En bref
Agent OS est l'environnement complet pour concevoir, executer, observer et explorer des agents IA relies a votre ontologie et votre base de connaissances. Un agent repond a vos questions en langage naturel en interrogeant vos donnees, en executant des requetes SQL ou graph, et en synthetisant une reponse sourcee.
Agent OS regroupe plusieurs surfaces complementaires :
- la galerie pour creer et organiser vos agents a partir de templates metier ;
- la Console : un poste de travail unifie pour configurer, lancer et observer un agent au meme endroit ;
- le Hub (monitoring) pour suivre toutes les executions en temps reel ;
- le Visualiseur pour observer le raisonnement d'une execution etape par etape ;
- le Graphe des agents pour explorer vos sessions par proximite semantique.
Exemple concret : vous demandez "Quels fournisseurs ont livre plus de 100 commandes ce trimestre ?". L'agent identifie la bonne requete, l'execute sur vos donnees, et vous repond avec les resultats et leurs sources.
Ce que vous allez faire
Vocabulaire cle
| Terme | Signification | Exemple |
|---|---|---|
| Agent | Programme IA qui recoit une question, planifie des actions et synthetise une reponse. | Agent "Analyse Supply Chain" |
| Session | Une execution complete de l'agent (question → reponse). | Session #42 : "Top fournisseurs" |
| Outil (Tool) | Capacite que l'agent peut utiliser pour acceder aux donnees. | Requete SQL, recherche vectorielle, lecture graph |
| Iteration | Un cycle de raisonnement de l'agent (planifier → executer → evaluer). | 2 iterations pour une question complexe |
| Fast Path | Mode accelere qui saute l'evaluation pour les questions simples. | Comptage, lookup direct |
| Console | Poste de travail en trois panneaux : configuration, conversation et observation. | Construire et tester un agent sans changer d'ecran |
| Hub | Tableau de bord Kanban montrant toutes les sessions en cours et terminees. | Colonnes : En cours, Action requise, Termine |
| Graphe des agents | Carte interactive ou chaque point est une session, regroupee par proximite semantique. | Retrouver des executions similaires |
%%{init: {'theme': 'base'}}%%
flowchart LR
Q["Question utilisateur"] --> Plan["Planifier"]
Plan --> Exec["Executer outil"]
Exec --> Eval{"Resultat suffisant ?"}
Eval -->|Non| Plan
Eval -->|Oui| Synth["Synthetiser reponse"]
classDef light fill:#dce6f1,stroke:#234a7a,stroke-width:2px,color:#1f2a37
classDef dark fill:#e8a848,stroke:#c48a2a,stroke-width:2px,color:#1f2a37
classDef accent fill:#5ab5a0,stroke:#3d8b76,stroke-width:2px,color:#1f2a37
classDef output fill:#edf2f7,stroke:#234a7a,stroke-width:2px,color:#1f2a37
class Q light
class Plan,Exec accent
class Eval dark
class Synth output
Parcours recommandes
Liens avec les autres modules
- Ontologie : l'agent explore votre modele metier pour comprendre la structure de vos donnees.
- Base de connaissances : l'agent recherche dans vos documents importes pour enrichir ses reponses.
- Workflows : le bloc AI Agent permet d'integrer l'agent dans un workflow automatise.
- MCP : l'agent est accessible depuis des clients IA externes via le protocole MCP.
Resultat attendu
Vous disposez d'un agent testable, tracable et aligne avec votre usage metier prioritaire. Chaque reponse est sourcee et le raisonnement est observable.
Besoin d'aide ?
Ecrivez-nous : Support et contact.