Lab d’agent : écrire la boucle d’un agent IA avec des outils, face à un modèle de substitution

Ce lab donne à chaque élève un agent IA écrit à la main en Python, à lire, à lancer et à modifier : la boucle qui envoie une conversation et une liste d’outils à un modèle de langage, exécute l’outil que le modèle demande et lui renvoie le résultat. Les élèves y apprennent les schémas d’outils, les conditions d’arrêt et la limite d’étapes, les erreurs et les nouvelles tentatives, la mémoire, le découpage d’une tâche en plusieurs tours, les garde-fous et une trace que l’on note.

Le modèle est un substitut, et le lab le dit partout : il répond au même format qu’une vraie API de modèle, mais il choisit chaque réponse selon des règles fixes et n’appelle qu’un outil par tour, si bien que la même question reçoit toujours la même réponse. Rien n’est téléchargé, aucun service d’IA n’est appelé et rien n’est payant. Les outils sont fictifs eux aussi et travaillent sur des données fixes, et chaque copie n’a aucun accès à internet ni à aucun autre élève.

Ce que les élèves apprennent

Ce qu’est un agent, vu de l’intérieur. Ils voient un modèle répondre par un appel d’outil au lieu de mots, exécutent eux-mêmes l’outil et renvoient « Rain, 9 C ». Ils suivent la boucle sur cinq tours qui partagent 17 messages, voient un modèle obligé d’appeler des outils arrêté par la limite au bout de 3 étapes, et réalisent un plan en trois étapes sous forme de trois tours. Un outil qui échoue répond par des mots, et un modèle occupé est relancé après une pause qui s’allonge. Ils voient une liste autorisée refuser une suppression, et un ordre caché dans un e-mail suivi seulement quand le programme le colle comme si l’utilisateur l’avait écrit. Pour finir, une trace est enregistrée et quatre cas de test notent l’agent, dont 3 sur 4 réussissent. Il convient à un cours de développement logiciel ou d’IA appliquée ; vérifiez la formulation exacte dans le programme de votre propre organisme, aucun n’est cité ici.

Ce qui le distingue des labs d’agent de code IA

Les labs d’agent de code IA donnent à l’élève un agent tout prêt, opencode, avec lequel travailler sur un programme. Ce lab montre l’autre côté : l’élève lit et modifie l’agent lui-même, environ 120 lignes de Python, si bien que la boucle, les outils et les garde-fous sont du code qu’il a sous les yeux. Le lab LLM workbench, consacré à l’API du modèle seule, est un bon point de départ avant celui-ci.

Le lancer dans votre navigateur

Le lab démarre deux services. model est le substitut, qui répond à http://model:4000/v1 à l’intérieur du lab. tools est un Python avec agent.py, la boucle d’agent et ses outils fictifs, llm.py, un petit client, et steps/, de courts scripts qui montrent chacun une idée. Le terminal à côté du lab a curl et pas de Python : il atteint les scripts avec docker exec tools.

  1. Ouvrir la page Conteneur. Ouvrez « Créer » dans la barre et choisissez « Lancer un conteneur ». Tout le monde peut ouvrir la page, et le lab Git et le lab SQL se lancent sans compte. Tous les autres labs demandent un compte gratuit : créez-en un, connectez-vous, puis appuyez sur « Démarrer ».
  2. Trouver le lab. La carte « Laboratoires d’exemple » liste tous les exemples. Trouvez Laboratoire d’agent : écrire la boucle d’un agent IA avec des outils.
  3. Appuyer sur Démarrer. « Démarrer » le lance tel quel, en un clic. « Modifier le fichier d’abord » ouvre le fichier compose pour que vous puissiez le changer avant de démarrer.
  4. L’ouvrir. Sur la page du lab, appuyez sur « Ouvrir le terminal » et tapez docker exec tools python3 steps/onecall.py pour voir un appel d’outil fait à la main. Tapez ensuite docker exec tools python3 steps/loop.py pour regarder la boucle tourner.

Ce qu’il faut demander aux élèves de rendre

agent.py avec une modification à eux : un nouvel outil avec son schéma, une liste autorisée plus stricte, ou un cas de test de plus dans steps/trace.py. Avec, la sortie de l’étape qui montre la modification et une phrase sur ce qu’un vrai modèle pourrait faire autrement. Rien n’est corrigé automatiquement : la phrase montre si c’est compris.

