Construire un assistant de recherche à base d'agents avec Groq, LangGraph, sous-agents et mémoire

Construire un opérateur de lieux événementiels à base d'agents avec MongoDB Atlas, Voyage et LangGraph

Rendre plus responsable un opérateur de site événementiel dopé à l'intelligence artificielle, c'est l'objectif d'un nouveau tutoriel technique construit autour de MongoDB Atlas, des embeddings multimodaux de Voyage AI et du framework LangGraph, avec un traçage optionnel via Langfuse. Le scénario démonstratif met en scène le « MongoDB Open », un tournoi de tennis premium fictif, au sixième jour de compétition. La pluie approche, la capacité d'accueil couverte se réduit, et l'agent doit gérer deux profils de visiteurs différents : Mikiko, une spectatrice venue pour la première fois, et Nina, une invitée premium dont l'historique peut être consulté par le système. Les chiffres cités pour justifier l'enjeu économique sont ceux de l'US Open 2025, qui a battu des records d'affluence, d'audience et de portée numérique, avec 90 millions de dollars reversés aux joueurs en compensation totale ; la USTA évalue à plus de 1,2 milliard de dollars l'impact économique annuel des trois semaines du tournoi pour New York. Une étude PwC est également mentionnée, selon laquelle 60% des fans de sport américains à hauts revenus dépenseraient plus de 250 dollars pour un événement spécial, et 20% plus de 1 000 dollars. Le Bureau du recensement américain suit désormais l'impact financier des intempéries sur les ventes des entreprises via son enquête Business Trends and Outlook Survey. Ce que démontre ce projet, c'est la capacité d'un agent à ne pas se contenter de produire un plan générique : il lit l'état opérationnel du site en temps réel, récupère la mémoire d'événements précédents, distingue les segments de visiteurs, agit tant que de la capacité d'accueil reste disponible, puis réécrit le résultat de l'action pour enrichir la mémoire utilisée lors de la prochaine perturbation. Cette approche illustre un enjeu plus large pour les organisateurs d'événements à forte affluence : la fenêtre de décision utile, par exemple face à une alerte météo, se compte souvent en minutes, ce qui rend obsolètes les tableaux de bord classiques ou les résumés différés. Techniquement, le projet fournit une application FastAPI reliée à MongoDB Atlas, déployable localement ou sur Vercel, avec une interface guidée en quatre onglets, des collections Atlas dédiées à l'état opérationnel, à la mémoire sémantique, aux actions de l'agent et aux points de contrôle LangGraph, une recherche vectorielle Atlas combinée à un scoring lexical, un point d'accès de type RAG visuel exploitant Claude Vision pour interroger des documents opérationnels, ainsi qu'un script LangGraph exécutable reproduisant le scénario de retard pour pluie. Les auteurs précisent toutefois que ce dépôt reste une démonstration de référence : il ne comporte ni authentification de production, ni suite d'intégration continue, et l'agent LangGraph complet fonctionne encore comme un script de validation plutôt que comme un service public hébergé.

💬 Ce qui compte dans ce tuto, c'est pas MongoDB ni LangGraph, c'est le constat de départ : face à une alerte météo sur un site événementiel bondé, la fenêtre de décision se compte en minutes, pas le temps de consulter un dashboard classique. Le scénario de pluie sur un tournoi de tennis illustre bien le truc, mémoire des incidents passés, segmentation fine entre spectateur lambda et invité premium, actions limitées par la capacité d'accueil réelle. Bon, sur le papier ça tient la route, mais c'est un POC sans authentification ni CI, donc entre la démo qui tourne en local et l'agent qui pilote vraiment ton stade sous la pluie, il reste du chemin.

