OutilsAWS ML Blog · 28 juil. 2026, 21:24· 2 min de lecture

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.

Dans nos dossiers

AWS Agents IA

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

1AWS 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

2AWS ML Blog

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.

OutilsOutil

1 source

3MarkTechPost

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

Un tutoriel publié récemment détaille la construction d'un assistant de recherche agentique fonctionnant sur l'infrastructure d'inférence de Groq, en combinant LangGraph, LangChain et le modèle open source Llama 3.3 70B Versatile de Meta. L'architecture repose sur l'endpoint compatible OpenAI de Groq, disponible gratuitement via console.groq.com, ce qui permet d'utiliser l'interface ChatOpenAI de LangChain sans modifier le code en profondeur, simplement en redirigeant la clé API et l'URL de base. L'agent ainsi construit dispose d'un ensemble d'outils concrets: recherche web via DuckDuckGo, récupération de pages, lecture et écriture de fichiers, exécution de code Python, délégation à des sous-agents spécialisés, et une mémoire persistante entre les sessions. Le tout s'appuie sur des bibliothèques comme BeautifulSoup4 pour le parsing HTML et Pydantic pour la validation des données. Ce qui rend cette approche notable, c'est la combinaison d'une infrastructure gratuite et d'une architecture capable de raisonnement multi-étapes. L'agent ne se contente pas de répondre à une question: il décompose un sujet de recherche en sous-questions, interroge plusieurs sources, croise les informations pour identifier les consensus et les divergences, puis génère des rapports structurés sauvegardés dans un répertoire de sortie. La mémoire à long terme lui permet de réutiliser des connaissances acquises lors d'exécutions précédentes, évitant de recommencer from scratch à chaque session. Pour les développeurs et chercheurs qui cherchent à automatiser des workflows de veille ou d'analyse documentaire, cette architecture offre un point de départ fonctionnel sans coût d'inférence immédiat. Ce tutoriel s'inscrit dans une tendance de fond qui voit LangGraph s'imposer comme framework de référence pour les systèmes agentiques en Python, face à des alternatives comme AutoGen ou CrewAI. Groq, de son côté, mise sur la vitesse d'inférence permise par ses puces LPU propriétaires pour attirer les développeurs avec un tier gratuit généreux, dans l'espoir de les convertir en clients payants à l'échelle. L'utilisation de Llama 3.3 70B, modèle open source de Meta, illustre également la montée en puissance des modèles non propriétaires capables d'exécuter du tool calling fiable, compétence longtemps réservée aux modèles fermés comme GPT-4. La prochaine étape naturelle pour ce type de système serait l'intégration de sources structurées, une mémoire vectorielle plus sophistiquée, ou le déploiement dans des environnements de production avec contrôle des coûts.

OutilsTuto

1 source

4AWS ML Blog

AgentWatch : surveillance proactive d'AWS avec des agents de veille

AgentWatch est un agent de surveillance AWS dit "ambiant", développé par Amazon et déployé sur Amazon Bedrock, conçu pour transformer la façon dont les équipes DevOps gèrent l'infrastructure cloud. Plutôt que de réagir aux alertes CloudWatch après que les problèmes ont déjà affecté les utilisateurs, AgentWatch effectue des vérifications automatiques toutes les 15 minutes, analysant les métriques, journaux et alarmes CloudWatch sur plusieurs comptes AWS simultanément. Les rapports synthétiques sont envoyés directement sur Slack, et l'outil répond aux requêtes en langage naturel sur l'état de l'infrastructure. Le système repose sur trois modes d'interaction "human-in-the-loop" qui maintiennent une supervision humaine appropriée tout en maximisant l'automatisation. L'enjeu est considérable pour les équipes d'ingénierie cloud : selon le problème décrit par Amazon, les erreurs AWS Lambda s'accumulent inaperçues, les dégradations de performance EC2 passent sous le radar jusqu'aux signalements clients, et les ingénieurs d'astreinte souffrent de "fatigue aux alertes" en jonglant entre outils fragmentés. AgentWatch vise à éliminer ce cycle réactif en assurant une veille continue sans intervention humaine constante, libérant du temps pour l'innovation plutôt que la lutte contre les incidents. Concrètement, l'outil traduit des données dispersées, métriques, logs de dizaines de services, alarmes en cascade, en informations exploitables, n'impliquant les équipes humaines que lorsque leur jugement est véritablement nécessaire. Ce projet s'inscrit dans une tendance plus large de l'industrie vers les "agents ambiants", une nouvelle catégorie de systèmes IA événementiels et autonomes capables de traiter plusieurs flux de données en parallèle. Contrairement aux outils de monitoring traditionnels qui exigent des requêtes manuelles et une analyse humaine continue, ces agents opèrent en arrière-plan de façon persistante, à la manière d'un collaborateur invisible. Pour Amazon, c'est aussi une démonstration concrète des capacités d'Amazon Bedrock comme socle pour des applications d'IA opérationnelle en entreprise. La question des suites reste ouverte : l'adoption large de tels agents dans les environnements cloud complexes nécessitera de définir précisément les frontières entre décision automatisée et validation humaine, notamment pour les actions correctives à fort impact comme le redémarrage d'instances ou la modification de configurations critiques.

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