> For the complete documentation index, see [llms.txt](https://weekly-essay.mikey.wang/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://weekly-essay.mikey.wang/fr/2025/w42-an-evolving-understanding-of-agents-and-llms.md).

# W42-Faire évoluer ma compréhension des agents et des LLM

J'étudie récemment les technologies agentiques et j'en tire aussi de nouvelles idées sur les grands modèles.

Je recommande d'abord [Faire travailler l'IA dans des bases de code complexes](https://github.com/humanlayer/advanced-context-engineering-for-coding-agents/blob/main/ace-fca.md). Après tout ce temps d'exploration de la programmation par IA, j'y vois un texte de synthèse qui peut guider l'équipe vers un accord progressif.

L'importance des technologies agentiques devient plus nette. Elles permettent d'exploiter réellement l'intelligence des modèles, de les faire passer du tout-savoir au tout-faire. Il faut distinguer deux directions : construire des agents et utiliser des agents. La frontière pourra s'estomper ; bien accomplir une tâche exigera peut-être de réunir construction et usage. Mais il faut encore savoir de quoi l'on parle. Dans la programmation par IA, je vois surtout des usages d'agents, plutôt que la construction de nouveaux agents.

Je pensais d'abord que MCP ressemblait à RPC, un protocole applicatif d'appel de services. Je le vois maintenant davantage comme un protocole de transport tel TCP. MCP reprend surtout le paradigme classique des appels de services, sans être né pour la collaboration entre agents. Les véritables applications devraient se construire au-dessus, avec décomposition, planification et orchestration entre agents pour former des relations stratégiques complexes. C'est ainsi que l'on exploitera au mieux les modèles. Les relations entre agents ne peuvent se limiter à de simples appels. Comme HTTP par rapport à TCP, elles doivent offrir une sémantique plus riche, par exemple négocier les politiques de cache. La couche de protocoles au-dessus de MCP mérite donc l'attention, notamment Agent2Agent, en cours de développement.

Il ne faut pas penser les grands modèles comme de simples outils. Le cerveau n'est pas un disque dur, mais un réseau neuronal dont chaque sortie est produite en temps réel. Un grand modèle n'est pas davantage une base de données : c'est un ensemble de poids appris. De façon sommaire, plus sa taille est grande, plus son intelligence est élevée. Nos systèmes de développement et de livraison ont été conçus autour de l'humain. Il faut maintenant repenser leur structure et la répartition du travail autour des modèles. Le principal changement est le déplacement du levier humain. Concentrons-nous sur la recherche et la planification, les deux phases au plus fort levier, et avançons les critères de maintenabilité humaine pour en faire des critères de collaboration accessibles aux agents.

Il faut aussi reconnaître les limites des modèles. Sutton nous avertit toujours que nous n'avons pas échappé à *The Bitter Lesson* : les grands modèles ne disposent pas d'une véritable intelligence. Ils ne peuvent ni explorer seuls un environnement inconnu comme un écureuil, ni produire des connaissances au-delà du domaine reçu en entrée. Ils peuvent, en revanche, planifier, raisonner et décider dans les domaines déjà connus.