Créer un agent IA : la méthode en sept étapes

Pour créer un agent IA, on part d'une tâche précise, on lui donne quelques outils bien décrits, on écrit la boucle qui exécute ces outils et renvoie les résultats au modèle, puis on fixe des limites (nombre de tours, budget, validations humaines) avant de tester sur des cas réels. La méthode ci-dessous suit les recommandations publiées par Anthropic ; elle vaut quel que soit le modèle.

Étape 1 : vérifier qu'il faut vraiment un agent

Anthropic conseille de chercher « la solution la plus simple possible » et de n'ajouter de la complexité que si elle est nécessaire. Souvent, un seul appel au modèle, bien préparé (avec les bons documents et quelques exemples), suffit. Un agent se justifie quand le nombre d'étapes n'est pas prévisible à l'avance. Si vous pouvez dessiner le parcours, un workflow coûtera moins cher et sera plus facile à contrôler : voyez agent ou workflow.

Étape 2 : écrire la mission en une phrase

Une bonne mission dit ce que l'agent doit produire et comment on saura que c'est réussi. Prenons un cabinet de cinq personnes qui veut un agent pour préparer les dossiers clients : « Rassembler, pour un client donné, les pièces manquantes de son dossier et rédiger le mail de relance, sans l'envoyer. » Le critère de réussite est vérifiable (la liste est juste, le mail est prêt), et la limite est posée (pas d'envoi).

Étape 3 : concevoir les outils

C'est l'étape qui demande le plus de soin. Dans « Writing effective tools for agents » (11/09/2025), Anthropic donne plusieurs règles :

• ne pas recopier chaque point d'accès de votre logiciel : un outil planifier_rendez_vous qui cherche les créneaux et réserve vaut mieux que trois outils séparés pour lister les personnes, lister les événements et créer l'événement ;
• nommer clairement les outils et les paramètres (user_id plutôt que user) ;
• renvoyer des informations utiles au modèle : des noms lisibles plutôt que des identifiants techniques ;
• limiter la taille des réponses (pagination, filtres, troncature) ;
• écrire des messages d'erreur qui disent comment corriger.

Chaque outil se décrit par un nom, une description et un schéma de paramètres au format JSON Schema. La page function calling montre ce format chez quatre éditeurs.

Étape 4 : écrire la boucle

Le principe est le même partout : vous envoyez la demande et la liste des outils ; si le modèle répond par un appel d'outil, votre code l'exécute et renvoie le résultat ; vous recommencez jusqu'à une réponse sans appel. Avec l'interface de programmation (API) d'Anthropic, l'appel arrive dans un bloc tool_use et la réponse indique stop_reason: "tool_use" ; vous renvoyez un bloc tool_result qui reprend l'identifiant de l'appel.

Si vous ne voulez pas écrire cette boucle, la documentation d'Anthropic propose deux raccourcis : le « tool runner » du kit de développement (SDK) client, qui exécute vos outils et renvoie les résultats automatiquement, et le Claude Agent SDK, qui fournit la boucle complète avec des outils intégrés. Les autres options sont comparées dans frameworks d'agents.

Étape 5 : poser les limites

Une boucle sans limite peut tourner longtemps. La documentation du Claude Agent SDK prévoit deux plafonds, max_turns (nombre de tours) et max_budget_usd (dépense estimée), et note que fixer un budget est « un bon réglage par défaut pour des agents en production ». Ajoutez :

• une liste fermée des outils autorisés (permissions) ;
• une validation humaine avant toute action difficile à annuler (humain dans la boucle) ;
• un traitement prudent de tout contenu venu de l'extérieur, qui peut contenir des instructions cachées (injection de prompt).

Étape 6 : tester sur des cas réels

Anthropic recommande, dans « Demystifying evals for AI agents » (09/01/2026), de commencer avec 20 à 50 tâches simples tirées d'échecs réels plutôt que d'attendre une grande base de tests. Lancez chaque tâche plusieurs fois, car les réponses varient d'un essai à l'autre, et lisez les traces complètes. La méthode est détaillée dans évaluer un agent IA.

Étape 7 : rendre le fonctionnement visible

Le deuxième principe d'Anthropic est la transparence : montrer explicitement les étapes de planification de l'agent. En pratique, journalisez chaque appel d'outil, ses paramètres et son résultat. C'est ce qui permet de comprendre un échec, de répondre à un client qui conteste une action et de suivre le coût.

Récapitulatif