Des agents avec recherche web grâce à Strands et Exa

AWS a publié une intégration native entre son SDK open source Strands Agents et le moteur de recherche Exa, permettant aux agents IA d'accéder au web en temps réel sans couche de post-traitement. Cette combinaison expose deux outils principaux : exasearch, qui effectue des recherches sémantiques avec prise en charge de catégories comme les articles d'actualité, les publications de recherche ou les dépôts de code, et exaget_contents, qui récupère le contenu complet de pages web ciblées. Le SDK Strands Agents, distribué en open source par AWS, repose sur une architecture pilotée par le modèle : plutôt que de définir des workflows figés, le développeur fournit un modèle de langage, un prompt système et une liste d'outils, puis c'est le modèle lui-même qui décide quels outils appeler, dans quel ordre, et quand la tâche est accomplie. Le SDK embarque déjà plus de 40 outils préconstruits couvrant la gestion de fichiers, l'exécution de code, les API AWS, la mémoire et la recherche web. Pour les développeurs qui construisent des agents dédiés à la veille, à la vérification des faits ou à l'intelligence concurrentielle, cette intégration élimine un obstacle persistant : la plupart des API de recherche généralistes renvoient des pages HTML chargées de balisage et des snippets courts optimisés pour la navigation humaine, ce qui oblige à construire des couches supplémentaires de parsing, de nettoyage et de reclassement avant de pouvoir injecter ces données dans une fenêtre de contexte LLM. Exa résout ce problème à la source en fournissant un contenu propre, structuré et directement exploitable. Concrètement, un agent peut enchaîner plusieurs appels de recherche, accumuler les résultats dans son historique de conversation et raisonner sur l'ensemble pour produire une réponse finale, sans que le développeur n'ait à orchestrer chaque étape manuellement. Exa se distingue des moteurs traditionnels par son approche sémantique : une requête comme "startups développant des solutions climatiques" retourne effectivement des entreprises du secteur, même si leurs pages ne contiennent pas cette formulation exacte, car le moteur travaille sur la similarité de sens plutôt que sur la correspondance de mots-clés. Le SDK supporte également le Model Context Protocol (MCP), ce qui facilite l'ajout de tout nouveau serveur d'outils sans travail d'intégration supplémentaire. L'intégration Exa est disponible via le package strands-agents-tools et s'ajoute à la liste d'outils en une ligne de code. Dans un contexte où les agents IA peinent encore à accéder à des informations récentes et fiables, cette combinaison d'un framework agentique piloté par le modèle et d'un moteur de recherche conçu pour les LLM ouvre des perspectives concrètes pour des cas d'usage comme l'analyse de marché, la recherche documentaire automatisée ou le suivi de l'actualité technologique en temps réel.

De l'idée à l'application IA : créer des assistants de recherche intelligents avec Strands

Amazon Web Services a publié Strands Agents, un framework open source sous licence Apache 2.0 qui permet de construire un assistant de recherche IA fonctionnel en une trentaine de lignes de Python. L'outil s'appuie sur les modèles fondamentaux d'Amazon Bedrock pour doter les agents d'une capacité de raisonnement autonome, sans avoir à coder manuellement chaque étape logique. AWS affirme déjà utiliser Strands Agents en production dans plusieurs de ses propres services, notamment Amazon Q et AWS Glue. L'annonce s'accompagne de la présentation de Kiro, un environnement de développement intégré alimenté par l'IA, qui intègre un mécanisme d'extensions appelé "Kiro Powers" : plus de cinquante modules préconfigurés couvrant la conception, le déploiement, la sécurité et l'observabilité, installables en un clic. Le module Strands, par exemple, embarque la documentation du SDK, des guides de démarrage et les patterns d'API corrects pour que Kiro puisse générer des agents fiables dès le premier essai. L'enjeu est de taille pour les équipes de développement : orchestrer plusieurs appels d'API, gérer l'état des conversations et construire des agents capables de planifier leurs actions représentait jusqu'ici un chantier réservé aux spécialistes du traitement du langage naturel et des systèmes distribués. Strands Agents casse cette barrière grâce à une approche model-driven où c'est le LLM lui-même qui prend en charge la logique et l'enchaînement des outils, le développeur n'ayant plus qu'à fournir un prompt et une liste de fonctions décorées avec @tool. Le framework est agnostique en matière de fournisseur : il fonctionne avec Amazon Bedrock, Anthropic et OpenAI, et supporte des architectures allant du simple agent isolé aux réseaux multi-agents hiérarchiques. Les réponses en streaming temps réel le rendent particulièrement adapté aux interfaces interactives. Cette publication s'inscrit dans une offensive plus large d'AWS pour capter les développeurs dans l'écosystème d'agents IA, un marché en pleine structuration où Google, Microsoft et Anthropic proposent leurs propres frameworks et plateformes. En rendant Strands open source et en le couplant à un IDE maison, AWS mise sur l'effet de réseau et la fidélisation par les outils plutôt que par le seul accès aux modèles. La compatibilité native avec AWS Lambda et IAM Identity Center facilite le passage du prototype à la production sans réécriture, ce qui constitue un argument décisif pour les entreprises déjà ancrées dans l'écosystème cloud d'Amazon. Les prochaines étapes probables incluent l'extension de la bibliothèque de Kiro Powers par la communauté et l'intégration plus étroite de Strands avec d'autres services AWS d'analyse et d'automatisation.

