YouMind
Se connecter

5 modèles d'orchestration d'agents validés par la recherche

@googlecloud
ANGLAIS19 nov. 2026
239K
2.6K
248
63
4.7K

TL;DR

Cinq modèles fondés sur la recherche pour orchestrer plusieurs agents de codage IA, y compris la séparation constructeur-vérificateur et la sélection Best of N, améliorent la fiabilité par rapport aux approches à agent unique.

Beaucoup de développeurs gèrent des équipes d'agents et orchestrent ces derniers à l'instinct, mais est-ce vraiment efficace ?

Dans cet article, je vous présente cinq modèles validés par la recherche pour faire fonctionner des équipes d'agents dans Antigravity, Claude Code ou tout autre agent de codage. Que vous créiez de nouvelles applications, mainteniez des bases de code héritées ou meniez des recherches, vous découvrirez quand chaque modèle surpasse un agent unique et obtiendrez des prompts prêts à l'emploi pour tester par vous-même.

Par : YK Sugi, ingénieur senior en relations avec les développeurs, Google Cloud

1. Séparez le constructeur du vérificateur. Au lieu de confier l'ensemble du travail à un seul agent, nous pouvons séparer la construction et la vérification en deux threads distincts. Un agent construit. Un second agent, dans un nouveau thread, vérifie si le résultat correspond bien à votre demande. Un modèle qui révise son propre travail dans le même thread risque d'être biaisé par ses propres réponses précédentes.

En fait, les études montrent que les modèles sont de mauvais juges de leur propre travail. Ils ont du mal à corriger leur propre raisonnement sans retour extérieur et préfèrent leurs propres résultats à ceux des autres.

Utilisez ce modèle pour les modifications importantes. L'auto-révision reste acceptable pour les petits changements, ou lorsque les tests fournissent un retour.

Prompt : Lance un nouveau sous-agent en lecture seule comme vérificateur. Demande-lui de vérifier si ce diff fait bien ce que j'ai demandé.

Google Cloud - inline image

2. Répartissez le travail en plusieurs voies. Lorsqu'une tâche se divise facilement, attribuez chaque partie à un responsable dédié, par exemple un sous-agent pour le frontend, un pour le backend et un pour la documentation. Faites-les travailler en parallèle sans qu'ils modifient les mêmes fichiers.

Dans une étude de 2026 portant sur 652 tâches de codage, deux agents travaillant sur du code qui se chevauche ont réussi environ 30 % moins souvent qu'un seul agent réalisant les deux tâches.

Dans une étude de Google et du MIT, les équipes d'agents ont obtenu des scores jusqu'à 80,8 % supérieurs à ceux d'un agent unique sur un benchmark financier composé de parties indépendantes, mais de 39 % à 70 % inférieurs sur un benchmark de planification où chaque étape dépend de la précédente.

Google Cloud - inline image

Pour les travaux difficiles à scinder en parties bien distinctes comme le frontend et le backend, un seul thread donne souvent de meilleurs résultats. Il en va de même pour les petites corrections de bugs, où les sous-agents parallèles n'ont apporté aucune aide selon une autre étude.

Prompt : Lance trois sous-agents en parallèle : un pour le frontend dans web/, un pour le backend dans api/ et un pour la documentation dans docs/. Chacun ne modifie que les fichiers de son propre dossier. Quand les trois ont terminé, vérifie que toutes les parties fonctionnent bien ensemble.

Google Cloud - inline image

3. Le meilleur parmi N (Best of N). Exécutez la même tâche plusieurs fois en parallèle et laissez une suite de tests ou une évaluation désigner le gagnant. AlphaCode, un système de codage de DeepMind, fonctionnait ainsi. Il générait de nombreux programmes candidats et les filtrait en les exécutant. Cette méthode s'est révélée très compétitive lors de concours de programmation.

Dans une étude de 2024 sur cette approche Best of N, les taux de réussite n'ont cessé d'augmenter au fil de milliers de tentatives sur des tâches dotées de vérifications automatiques. Sur de véritables issues GitHub, un modèle est passé de 15,9 % de problèmes résolus en une seule tentative à 56 % après 250 tentatives. Sans vérification automatique, la sélection d'un gagnant par vote majoritaire ou via un modèle de notation plafonnait autour de 100 tentatives.

Google Cloud - inline image

Prompt : Exécute cinq sous-agents en parallèle sur Gemini 4 Hydrogen, chacun essayant d'optimiser cela dans son propre worktree. Note chaque tentative selon les évaluations, choisis la meilleure et donne-moi le résultat.

4. Le conseil de modèles. Demandez à plusieurs modèles des propositions indépendantes, faites voter des juges sans connaître le nom des modèles, puis fusionnez les meilleures idées. Utilisez cette méthode lorsqu'il n'existe pas de test clair ou de vérification automatique, par exemple pour l'architecture ou le design visuel.

Dans une étude, la combinaison des réponses de plusieurs modèles a obtenu de meilleurs scores qu'un modèle frontier unique. Dans une autre, un panel de modèles différents s'est rapproché du jugement humain mieux qu'un seul grand modèle juge.

Google Cloud - inline image

Par exemple, j'ai conçu ce logo de navire avec un conseil de modèles. Deux tours ont suffi pour passer d'un premier essai basique à l'icône finale.

Google Cloud - inline image

Prompt : Demande à Gemini 4 Carbon, Gemini 4 Neon et Claude Opus 5.5 de proposer chacun un design indépendant. Fais noter ces designs par trois nouveaux agents sur Gemini 4 Carbon, Gemini 4 Neon et Claude Opus 5.5, sans révéler le nom des modèles. Fusionne les meilleures idées dans le design gagnant.

5. L'équipe de relecteurs. Lancez plusieurs relecteurs en lecture seule en parallèle, chacun ayant une mission précise, comme l'UX ou la sécurité.

Dans une étude classique de 1995 menée avec des relecteurs humains, les équipes dont chaque membre cherchait un type d'erreur différent ont trouvé environ 35 % d'erreurs supplémentaires par rapport aux équipes où tout le monde utilisait la même liste de contrôle générale des erreurs courantes.

Il s'avère qu'un schéma similaire s'applique aux relecteurs IA. Dans une étude sur les juges LLM, une équipe composée de rôles différents s'est mieux alignée sur le jugement humain qu'un juge unique, et a obtenu de moins bons résultats lorsque tous partageaient le même rôle.

Google Cloud - inline image

Prompt : Lance quatre relecteurs en lecture seule en parallèle pour l'UX, la simplicité du code, les cas limites et la sécurité. Corrige ce qu'ils signalent, puis recommence avec de nouveaux relecteurs jusqu'à ce que les quatre valident.

Ces modèles sont davantage des éléments de base que des règles strictes. Vous pouvez les combiner comme bon vous semble, mais voici un organigramme simple pour vous guider sur celui à utiliser et à quel moment :

Google Cloud - inline image
Enregistrer en un clic

Lire les articles viraux en profondeur avec l’IA de YouMind

Enregistrez la source, posez des questions ciblées, résumez l’argument et transformez un article viral en notes réutilisables dans un seul espace de travail IA.

Découvrir YouMind
Pour les créateurs

Transformez votre Markdown en un article 𝕏 impeccable

Quand vous publiez vos propres textes longs, la mise en forme 𝕏 des images, tableaux et blocs de code est pénible. YouMind transforme un brouillon Markdown complet en un article 𝕏 impeccable, prêt à publier.

Essayer Markdown vers 𝕏

D'autres patterns à décoder

Articles viraux récents

Explorer plus d'articles viraux