OutilsMarkTechPost · 25 juil. 2026, 11:54· 2 min de lecture

Les agents IA auto-évolutifs avec OpenSpace : skills, MCP, lignage et réutilisation à faible coût

Un nouveau framework open source baptisé OpenSpace, développé par l'équipe de recherche HKUDS, propose de construire des agents IA capables de faire évoluer et de réutiliser leurs propres compétences au fil du temps. Le projet, hébergé sur GitHub, nécessite Python 3.12 ou supérieur et s'installe via un clonage du dépôt suivi d'une installation en mode éditable. Un tutoriel détaillé montre comment configurer l'environnement : définir les clés d'API Anthropic ou OpenAI, choisir un modèle comme Claude Sonnet 4.5, puis créer un espace de travail dédié et un dossier de compétences, ou "skills". Une fois la configuration terminée, l'agent peut exécuter des tâches concrètes, par exemple écrire une fonction Python qui analyse un fichier CSV d'heures travaillées et calcule une paie hebdomadaire incluant les heures supplémentaires majorées à 1,5 fois le taux normal, avec un test sur un jeu de données synthétique. Chaque compétence développée par l'agent est enregistrée dans une base SQLite locale, avec un système de versionnage et de traçabilité qui indique son origine : corrigée (FIX), dérivée d'une compétence existante (DERIVED) ou capturée directement lors d'une exécution (CAPTURED).

Cette approche répond à un problème central des agents IA actuels : la réinvention permanente de solutions déjà trouvées, qui gonfle les coûts en tokens et en temps de calcul à chaque nouvelle tâche similaire. En stockant et en réutilisant les compétences déjà validées plutôt qu'en régénérant du code ou des raisonnements depuis zéro, OpenSpace promet de réduire les coûts d'exécution pour les tâches répétitives ou proches de celles déjà rencontrées, un enjeu important pour les équipes techniques qui déploient des agents IA en production sur de gros volumes de requêtes. Le fait que ces compétences soient formalisées sous forme de fichiers SKILL.md et connectables à des agents hôtes via le protocole MCP les rend également portables d'un projet à l'autre. Cette architecture transforme potentiellement un agent IA d'un outil sans mémoire, qui recommence chaque tâche depuis zéro, en un système capable d'accumuler une expertise réutilisable, réduisant latence et facture des appels aux modèles de langage.

OpenSpace s'inscrit dans une tendance plus large de l'écosystème des agents IA, où le protocole MCP, popularisé par Anthropic, s'impose progressivement comme standard pour connecter les modèles de langage à des outils et des sources de données externes. Le projet intègre un serveur MCP en streaming HTTP, permettant à d'autres agents ou applications de puiser directement dans la bibliothèque de compétences accumulées, ainsi qu'un tableau de bord baptisé "openspace-dashboard" pour visualiser et analyser cette base évolutive. Cette capacité à conserver des compétences dans une base structurée, avec traçabilité complète de leur lignée, s'inscrit dans les efforts de la communauté open source pour rendre les agents IA plus autonomes et plus économiques, à un moment où les coûts d'inférence des grands modèles restent un frein majeur à leur déploiement à grande échelle. Le projet, publié sous l'organisation HKUDS sur GitHub, laisse entrevoir de futures itérations où plusieurs agents pourraient partager et affiner collectivement leurs capacités.

Dans nos dossiers

Agents IA Anthropic Open weight & Open source OpenAI

Cet article vous a été utile ?

Vu une erreur factuelle dans cet article ? Signalez-la. Toutes les corrections valides sont publiées sur /corrections.