Agent de surveillance de marché avec LangGraph et Strands sur AgentCore

Traduction en cours de l'article sur l'agent de surveillance de marché combinant LangGraph et Strands. Amazon Web Services a publié un article technique détaillant la construction d'un agent de surveillance des marchés financiers combinant deux frameworks complémentaires : LangGraph, pour l'orchestration des workflows multi-agents, et Strands Agents, pour le raisonnement au sein de chaque nœud du système. La solution s'appuie sur Amazon Bedrock AgentCore, lancé l'année dernière, pour le déploiement en production à grande échelle. L'agent principal, baptisé securitymonitor, utilise un modèle Claude via Bedrock (avec un budget de réflexion de 8 000 tokens et une fenêtre de sortie de 16 000 tokens) et s'appuie sur trois outils spécialisés : getreportlist pour lister les rapports disponibles, getreportschema pour charger leur structure, et runreport pour exécuter des requêtes SQL avec des paramètres validés. Le code complet du projet est disponible sur GitHub. Ce choix architectural répond à un problème concret du secteur financier : les systèmes de surveillance des marchés doivent coordonner plusieurs agents spécialisés pour analyser des schémas de trading, enquêter sur des activités suspectes et produire des rapports de conformité, tout en respectant des exigences strictes de fiabilité et de traçabilité. En séparant volontairement la découverte des données de leur récupération, les concepteurs cherchent à limiter deux risques majeurs des agents autonomes : les hallucinations, lorsque le modèle invente des informations, et les attaques par injection, lorsqu'un contenu malveillant détourne le comportement de l'agent. Pour les institutions financières comme pour d'autres secteurs réglementés, cette approche illustre comment rendre des agents IA suffisamment robustes et auditables pour un usage en production réelle, et non plus seulement en démonstration. Cette publication s'inscrit dans une évolution plus large de l'IA générative, qui passe de simples chatbots conversationnels à des systèmes autonomes capables de gérer des processus métier complexes. LangGraph apporte ici un contrôle fin sur l'état partagé entre agents, avec un système de points de contrôle (checkpoints) qui permet de reprendre un workflow après une panne et d'intégrer une supervision humaine lorsque nécessaire. Strands, de son côté, reste agnostique vis-à-vis du fournisseur de modèle et gère la mémoire conversationnelle pour éviter la saturation du contexte. L'arrivée d'Amazon Bedrock AgentCore vise justement à simplifier la mise en production de ce type d'architecture multi-agents, en fournissant l'infrastructure d'observabilité et de fiabilité que les entreprises réclament avant de déployer des agents autonomes sur des cas d'usage sensibles comme la conformité financière.