lorsqu’une voiture qui roule active son frein régulé pour gérer les décélérations intenses au volant au milieu des lacets en aveugle avec disparition subite, avant même que votre acuité perçoive les voitures cachées. La cartographie spatiale élaborée par les petits robots d’entretien du domicile joue pleinement ce mécanisme.
3. L’agent fondé sur les buts : la planification active
Quand bien même notre modélisation intègre le contexte perçu et déduit, le bond technologique requiert ensuite d’assigner une cible fixe au système, sans subir de contrainte systématique aux automatismes purement conditionnels.
Ainsi libéré pour planifier un processus séquencé multi-étapes, j’interroge le système : “Penses-tu fondamentalement que ces choix intermédiaires de chemins complexes raccourcissent drastiquement tes possibilités d’échec sur tel critère global assigné en amont ?” Les réponses s’inscrivent non dans la temporalité d’observation, mais avec recul analytique afin de tester divers champs prospectifs consécutifs vers la validation ultime d’une résolution accomplie au mieux de sa disponibilité structurelle immédiate.
[Environnement]
│
▼ (Perception)
[Capteurs]
│
▼
État actuel du monde
│
▼
[État Interne Modélisé] ──► [Objectif à atteindre]
│ │
▼ ▼
Impact envisagé de mon choix ─► [Planification/Recherche]
│ │
▼ ▼
[Actionneurs] ◄─────────────── Stratégie sélectionnée
│
▼ (Action)
[Environnement]
- Ce qui fait sa force : J’obtiens très souvent des adaptations sans contrainte par modification légère à un paramètre défini, l’appareil planifie de longues étapes et des combinaisons très alambiquées au lieu d’avancer purement en exécution codée en profondeur dans ses couches logicielles primitives existantes. L’émergence probante du caractère foncièrement “proactif” est sa vertu.
- Ses limites structurelles : Une consommation stupéfiante de données par rapport à un chemin “sécure”. Son traitement des possibilités, souvent en mode très manichéen (terminé vs. non atteint), génère des trajets extrêmement non viables (par une lenteur manifeste sans la dimension optimisation “coût” vs. performance de parcours ou temps) : une absence vertigineuse d’efficience par la complaisance unique d’accomplir.
- Quelques réalités sur le terrain : Les prouesses tactiques des anciens jeux électroniques primés basés aux échecs visant un strict schéma mathématique menant à “Echec”, de nos app mobiles du quotidien requérantes uniquement notre saisie GPS “aller au prochain lieu final de réunion professionnelle sans s’occuper réellement du nombre vertigineux des bouchons” car une stratégie calculée trouve la route pour l’objectif exact et un temps très imprécis. Sans omettre, enfin, notre automatisation usine avec ces robots mécanisés devant se déplacer aux cadences multiples aux millimètres requises depuis chaque manipulation d’écran numérique ultra fin dans ses processus divers intermédiaires obligés avant le passage des normes validation finale visuelle test réussis sans considération.
4. L’agent fondé sur l’utilité : la recherche de la perfection
Au-delà de parvenir bêtement à finaliser un projet d’une efficacité variable selon d’innombrables routes existantes, je requiers aujourd’hui d’évaluer d’une exactitude très subtile un rendement haut de gamme des algorithmes : vitesse d’accomplissement, prise ou risque du problème posé des pannes énergétiques ou mécaniques multiples simultanées.
Ceci relève d’insérer, sous le capot d’opérations internes extrêmement gourmandes et sophistiquées calculatrices avec grande dimension mathématique matricielle un barème comparatif notant (jusqu’à valeur absolue équivalente sur point maximum, exemple : cent sur cent ou maximum proche asymptotique). C’est très différent car j’observe souvent cet engrenage se réorienter subitement sur la question : “Ma décision optimise-t-elle tout en m’évitant les contraintes ?”.