À lire aussi

1MarkTechPost

EverOS : runtime de mémoire open source pour agents, récupération hybride BM25/vectorielle et compétences auto-évolutives

EverMind a publié EverOS, un moteur de mémoire open source pour agents IA, sous licence Apache 2.0. Le projet s'attaque à un problème fondamental des grands modèles de langage : leur absence d'état persistant. Dès qu'une conversation se termine, le contexte disparaît. EverOS propose une approche différente : plutôt que d'enfermer la mémoire dans une base de données vectorielle opaque, il stocke chaque souvenir sous forme de fichiers Markdown ordinaires. Ces fichiers deviennent la source de vérité que les agents lisent, modifient et interrogent entre les sessions. La bibliothèque Python s'appuie sur une pile de stockage en trois couches : Markdown comme source canonique, SQLite pour la gestion des états et des files d'attente, et LanceDB pour les vecteurs et les index. La récupération est hybride : une seule requête LanceDB combine la recherche par mots-clés BM25, la recherche vectorielle dense et un filtrage scalaire, ce que l'équipe nomme mRAG. Les performances annoncées par EverMind sont de 93,05 % sur le benchmark LoCoMo, 83,00 % sur LongMemEval, et une latence p95 inférieure à 500 ms. Ce que change EverOS pour les développeurs d'agents, c'est avant tout l'inspectabilité et la portabilité. Les fichiers .md peuvent être ouverts dans n'importe quel éditeur, versionnés avec Git, ou consultés dans Obsidian. Il n'y a pas besoin de MongoDB, Elasticsearch, Milvus, Redis ou Kafka, ce qui réduit considérablement le coût opérationnel pour les développeurs indépendants et les petites équipes. L'architecture distingue deux pistes mémoire : côté utilisateur, des Profils, Épisodes, Faits et Prévisions ; côté agent, des Cas et des Compétences. Cette séparation est rare dans les bibliothèques concurrentes qui se concentrent généralement sur l'historique de chat. La mémoire procédurale est la fonctionnalité la plus distinctive : EverOS enregistre chaque tâche complétée comme un Cas, puis distille offline les patterns réussis en Compétences réutilisables partagées entre agents, sans curation manuelle. Le runtime est compatible avec le protocole OpenAI et se connecte à OpenRouter, vLLM, Ollama ou DeepInfra via un simple changement d'URL. EverOS s'inscrit dans une tendance plus large de recherche d'alternatives aux architectures mémoire complexes et coûteuses pour les systèmes agentiques. La version 1.1.0 a introduit des APIs de Knowledge pour des pages Markdown adossées à des sources taxonomiques, ainsi qu'un processus de Réflexion offline qui fusionne des clusters d'épisodes et affine les profils entre sessions. EverMind propose également EverOS Cloud pour les équipes qui préfèrent ne pas gérer l'infrastructure, avec parité complète du SDK et du format mémoire avec la version auto-hébergée. Les scores de benchmark sont prometteurs mais proviennent d'EverMind eux-mêmes, ce qui appelle une vérification sur des charges de travail réelles avant adoption en production.

OutilsOutil

1 source

2MarkTechPost

Le Context Bridge d'IWE : graphe de connaissances IA avec RAG à base d'agents et appels de fonctions OpenAI

