L’écosystème de l’intelligence artificielle continue sa progression à un rythme soutenu.
Mise en place d’un workflow de recherche financière multi-agents régi par des règles avec Omnigent
Dans ce tutoriel, nous allons créer et exécuter un workflow multi-agents avec Omnigent en utilisant un environnement Python fiable et isolé, créé à l’aide d’uv. Nous configurons un agent principal de recherche financière qui récupère en temps réel le taux de change USD/EUR à partir d’une API externe, prépare un résumé concis prêt à être transmis au client, puis délègue son brouillon à un sous-agent dédié à la vérification du texte afin d’en valider la clarté et la longueur. Nous définissons des fonctions Python réutilisables en tant qu’outils d’agent appelables, décrivons la structure complète de l’agent en YAML et utilisons le SDK Claude Agent comme environnement d’exécution. Nous gérons également la clé API Anthropic en toute sécurité via des variables d’environnement, appliquons des politiques non interactives qui limitent les appels aux outils et contrôlent les coûts liés aux sessions, et exécutons le workflow directement depuis Colab sans avoir besoin de Node.js, de tmux ou d’un terminal interactif. À travers cette mise en œuvre, nous examinons comment Omnigent combine agents, outils, délégation, accès en temps réel aux éléments et gouvernance au sein d’un dispositif unique et configurable.
À ce sujet, nous importons les modules Python nécessaires et définissons une fonction d’aide qui exécute des commandes shell tout en affichant des informations détaillées sur les erreurs lorsqu’une commande échoue. Nous créons un répertoire de travail dédié et utilisons uv pour créer un environnement virtuel Python 3.12 isolé qui contourne la limitation d’ensurepip de Colab. Nous installons ensuite Omnigent et Requests dans l’environnement, localisons l’exécutable de la CLI Omnigent, puis vérifions l’installation en affichant sa version.
Nous récupérons la clé API Anthropic de manière sécurisée uniquement lorsqu’elle n’est pas déjà disponible dans l’environnement du notebook. Nous stockons ces identifiants dans l’environnement du processus en cours afin qu’Omnigent puisse les détecter sans avoir à enregistrer d’informations sensibles dans un fichier. Nous créons également une configuration d’environnement distincte pour le sous-processus et désactivons la vérification automatique des mises à jour d’Omnigent pendant l’exécution.
Autre élément, nous générons un module Python contenant les fonctions locales qu’Omnigent met à la disposition des agents sous forme d’outils appelables. Nous définissons un outil de taux de change en temps réel qui envoie une requête à l’API de la Banque de Francfort et renvoie le dernier taux, les codes de devises et la date de validité. Nous mettons également en place un logiciel simple de comptage de mots qui permet au sous-agent chargé de l’audit de mesurer la longueur du résumé financier.
Nous définissons l’architecture multi-agents complète à l’aide d’un fichier de configuration YAML. Nous configurons le responsable de la recherche financière, le connectons à l’outil de taux de change et ajoutons un sous-agent d’audit de texte qui évalue le brouillon à l’aide de la fonction de comptage de mots. Nous appliquons également des règles de gouvernance strictes qui restreignent le nombre d’appels aux outils et limitent le coût maximal de l’API pour la session.
Nous ajoutons le répertoire « tutorial » à PYTHONPATH, définissons la question relative à la devise et exécutons l’agent Omnigent via un sous-processus non interactif. Nous récupérons la réponse générée, affichons les messages de diagnostic en cas d’échec de l’exécution et fournissons une commande de débogage permettant d’examiner les problèmes liés au programme d’exécution. Nous terminons en présentant les prochaines étapes utiles pour découvrir l’interface en ligne de commande (CLI) d’Omnigent, ses agents intégrés, la spécification YAML et la documentation relative aux politiques.
En conclusion, nous avons développé une application multi-agents Omnigent pratique qui intègre la récupération de données financières en temps réel, la délégation hiérarchique des agents, l’évaluation automatisée de l’écriture et des contrôles d’exécution basés sur des règles. Nous avons utilisé uv pour contourner la limitation d’ensurepip sur Colab et maintenir un environnement Python 3.12 distinct sans modifier l’interpréteur système du notebook. Nous avons rendu les fonctions Python locales accessibles aux agents sous forme d’outils, défini le comportement des agents et des sous-agents via un fichier de configuration YAML clair, et imposé des limites strictes concernant l’utilisation des outils et la consommation de l’API. Nous avons également exécuté le workflow en mode non interactif, enregistré à la fois la sortie standard et les erreurs de diagnostic, et mis en place une structure permettant de modifier facilement les modèles sans modifier la logique sous-jacente de l’agent. Nous disposons désormais d’une base réutilisable pour développer, dans Google Colab, des systèmes multi-agents plus sophistiqués, sécurisés, maîtrisés en termes de coûts et s’appuyant sur des outils, destinés à la recherche financière et à d’autres applications concrètes.
Difficile à ce stade de prédire tous les impacts de cette annonce.
À découvrir aussi :
Article original : MarkTechPost : MarkTechPost