[Environnement]
│
▼ (Perception)
[Capteurs]
│
▼
État actuel du monde
│
▼
[État Interne Modélisé] ──► [Fonction d'Utilité]
│ │
▼ ▼
Impact envisagé de mon choix ─► [Score & Compromis (0 à 100)]
│ │
▼ ▼
[Actionneurs] ◄─────────────── Maximiser le résultat
│
▼ (Action)
[Environnement]
- Ce qui fait sa force : Sans surprise de ma part pour avoir conçu des routines décisionnelles lourdes et parfois hasardeuses par complexité logicielle de résolution contradictoires de valeurs : il trouve non seulement un dénouement des contraintes très conflictuelles insolubles humainement pour optimiser “parfait”, d’autant moins hésitant grâce aux statistiques sur certitudes espérances incertaines modélisées via diverses formules de probabilisations probabilistiques avancées adaptables multi couches du deep math (Exemple trivial très prisée du : Gain énorme VS Crash ou Catastrophes récurrents).
- Ses limites structurelles : Cette “fonction absolue” qui requiert que des spécialistes programmeurs transcrivent, évaluent et mesurent nos dilemmes préférentiels intimes complexes, n’autorise parfois pour le système par paralysie figeante à très haut stress mathématique de pouvoir prendre aucune route sous la pression des contraintes. Ce syndrome classique foudroie nombre d’architectures sophistiquées sur la paralysie liée au surplus analytique fatal temporisé lourd avant action salvatrice subites du processus en urgence nécessitant l’infinie des dimensions traitables temps ou moyens considérables d’engagements par ses puces ou capteurs réseaux interconnectées lourdes impliquant budgets techniques fous très très restrictifs dans tout démarrage grand champ en plein tests publics critiques intraitables de risques sécurisés du marché final sans délais ou retards constatés sous ses paramètres constants calculatoires ultra rigides inaccessibles par modifications souples ultérieures externes impossibles manuellement via humains d’outre machines de gestions techniques ou de contrôle !
- Quelques réalités sur le terrain : Un GPS d’application VTC ultra raffiné dont ma configuration trouve subtil compromis déviations minimes vers un ralentissement minime et léger prolongement rallonge de notre périple urbain (deux minutes perdues sciemment !) afin éviter 10 dollars directs des accès autoroutes payants denses en limitant les impacts de secousses en évaluant “le prix, confort trajet sans bosses routières !”. Le milieu de notre haute technologie finance à HFT s’assure ainsi : le meilleur pari, minimisant drastiquement, scrupuleusement avec préemption chirurgicalement affiné selon multiples formules très opaques les fameuses variables très volatiles aléatoires afin tirer rendement du jour boursiers exponentiel de ses transactions hyper agressifs algorithmiques autonomes sur la journée courte donnée ; et que pensez-vous de voir baisser la climatisation dans l’habitacle passager car sa formule prouvée par ces matrices prouve indiscutablement de restreindre d’optimisations brutales des ampérages avant arrêt recharge finale d’arrivée station énergétique imposé inéluctable très prochainement indispensable sinon au redémarrage incertain probable critique par pannes sous ces critères climatiques difficiles environnements intérieurs ou environnants changeant à variations inévitables.
5. L’agent apprenant : l’évolution autonome
Avec l’architecture dite apprenante, l’objectif s’affranchit très lourdement de mes contraintes “développeur/concepteurs imposantes d’écritures de logiques directrices formelles” en l’inscrivant lui même et le forçant de grandir dans divers et tout nouveaux contextes d’apprentissages d’applications évolutives, par échecs ou corrections rétroactives en temps de formations sans limites et non modélisables !
Pour assurer ses découvertes infinies sans bridage direct j’interfère avec de nouvelles interfaces sous cette organisation scrupuleusement distinctes en éléments critiques indissociables majeurs imbriqués.
Cette phase de découverte m’apparaît chaque instant époustouflante d’adaptation au détriment très souvent sans sécurité ou validations garanties sans pannes au premières exécutions d’analyses rudimentaires par ses tests réitératives sur le démarrage sans précédents connus avant expérience propre.