Un tutoriel publié récemment sur la plateforme analytique Towards Data Science détaille l'implémentation d'IWE, un système open-source de gestion des connaissances personnelles écrit en Rust, transformé en graphe de connaissances piloté par intelligence artificielle. Le projet s'appuie sur l'API OpenAI, la bibliothèque Python Graphviz et un pipeline RAG agentique (Retrieval-Augmented Generation) pour permettre à un agent IA de naviguer dans des notes Markdown interconnectées. Concrètement, le tutoriel guide le développeur dans la construction d'une base de connaissances complète à partir de zéro : chaque note devient un nœud dans un graphe orienté, les liens wiki ([[note]]) et les liens Markdown standard constituent les arêtes, et IWE expose ses opérations clés via une interface CLI — recherche floue (find), récupération contextuelle (retrieve), affichage de hiérarchie (tree), consolidation de documents (squash), statistiques (stats) et export au format DOT pour visualisation. L'intérêt concret de cette architecture réside dans la capacité d'un agent à effectuer un raisonnement multi-sauts entre documents reliés, à identifier des lacunes dans la base de connaissances et à générer automatiquement de nouvelles notes qui s'intègrent dans la structure existante. Pour les développeurs et les équipes techniques, cela représente un changement significatif dans la façon d'exploiter la documentation interne : au lieu de chercher manuellement dans des dossiers de notes, un agent invoque des outils de function calling OpenAI pour traverser le graphe, extraire des résumés, suggérer des liens manquants et isoler les tâches à accomplir (todo extraction). La précision du graphe de rétroliens — chaque document connaît ses documents référents — permet un contexte réellement pertinent transmis au modèle de langage, contrairement aux approches RAG classiques basées sur la similarité vectorielle seule. IWE s'inscrit dans un mouvement plus large autour des systèmes de gestion des connaissances personnelles (PKM) popularisés par des outils comme Obsidian ou Roam Research, mais avec une philosophie orientée développeur : tout est fichier texte, tout est scriptable, et le LSP (Language Server Protocol) permet une intégration directe dans les éditeurs de code comme Neovim ou VS Code. En greffant OpenAI par-dessus cette infrastructure légère, le tutoriel illustre une tendance croissante dans l'outillage IA : plutôt que de recourir à des plateformes centralisées et coûteuses, construire des pipelines agentiques sur des bases de connaissances locales, contrôlées, versionnées sous Git. La prochaine étape logique pour ce type de système serait l'intégration de modèles locaux via Ollama, afin de s'affranchir totalement des API externes pour les cas d'usage sensibles ou hors-ligne.

OutilsOutil

1 source

3AWS ML Blog

« Évaluer les agents IA : un modèle de production avec Strands et AgentCore »

Motorway, une place de marché britannique de voitures d'occasion en ligne, organise chaque jour une enchère où jusqu'à 8 000 concessionnaires se disputent jusqu'à 2 500 véhicules. L'entreprise a collaboré avec l'équipe AWS Prototyping and AI Customer Engineering (PACE) pour développer un agent IA de recherche de stock destiné à ses concessionnaires, capable de remplacer des heures de filtrage manuel par de simples requêtes en langage naturel. Ensemble, elles ont construit un pipeline d'évaluation de bout en bout qui a fait chuter le taux de résultats erronés d'une requête sur huit à une sur cinquante, tout en réduisant le temps de détection des problèmes de plusieurs heures à quelques minutes seulement. L'agent repose sur le SDK Strands Agents combiné à Amazon Bedrock AgentCore, le service entièrement géré d'AWS pour déployer et exploiter des agents IA à grande échelle. Il expose huit outils associant un filtrage structuré sur plus de 89 attributs de véhicules à une recherche par similarité vectorielle, propulsée par la base LanceDB et les embeddings Amazon Titan Text Embeddings V2. Un concessionnaire peut désormais demander « des SUV diesel à moins de 25 000 livres près de mon site » ou « quelque chose de sportif et automatique pour une famille », plutôt que de parcourir des fichiers CSV et des filtres rigides pendant des heures. Le système absorbe environ 1 500 utilisateurs simultanés aux heures de pointe. Cette fiabilité n'est pas un détail cosmétique : de l'argent réel est en jeu à chaque enchère. Une erreur de sélection d'outil par l'agent renvoie de mauvais résultats et érode la confiance des concessionnaires ; une mauvaise interprétation sémantique fait remonter des annonces hors sujet ; une dérive du contexte au fil d'une conversation à plusieurs tours fait perdre les critères affinés par l'utilisateur ; et la nature non déterministe des réponses rend les tests à essai unique peu fiables. Une requête aussi banale que « voitures essence, hybrides et électriques de moins de cinq ans » exige déjà que l'agent interprète correctement plusieurs contraintes combinées. Sans méthode d'évaluation rigoureuse, ces failles restent invisibles jusqu'à ce qu'un concessionnaire tombe sur un résultat absurde, avec un impact direct sur la confiance et, potentiellement, sur les transactions. AWS a publié un dépôt compagnon documentant une méthodologie transposable à d'autres agents, au-delà de son propre écosystème. Elle repose sur une évaluation en deux temps : des tests réalisés en amont du déploiement avec la bibliothèque open source strands-agents-evals, puis une surveillance en production via Amazon Bedrock AgentCore Evaluations. S'y ajoute un cadre à trois niveaux, évaluant l'usage des outils, le raisonnement et la qualité des réponses, ainsi qu'un pipeline de déploiement en cinq étapes doté de portes de qualité qui bloquent une mise en production si les métriques passent sous un seuil défini, notamment via l'indicateur pass^k mesurant la constance des réponses. Le déploiement initial prend de 30 à 45 minutes, son adaptation à un autre domaine deux à trois heures, pour un coût d'environ 5 à 10 dollars de calcul via Bedrock. Le dépôt applique par ailleurs des rôles IAM à privilèges minimaux et stocke les clés API dans AWS Systems Manager Parameter Store plutôt que dans des variables d'environnement.

