Tech • IA • Robotique • Jeu
Après les boucles : plongée dans l’architecture agentique | DevDay 2026
7/10INTRO
OpenAI a expliqué comment les agents de codage modernes ont évolué, passant d’un simple usage d’outils à des systèmes persistants et multi-agents capables de travailler sur des tâches longues, de coordonner des sous-agents et même d’aborder des problèmes de recherche à l’échelle de 10 000 agents.
POINTS CLÉS
Des sorties de chat aux agents capables d’agir
Les premiers modèles de langage pouvaient générer du code fonctionnel pour des tâches simples comme FizzBuzz, mais les utilisateurs devaient encore copier, coller, exécuter et déboguer eux-mêmes le résultat. Le changement majeur est arrivé lorsque les modèles ont combiné raisonnement et usage d’outils, leur permettant d’inspecter les résultats, d’adapter leurs plans et de passer à l’étape suivante sans intervention humaine.
Codex conçu autour d’une architecture modèle + harness
Codex a été conçu comme un agent généraliste capable d’utiliser un ordinateur, plutôt que comme un outil limité à un workflow précis. Son architecture de base associe le modèle à un harness qui gère les instructions, les définitions d’outils, l’exécution dans un bac à sable, l’état de la conversation et la décision de poursuivre ou d’arrêter le travail de l’agent.
Des outils minimaux, une généralisation large
La philosophie de conception privilégiait un petit ensemble d’outils généraux comme le shell, l’accès au système de fichiers et les contrôles de l’ordinateur. L’objectif était de laisser le modèle résoudre les tâches comme le ferait un humain sur un ordinateur, afin que si une personne pouvait accomplir une tâche dans cet environnement, l’agent puisse lui aussi apprendre à y parvenir.
L’API Responses alimente la boucle
Au centre du système se trouve l’API Responses, qui exécute la boucle agentique. Le modèle demande des appels d’outils, le harness les exécute dans le bac à sable, réinjecte les résultats dans le contexte, puis décide s’il faut déclencher une nouvelle étape, créant un cycle géré de raisonnement, d’action et de retour d’information.
La compaction a permis le travail sur le long terme
L’un des plus grands défis d’ingénierie concernait la longueur du contexte. À mesure que les agents lisent des fichiers, exécutent des tests et accumulent de l’historique, la fenêtre de contexte se remplit; la compaction a donc été introduite pour condenser le travail précédent dans un état résumé tout en préservant les éléments importants pour les étapes suivantes. Codex a été entraîné à comprendre ces états compactés et à reprendre efficacement après eux, ce qui permet de travailler sur plusieurs fenêtres de contexte.
La persistance a remplacé les boucles en force brute
Les systèmes antérieurs avaient souvent besoin d’instructions externes leur disant de continuer, un schéma largement connu sous le nom de loop engineering. OpenAI a d’abord traité ce problème avec dash goal, qui stockait l’objectif hors de la conversation principale pour qu’il survive à la compaction et aux tours répétés, puis a ensuite intégré directement la persistance dans le modèle. Avec GPT-5.6, le modèle pouvait continuer seul, vérifier sa propre progression et ne s’arrêter qu’en cas de blocage ou de fin de tâche.
D’abord des agents uniques, puis des systèmes multi-agents si nécessaire
Pour de nombreuses tâches, un seul agent performant suffit s’il dispose d’un objectif clair et d’un moyen de vérifier son travail. Davantage d’agents sont surtout utiles pour des charges décomposables, comme l’examen de plusieurs pull requests ou la répartition d’une enquête large, mais chaque agent ajouté peut augmenter fortement l’usage de tokens sans garantir de meilleurs résultats.
GPT-6 a élargi la coordination entre agents
Avec GPT-6, les agents ont été entraînés à se coordonner et à collaborer, en découpant les grands problèmes en éléments indépendants et en les traitant en parallèle. Dans les configurations Ultra, Codex peut créer des copies de lui-même, attribuer des sous-tâches et maintenir des contextes de travail séparés, même si les utilisateurs sont toujours encouragés à rester prudents, car des hiérarchies inutiles peuvent créer un coûteux middle management tax.
Les gestionnaires de threads et journaux de travail améliorent le contrôle
Au-delà des sous-agents, Codex peut gérer plusieurs fils de discussion actifs, piloter des flux de travail distincts tout en gardant l’effort global synchronisé. Un journal de travail compact peut aussi préserver l’objectif principal, l’avancement en cours et les orientations de l’utilisateur à travers des compactions répétées, réduisant la dérive dans les projets longs comme les jeux ou les grosses refactorisations.
De grandes équipes d’agents sont désormais utilisées pour la recherche
OpenAI a décrit un effort interne sur le problème de Navier-Stokes ayant mobilisé 10 000 agents, échangé 2,7 millions de messages et généré environ 130 milliards de tokens de sortie. L’architecture regroupait les agents en équipes poursuivant différentes approches sous un objectif commun, avec une communication inter-équipes servant à partager les découvertes, éviter les doublons et réorienter l’effort vers les pistes les plus prometteuses.
Les résultats dépassent les workflows de codage
Dans l’effort Navier-Stokes, les équipes ont exploré des hypothèses, remis en cause des suppositions, mené des expériences et créé de nouvelles équipes à mesure que de nouvelles questions apparaissaient. OpenAI a indiqué que le même modèle interne derrière ce travail a aidé à résoudre plus de 100 problèmes de longue date en mathématiques et continue d’être utilisé pour la découverte en mathématiques et en sciences.
CONCLUSION
L’évolution va de boucles scriptées vers des systèmes autonomes capables de persister, de se coordonner et de changer d’échelle. Le principal défi n’est plus de savoir si les agents peuvent agir, mais comment structurer efficacement cette action à mesure que les tâches deviennent plus longues, plus larges et plus collaboratives.
Poser une question