[Norme de Performance]
│
▼
[Retours] ──► [Le Critique]
│
▼
[Objectifs cible] ──► [Élément Apprenant] ◄─── [Générateur Problèmes]
│ │
▼ ▼
[Modifications Internes] │
│ │
▼ ▼
[Capteurs] ──► [Élément Performance] ◄─────────┘
│ │
▼ ▼
[Environnement] ◄─ [Actionneurs]
- Ce qui fait sa force : Dénuée ou de l’oubli humain imposé très rapidement en ses correctifs logiques et par une créativité des erreurs assumées il se met alors auto corrections à ne strictement et rigoureusement jamais commettre d’erreur d’analyse déjà vécues sous ce seul profil exploré ! Ses surprises non calculables sont alors extraordinaires de justesse : de notre manque criant d’expertises analytiques inaccessibles s’élabore soudain son chemin dissimulé gagnant insondable avec nos intelligences biologiques de la créativité sans failles directrices humaines strictes !
- Ses limites structurelles : Pour y prétendre je perds avant son succès avéré fiable l’équivalent immense données temporelles mémoires par de prodigieuses attentes de serveurs décuplées gourmandes par surcoûts en énergie colossales. Mon imprévisibilité d’appréhender au travers ses modifications incessantes de lignes analytique propres ou sur réseaux profonds générés de décisions rend ce choix inattendu lors des usages haut risques extrêmes très complexe de gestion et sécurisations ! (Nous rencontrons très constamment au tout commencement “sans rien de souvenirs de passés existants”, par un échec flagrant, de “froid initial du démarrage zéro absolue”, sa capacité risible rudimentaires inutiles aux déploiement pratiques urgents sur nos attentes du premier d’jour de mises opérationnelles test du prototype neuf lancé très médiocre sur les débuts ! )
- Quelques réalités sur le terrain : Ces innombrables itérations correctrices “Apprentissage Reinforcement par Remarques Humaines dit de RLHF ” faisant progresser constamment jour selon les exigences toujours revus de nos IA sur Modèle Large et Grandissant type Modèle de Langage. Ce Drone IA à multiples capteurs “tombe sans arrêt” en virtuels modélisés simulant 30 000 bourrasques avant qu’il sache d’y s’élever contre son propre simulateur interne numérique d’environnement adverse, par des échecs non réels punis pénalisantes sanction. D’y concevoir sa boucle continuellement captative pour une meilleure d’offre attention client pour sa plateforme, je nomme l’ IA des algorithmes accrochant la curiosité humaine “vidéo” qui étudiera de si de vos durées regard “Critique interne modérée par statistiques temps ou clics passées sur ces écrans personnels à chaque profil”.
Résumé des 5 Agents (Une synthèse comparative)
| Type d’Agent | Ce qu’il analyse principalement | Principal Moteur Décisionnel |
|---|---|---|
| Réflexe Simple | Observation instantanée immédiate uniquement | Pré établis en Règles Actions type (SI, ALORS direct) |
| Modèle d’État Contextuel | Observation : actuel couplée passé de traces perçues. | Repérages Internes & Applications ou règles fixées. |
| Centrés sur nos Cibles (But) | Traces états Passés , de Constats Actuel , d’Etats futurs selon décisions actions pris . | Visées Ciblées & Aboutissement Destinations finales strictes exigés des programmations humaines. |
| Recherche Optimisée / Utilitaire | Mesurabilités équivalentes : du Futurs passés & Impacts ou dilemme d’opérations sur les trajectoire et objectifs conflictuels imposées limitatifs restrictives du chemin de trajet selon risques pondérées sur cibles de réussites et de contraintes sur les compromis calculables probabilités calculables du modèle en questions posées sans exceptions au contraintes définies sur ces paramètres précis d’exécutions d’avancées des process. | Exigences de maximums sur Score mathématique très ciblées (Moins couteux/Très rapides/La plus grande optimisation mathématisée globale certifiés sans aucunes approches humaines directements accessibles au résultat d’aboutissants). |
| Agents en “Apprentissages Récurrent” . | Résultantes Constat du Rendements & Recherches Innovantes & Exploratoire permanentes “Risqués sur les erreurs répétitifs”. | Éternelles modifications et itérations non fixes constantes, selon une boucles correctrices & Réécritures algorithmes propre très interne & indéfinis sans nos avis décisionnaires direct d’ordre direct externe à son processe de validation autonome modifiée ! |
L’anatomie d’un agent web moderne (LangChain, AutoGPT)
Lorsque l’on étudie ce type d’information de base sur nos approches d’architecture algorithmiques de données numériques de raisonnement de décennie d’études pour ce seul modèle : vous me comprenez mieux alors sur ce choix à venir très passionnants pour mon domaine de spécialisation technologiques récentes !