OutilsActu

1 source

4Le Big Data

ChatGPT Workspace Agents : OpenAI révolutionne le travail d’équipe ?

OpenAI a annoncé le 22 avril 2026 le déploiement des Workspace Agents dans ChatGPT, une mise à jour majeure qui transforme l'outil en agents autonomes capables d'exécuter des tâches complexes en arrière-plan. Contrairement à l'assistant conversationnel classique qui attend des instructions à chaque étape, ces agents s'intègrent nativement à des outils tiers, Slack, Google Drive, CRM, et continuent de travailler dans le cloud même lorsque l'utilisateur est déconnecté. Concrètement, un agent peut être configuré pour récupérer automatiquement les statistiques hebdomadaires depuis plusieurs plateformes, les compiler et publier un résumé à heure fixe sur un canal d'équipe. Un autre peut surveiller l'arrivée de nouveaux prospects dans un CRM, analyser leur profil en ligne et préparer un brouillon d'e-mail personnalisé prêt à envoyer. Un troisième peut répondre en temps réel aux questions internes sur Slack à partir d'une base de connaissances connectée. Ce basculement d'un outil réactif vers un collaborateur proactif représente un changement structurel pour les entreprises. Jusqu'ici, l'IA générative nécessitait une supervision permanente : chaque étape d'un flux de travail devait être déclenchée manuellement. Avec les Workspace Agents, des processus entiers, reporting, prospection, support interne, peuvent être délégués à la machine, libérant les équipes pour des tâches à plus haute valeur ajoutée. Le rôle de l'utilisateur évolue de celui d'opérateur à celui de manager : il définit les objectifs, valide les résultats, mais ne gère plus l'exécution. Pour les PME sans équipes techniques dédiées, l'impact peut être particulièrement significatif, en leur donnant accès à un niveau d'automatisation autrefois réservé aux grandes organisations dotées de systèmes complexes. Ce lancement s'inscrit dans une course intense entre les grands acteurs de l'IA à transformer leurs modèles en plateformes d'action autonome. Microsoft intègre des capacités similaires via Copilot dans sa suite 365, Google pousse ses agents dans Workspace, et des startups comme Zapier ou Make repositionnent également leurs offres face à cette nouvelle concurrence. OpenAI, dont les revenus annuels dépassent désormais les 3 milliards de dollars selon les dernières estimations, cherche à ancrer ChatGPT au coeur des workflows professionnels pour justifier ses abonnements Teams et Enterprise. La question qui reste ouverte est celle de la gouvernance : laisser des agents agir de façon autonome sur des outils d'entreprise soulève des enjeux de sécurité, de traçabilité et de contrôle des accès que les entreprises devront adresser avant tout déploiement à grande échelle.

UELes entreprises européennes devront évaluer la conformité RGPD des Workspace Agents avant déploiement, notamment sur le traitement autonome de données internes par des agents cloud opérant hors supervision directe.

OutilsOutil

1 source

Recevez l'essentiel de l'IA chaque jour

Une sélection éditoriale quotidienne, sans bruit. Directement dans votre boîte mail.

Recevez l'essentiel de l'IA chaque jour

Gratuit · 1 email le matin, l'essentiel de l'IA · désinscription en un clic