Une leçon de base sur ce lab

Agent Loop Basics (Les bases de la boucle d’agent) est une petite leçon qui se fait dans ce lab. L’élève y voit un appel d’outil tel qu’il circule, en exécute un à la main, suit la boucle et sa limite d’étapes, réalise un plan en plusieurs tours, traite les erreurs, essaie les garde-fous et note une trace.

Les comptes personnels gratuits la trouvent dans le module Basics, sur l’« Accueil », et chaque établissement peut la copier depuis le dossier Basics de la Bibliothèque. Elle est volontairement courte : elle montre à un enseignant ce qu’est une leçon travaillée dans un lab, et le lab fait le reste. Copiez-la dans un module à vous pour la modifier.

Le code sur GitHub

Le fichier compose n’a pas de Dockerfile : il lance deux fois une seule image publique telle quelle, Python 3.12 sur Alpine, figée sur une étiquette exacte, chaque fois sous un compte sans privilèges avec 64 Mo de mémoire. L’image est sous licence PSF et nous ne la distribuons pas. Au démarrage, le fichier écrit le substitut, l’agent et les scripts à partir d’un texte fixe, avec la seule bibliothèque standard de Python : rien n’est téléchargé. Rien n’est gardé quand le lab s’arrête, donc l’élève copie d’abord son agent.py.

Le donner comme travail

Indiquez dans la tâche ce qu’il faut rendre.

  1. Créer le lab. Dans votre module, ajoutez une tâche et choisissez la carte « Lab de conteneurs », puis « Dans un dépôt GitHub ». Indiquez https://github.com/mitsurutech/lab-agent-lab avec la branche main. Le fichier compose par défaut est compose.yaml. Faites d’abord un fork du dépôt si vous voulez le modifier, par exemple pour donner à l’agent un outil de votre choix.
  2. Publier et l’essayer. « Publier » fige le commit qui vous a été montré : un changement ultérieur dans le dépôt ne modifie donc pas un lab que vous avez déjà proposé. Démarrez d’abord votre propre copie.
  3. Le distribuer. Attribuez-le comme n’importe quelle tâche, avec une échéance si vous le souhaitez, et indiquez dans la tâche ce qu’il faut faire et ce qu’il faut rendre.
  4. Noter ce qui est rendu. Ouvrez la copie d’un élève et le travail rendu, notez-le et renvoyez-le avec un motif s’il demande un complément.

Essayer ce lab, et ce qu’il coûte

Un compte personnel gratuit permet de suivre les leçons de base de ce lab, avec chaque mois assez de crédit gratuit pour suivre la plupart des leçons, sans carte. Pour une classe, un établissement a ses 365 premiers jours gratuits pour 50 élèves au plus, puis paie par élève et par an, tous les labs compris et les enseignants gratuits.

Questions fréquentes

Y a-t-il un vrai modèle d’IA dans ce lab ?
Non. Le modèle est un substitut écrit pour le lab, un court programme Python qui choisit chaque réponse selon des règles fixes. Il répond au même format qu’une vraie API de modèle, appels d’outils compris : la boucle d’agent que les élèves écrivent fonctionne donc de la même façon face à un vrai modèle. Il donne toujours la même réponse à la même question, et c’est ce qui permet à la leçon de dire ce que l’élève va voir.
Pourquoi l’agent n’appelle-t-il qu’un outil pour une question qui en demande deux ?
Le substitut appelle un outil par tour, puis donne sa réponse. Un vrai modèle peut en appeler plusieurs à la suite. Le lab s’en sert exprès : un cas de test échoue à cause de cela, et l’étape du plan montre la solution, une grosse tâche confiée à l’agent en plusieurs tours.
La partie sur l’injection de prompt peut-elle s’enseigner sans risque ?
Oui. Elle est enseignée comme une défense, sur des données fictives : la boîte de réception contient un seul e-mail fixe et les fichiers sont un dictionnaire Python, donc rien de réel n’est lu ni supprimé. Les élèves voient pourquoi le résultat d’un outil doit rester une donnée, et pourquoi c’est le code, et non le modèle, qui décide quels outils peuvent s’exécuter. Le substitut n’obéit jamais au texte d’un résultat d’outil, et la leçon précise qu’un vrai modèle pourrait le faire.
Est-ce que cela coûte quelque chose ou consomme des crédits d’IA ?
Aucune IA n’est utilisée, donc rien n’est facturé pour cela. Le lab fonctionne comme n’importe quel autre lab de conteneurs.
Pourquoi le terminal utilise-t-il docker exec tools ?
Le terminal du lab porte quelques clients, dont curl, et pas de Python. docker exec tools lance une commande dans le conteneur Python du lab, là où se trouvent l’agent et les scripts.