Quand nous utilisons de telles applications d’automatisations appelés : Agents Web, de ces divers concepts de fondements anciens qui constituent ( LangChain / LangGraph / Ou type Framework à l’aide AUTO GPT), ces architectures de ces outils sont : ces 5 classiques architectures à la FOIS réunis ensemble et compilé au seul profit et cœurs uniques pour cerveau ultra réactif autour (Les fameux de grands puissants & très volumineux outils Langages dits ou nommées très régulièrement au nom anglais abrégés = de Modèles de type grand Modèles LLM, pour notre dictionnaire et de terminologies des initiées courantes usuels à nous comprendre vite ).
Le miracle de relier des applications de telles d’envergure est incroyable en sa gestion multi fonctionnels et des d’étapes sans aucun contrôles successifs d’opérateurs au cœur du navigateurs et autres divers manipulations de process multiples :
- Réflexe simple (Déclenchement sémantique pur d’outils) : Sur des tâches basiques où la réponse structurante et commandée par LLM du codages type = de textes et strings à variables dites (ex: requêtes chaîne ‘Json’), il ne rédige jamais ni textes sans utilités strict ! Ce bloc d’exigences immédiates “coupe de la boucle génératrice rédactionnels ” textuel direct de prompt : de type si {” action d’exécution”: ‘Recherche ‘ & , et si de “Demande texte précise ” :”X,Y, Z ou divers .”}, je force direct au code l’enclenchement strict du dictionnaire Web des Recherche ( Sans détours ).
- Fondements Modèles Contextuelles (Les fenêtres limites par fenêtres ” Tokens Mémoires & Vecteurs” DB (Bases de donnés Modélisées de Recherches Internes Vectors Vectorisé)): Avec LLM d’usages courant d’exploitations : Ce n’est de basiquement de réflexions primaires pour se tenir ou pas, qu’à notre champs en contexte ou des textes qu’à lu la fenêtres et qui seront ensuite purements ou de traces limitées pour souvenirs effacées : Nous concevons alors nos framework : un modèle de brouillon notes écrits par bloc notes tampons et aussi sur nos Vector database tels sur Pinécones Ou des ChromaDB d’extensions externes , “la Modélisations à état constants du temps sur tâches en mémoire perpétuels sur son accompli passé.”
- Moteur d’Agent fondés “Les Ciblages Sur Buts Ciblées Multiples “: Prompt ou fractionnations des divers objectifs / Tree of Thought / Raison d’agir ( Re- Act )) : Ces concepts ne jurent par défaut d’actions , d’efforts & résolutions que par les seuls finalités objectifs dicté par une demande humaine dite Langage nature (“Cible : Trouvez la meilleure offres des Billet New york vs Paris pour les vols au jours MArdi, fait de cela après un courriel précis synthèse très courte”) – Sans ces ciblages directs il utilise la boucle de ses résolutions : Tree de thought & Boucle Action d’Agirs : Il fragmente un des requêtes dures sur listes mini requêtes de réussite en cours successifs et adaptant lors d’barrière diverses d’outils bloquants ses parcours, ses réussites finales d’objets du ciblés!
