Comment orchestrer un ensemble d'agents IA dans un salon de discussion classique

Lorsque vous passez d'un assistant IA unique dans votre éditeur de code à plusieurs agents autonomes, vous vous heurtez rapidement à un problème de contrôle. Les agents commencent à générer des processus en arrière-plan, à consommer des tokens, et quand quelque chose tourne mal, ils corrompent silencieusement l'environnement quelque part dans les profondeurs de Docker. C'est encore pire quand vous devez leur donner accès à des clés API ou à GitHub : confier un token personnel à un script qui génère et exécute du code de manière autonome est, pour le moins, stressant.

Récemment, je suis tombé sur le projet AgentTeams de l'équipe AgentScope. C'est une plateforme runtime qui empaquète des agents de réseaux neuronaux dans un environnement d'équipe unifié basé sur le protocole Matrix. Au lieu de daemons abstraits en arrière-plan, vous obtenez un messenger classique où vous, un agent manager et des agents workers spécialisés êtes tous dans le même salon.

Quelle est l'idée de l'architecture

AgentTeams ne cherche pas à inventer son propre moteur pour exécuter des LLMs ni à écrire une autre surcouche de prompts. Le projet fonctionne comme un orchestrateur de conteneurs. L'ensemble du système est construit autour du concept Manager-Workers :

1. Le manager reçoit vos tâches de haut niveau, les décompose en sous-tâches et les assigne à des workers spécifiques.
2. Les workers exécutent les tâches dans des environnements isolés.
3. Le messenger Matrix sert de bus unifié pour tous les messages.

Résultat : vous voyez absolument toute la correspondance entre les agents. Si un worker dévie du chemin, vous lui écrivez simplement dans le salon @alice измени логику валидации et ajustez le cours à la volée, sans redémarrer toute la chaîne.

Sans accès aux vraies clés

Le problème principal de la plupart des agents autonomes est la sécurité. Pour qu'un agent fasse une Pull Request sur GitHub ou appelle une API tierce, vous passez généralement les secrets correspondants directement dans les variables d'environnement.

Les développeurs d'AgentTeams ont résolu cela grâce à une passerelle IA Higress intégrée. Le schéma d'interaction ressemble à ceci :

• Le worker ne reçoit qu'un token temporaire.
• Toutes les requêtes externes vers les APIs LLM, GitHub ou les serveurs MCP passent par la passerelle.
• Les vraies clés API et tokens personnels sont stockés à l'intérieur de la passerelle et n'atteignent jamais les conteneurs workers.

Même si le code à l'intérieur d'un worker essaie de lire les variables d'environnement et de les envoyer, il ne trouvera que le token d'accès à la passerelle locale.

Différents runtimes dans une même pièce

Une fonctionnalité intéressante de la plateforme est la possibilité de combiner différents types d'agents dans un même salon. Actuellement, trois runtimes sont supportés en coulisses :

• OpenClaw sur Node.js pour l'appel d'outils et la coordination de tâches.
• QwenPaw sur Python, axé sur les tâches légères et l'automatisation du navigateur.
• Hermes pour l'écriture autonome de code avec un environnement sandbox de terminal isolé.

Cela offre une flexibilité décente. Vous pouvez assigner un agent OpenClaw déterministe comme leader de groupe et connecter Hermes pour l'écriture et le débogage de code. Les agents communiquent entre eux via des mentions intégrées et un stockage de fichiers MinIO partagé. Le système de fichiers réduit considérablement la consommation du contexte : les agents ne passent pas de gros blocs de code ou de logs directement dans les textes des messages, mais déposent des liens vers les fichiers dans le stockage.

Comment c'est structuré à l'intérieur

Architecturalement, AgentTeams est livré sous forme d'un ensemble de services interconnectés :

• Controller est responsable du cycle de vie des ressources et de la configuration déclarative.
• La passerelle IA Higress gère le trafic et stocke les données d'autorisation.
• Tuwunel et Element Web fournissent les fonctionnalités de serveur Matrix et de client web.
• MinIO stocke les artefacts générés par les agents.

Docker suffit pour exécuter la plateforme en mode local. Les exigences minimales du système sont 2 cœurs CPU et 4 Go de RAM. Si vous prévoyez de faire tourner 3-4 workers en même temps, mieux vaut prévoir 8 Go de RAM ou plus.

L'installation se lance avec une seule commande :

bash <(curl -sSL https://raw.githubusercontent.com/agentscope-ai/AgentTeams/main/install/agentteams-install.sh)

Le script demandera une clé vers le fournisseur LLM choisi (n'importe quel endpoint compatible OpenAI fonctionne), configurera les services locaux et fournira un lien vers Element Web à l'adresse http://127.0.0.1:18088.

Pour des installations plus sérieuses, le projet dispose d'un chart Helm officiellement supporté pour Kubernetes. Lors du déploiement sur K8s, vous pouvez définir les workers et les équipes directement via des Custom Resource Definitions (CRDs) dans le style des manifests familiers.

helm install agentteams higress.io/agentteams \
  -n agentteams-system --create-namespace \
  --set credentials.llmApiKey=<your-api-key> \
  --set credentials.adminPassword=<your-admin-password> \
  --set gateway.publicURL=http://localhost:18080

Avant de lancer le contrôleur, Helm exécute automatiquement une vérification preflight : il envoie une courte requête de test au modèle spécifié pour échouer l'installation immédiatement si la clé API est invalide ou les limites épuisées.

Impressions et verdict

Le projet a un aspect frais face à la multitude de scripts console sans fin. Le concept d'utiliser un messenger classique au lieu d'un autre tableau de bord web s'est révélé étonnamment pratique, d'autant plus que vous pouvez vous connecter à Matrix depuis n'importe quel client mobile comme FluffyChat ou Element Mobile.

Les inconvénients incluent les exigences matérielles : faire tourner une multitude de conteneurs avec MinIO et la passerelle consomme rapidement la mémoire sur une machine locale. Si vous avez besoin d'un assistant simple pour des indices dans votre IDE, AgentTeams sera clairement une solution surdimensionnée.

Mais pour les équipes qui cherchent à construire un pipeline complet de plusieurs développeurs IA tout en ne voulant pas fuir leurs clés API ou perdre le contrôle de ce qui se passe, l'outil mérite définitivement le détour.