Système multi-agents IA : quand et comment

Un système multi-agents confie une tâche à plusieurs agents : en général un agent principal (l'orchestrateur) qui découpe le travail et le répartit entre des sous-agents, chacun avec son propre contexte, puis rassemble leurs résultats. C'est utile quand le travail se divise en morceaux indépendants ou dépasse ce qu'un seul contexte peut contenir. C'est coûteux, et contre-productif quand les morceaux dépendent fortement les uns des autres.

L'architecture de référence

Le texte le plus détaillé publié par un éditeur sur le sujet est « How we built our multi-agent research system » d'Anthropic (13/06/2025). Il décrit le système de recherche de Claude :

• un agent principal analyse la demande, élabore une stratégie et l'enregistre dans une mémoire, pour ne pas la perdre si le contexte est tronqué ;
• il lance des sous-agents qui cherchent en parallèle, chacun dans sa propre fenêtre de contexte ;
• un agent dédié aux citations rattache ensuite chaque affirmation à sa source.

C'est la forme « orchestrateur et exécutants » décrite dans « Building effective agents » : les sous-tâches ne sont pas fixées à l'avance, l'orchestrateur les détermine selon la demande.

Ce que ça apporte, d'après Anthropic

Sur leur évaluation interne de recherche, le système multi-agents (Claude Opus 4 en agent principal, Claude Sonnet 4 en sous-agents) a dépassé Claude Opus 4 utilisé seul de 90,2 %, selon l'article. L'explication avancée est surtout une question de volume de travail : sur leur analyse de l'évaluation BrowseComp, l'usage de jetons explique à lui seul 80 % des écarts de performance. Anthropic résume : les systèmes multi-agents fonctionnent surtout parce qu'ils permettent de dépenser assez de jetons pour résoudre le problème.

Ce que ça coûte

Le même article donne les ordres de grandeur mesurés :

D'où la conclusion d'Anthropic : le multi-agents se justifie pour des tâches dont la valeur est assez élevée pour payer ce surcoût. Le détail du calcul est sur la page coût d'un agent.

Quand c'est un bon choix, quand ça ne l'est pas

Les difficultés rencontrées

L'article liste les problèmes rencontrés en construisant le système :

• Doser l'effort : les premières versions lançaient parfois 50 sous-agents pour une question simple. Il a fallu écrire dans les instructions des règles explicites d'effort selon la complexité.
• Briefer les sous-agents : chaque sous-agent a besoin d'un objectif, d'un format de sortie, d'indications sur les outils et de limites claires, sinon le travail est dupliqué ou incomplet.
• Erreurs qui s'additionnent : une petite erreur à une étape peut faire dévier toute la suite.
• Débogage : les agents ne sont pas déterministes ; l'équipe a ajouté un traçage complet des décisions.
• Goulots d'étranglement : l'agent principal attend la fin de chaque lot de sous-agents avant de continuer.

Garder le contexte de l'orchestrateur propre

L'intérêt pratique des sous-agents est aussi de protéger le contexte de l'agent principal. Dans « Effective context engineering for AI agents » (29/09/2025), Anthropic indique qu'un sous-agent peut explorer longuement mais ne renvoie qu'un résumé condensé, souvent de 1 000 à 2 000 jetons. La documentation du Claude Agent SDK va dans le même sens : un sous-agent ne renvoie que sa réponse finale, donc le contexte de l'agent principal grossit d'un résumé, pas de toute la trace.

Réglages à prévoir

• Plafond de dépense commun : dans le Claude Agent SDK, le budget maximal couvre aussi les sous-agents ; une fois atteint, le lancement d'un nouveau sous-agent échoue.
• Outils réduits par sous-agent : la même documentation conseille de limiter chaque sous-agent au strict nécessaire avec le champ tools de sa définition.
• Droits hérités : la documentation des permissions du Claude Agent SDK avertit qu'un sous-agent hérite de certains modes de la session principale (plan, acceptEdits, auto, bypassPermissions), et qu'hériter de bypassPermissions lui donne un accès complet et autonome au système. Vérifiez le mode actif avant de déléguer (voir permissions).
• Évaluer le résultat final plutôt que chaque étape, puisque plusieurs chemins peuvent être valables : c'est la méthode suivie par Anthropic (voir évaluer un agent).

Avant de passer au multi-agents, vérifiez qu'un seul agent bien outillé, voire un workflow, ne suffit pas.