- L’Intelligence Utilitaires avec Juges (Prix d’exécution, d’API – ou Choix à compromis d’exécutions ) Il faut évaluer et de router ! Avec beaucoup de solutions différentes et disparates multiples proposant toutes, une résolution très proches et souvent complexes entre 10 0000 variantes ! On force le calcul d’un d’équilibre dit et conçu à nos gardes fous par ces limites mathématiques au système ou framework ! Par l’évaluation, mon “Superviseur Routeur ” interne notera entre ses approches ou génératrices diverses = l’avantage des extractions d’erreurs d’écran et décodant formatage ou d’ API de cout moindre / selon d’une “rapidité demandée contre justesses cibles selon mon temps ,ou coûts économiques” : d’utilisations de bascules ou l’optimisations au scores meilleurs.
- Le Mécanismes ou “Apprenant Constants de nos Erreurs ” / Adaptation de type RAG & Des Few_shots & boucles réflectives & Corrections ): S’ils leurs poids ne varient de modèles sans apprentissages par mes réglages profonds au moment, J’impose à mes Web d’Agent d’adapter son erreur selon d’auto critiques en direct ( RAG Réflectif , Analyse ! ): “S’il heurte un test = un fameux mur sécurité “captcha bloqueur” , erreur ! : il de l’action auto appel = Critique lui et relance analyse direct et sans délai, se demande avec les requêtes lues son : l’historique erreurs passées, “de non reproductions ” . de “se de lier nouvelles directrices sur les prompt ré-actualisé lors nouvelle requête !” : SANS FAUTES et pour réussite immédiate par ces auto “mises améliorées ! “.
Correspondance architecturale détaillée (Le Web Agent)
| Le concept initial | Version équivalente des outils technologiques actuelles ingénierie framework des AI modernes . | Usage direct constaté : |
|---|---|---|
| Les d’Outils “Capteurs : | Modules, Connexions externes dits APIs de lien directe réseaux informatiques Web, Modèles Extracteur web. | Ils traduisent en lectures lisibles = pour ses pages : la code structurel htmls de ciblages, lecture code textes page html , des d’écrans etc . |
| Mode Modèles mémoriels internes ” : | Registres historiques du tchat conservées avec l’Utilisateur . Directives ou consigne (“Prompts du SYSteme Global du programme central “): Des intégration mémoires très longue durées par Vecteurs et Bases d’Informations Vectorisé (DB Embedded,Vectoriel, DB Vectors). | Historisations internes constants avec réceptions : que sait ton et des résultats accomplies jusqu à maintenant des d’études ! ” . |
| Visées Ciblées/ ou dits , Des Objectifs Cibles :. | Cibles ou Prompts des instructions : de Cibles ( Cible ! Chercher au niveau Prix ce de type nos concurrents divers) “. | Limiter le fonctionnement du système = Déclenchent , sur ces succès exact finalisée par bouclage itératives du requêtes utilisateur global! . |
| L’ Utilitaires par Critère : Fonctionnement mathématique / Contraintes. | Filtre de restrictions et des “GardeFous divers “, Evaluateurs intégrées / Score , Contrainte “Jetons LLMS Limitants “, | Evaluation qualitatives et ou économiques/ rapidité ou contraintes selon divers d’algorithmes et du requêtages des coûts et rapidités certifié du rendus par l’agent ou score de notes diverses : Ex: Limite et restrictions monétaire des usages jetons (” Token de Langages modèles coût/Temps de résolution ). |
| Modèle “Evaluation – d’apprentissage & Apprenant” & par “La Critiques / corrections !” : | Concepts par l’Analyses correctifs du type architectures d’itérations (” Réflexions loops architecture et correction de sa demande et retour à la base : ! RéfleXions “)! : S. | Corrige instantanés de résultats très mauvais sans utilité sans résultat ou des codes et pages cassées et re formules à niveau les stratégies futures sans délais |
| Opérationaliste Actives des Résolutions Actionnant divers dits ‘ L’ Actionneurs ‘ (Actuators)): | Simulateurs de navigateur ” Selenium dits Automatisé navigateurs type / Modèle Playright pour web Navigateur / Connexion ou Requêtes pour APIs divers réseaux ! Ecrivains fichier sur notre système. . | Ouvre Page réseau pour son exécution réel en réseaux mondiaux pour Clic automatisée du process , dits actions humaines simule = Remplissages fichiers ou lectures etc ou , envoi fichier , télécharge doc, rédaction en courriel automatique : En fait de ce à son objectif cible . |
Un cas pratique : La boucle ReAct en action
Plutôt que d’expliquer ces théories arides dans le vide, voici comment je visualise au quotidien l’impact vertigineux du LangChain au travers du design d’ingénierie que l’on intègre via nos patterns : La mécanique dites de nos jours ‘ (Le modèle Boucles sur Résonnements d’Actions Actives ) ‘ : Raison ou Raisonnements plus son ‘ l’Acte de son déclenchement ‘ Re & plus Action (‘ ReAct’)
La pratique du raisonnement continu couplé aux déclenchements par rebonds de ciblages, exprime la force pure au service du besoin humain ou utilisateur autonome pour sa finalité avec nos frameworks, et modèles dits actuelles de conceptions multi_usages .
Le déroulement exact, que j’observe et teste pour la plupart de ses réussites d’un des cas, que j’exige très couramment du : “Agent, merci de Me rapporter sur sa Valeurs précise Boursières ‘l action de la Bourse d ‘APPLE : Maintenant’ .”
- Phase 1 Objectif Le besoin utilisateur précis ou But ‘La V. financière ou dits Côté ou Bourses ‘ ‘ Apple ‘, Le Modèle le lit sans interprétations et dégage un plan à réussir ‘ Cible à trouvé ” ‘. .
- Phase 2 Modèles Mémorielle :. Le modèle fait une ‘ introspectives au ‘ Modèles historiques DB et s’ évalue ‘ sa propre : : (Il interroge au modèle “Je perçoit ce que je suis entrainé / je sais et vérifications, l’information requise pour = est passée/ fausse sans mise ajour actuelle / Pas possible ou Pas des cours ‘temps d’Actuelles boursiers des données / Manque ). “. .
- Phase 3 Le ‘ Le Réflexe Action ‘ condition action . Le pont est établit ou dits ” Règle , Action Condition : Pour informations ‘ Direct de temps actuels de valeurs : Enclenchent = D’ l Action Recherche réseaux mondial par requête immédiate / sans délais ‘ Recherche web tools API’ sur le Navigateur Web).
- Phase 4 Des ‘ Les exécutions Actionneurs physiques Les modèles par sa liaisons ‘ framework des divers bibliothèques ” Selenium Ou ses APIs d exécute de fait ce programme , il trouve : Recherche ‘ Valeur cours apple ‘.
- Phase 5 Utilisateur Ou Apprentissage / Rétro action (Critiques & Les Juges d’utilités & Optimisations Evaluatifs !) ” / ‘ La requêtes ramènent , des contenus / écrans dits textes lus. Là !! mon agents sur Utilitaire & de ces Evaluateurs Réflectives juge en live ” de cette récupération sans valeur avec et ou de pollutions par de sa ou de ‘ La bourses actuels publicitaire écran ( Utilitaire filtres et JUGES = La “Maximisations et son efficacités sans le cout / Sans publicitaire divers” lues. ) ! , Il le suppriment du résultat lu. MAIS : Si la requête ne parviennent = ” PAS le Vrais Chiffres Cibles “. ALORS L Agent Le Réévalue du ‘ critiques de ‘ boucle sur lui et de relance = et modifie son , Moteurs à nouveau = ‘ Réflectif , Il échoue sa R ! Mais Apprend la raisons échouées en direct !. , Puis l Lance son 2 essai avec les corrections d ‘améliorations !