De spotify à ChatGPT : l’agentique dispose aussi de ses design patterns

Vous connaissez les design patterns ? Ces solutions éprouvées que les développeurs utilisent depuis des décennies pour résoudre des problèmes récurrents d'architecture logicielle. Singleton, Factory, Observer... Un vocabulaire commun qui structure notre façon de concevoir des applications.

Bonne nouvelle : l'agentique a les siens.

Avec l'explosion des systèmes IA comme ChatGPT, Claude ou Gemini, nous ne parlons plus de simples chatbots. Ces agents sont capables de raisonner, planifier, utiliser des outils, mémoriser du contexte et même collaborer entre eux. Mais comment architecturer ces systèmes complexes de manière robuste ?

C'est là qu'interviennent les design patterns agentiques. Antonio Gulli - figure de proue de l'intelligence artificielle, ancien directeur technique chez Google Cloud et auteur de plusieurs ouvrages de référence sur le Deep Learning - a récemment identifié et catégorisé ces nouveaux patterns qui structurent la conception d'agents intelligents. Et ils ne sont pas théoriques : vous les utilisez déjà sans le savoir.

Vous avez déjà remarqué comment votre smartphone vous propose automatiquement de réserver un Uber quand il détecte "Aéroport 10h" dans votre calendrier ? C'est un pattern agentique. Quand ChatGPT corrige sa propre réponse après réflexion ? C'en est un autre. Quand votre montre connectée vous demande si vous voulez lancer un ECG après avoir détecté un rythme cardiaque inhabituel ? Encore un.

Dans cet article, nous explorons 11 patterns essentiels organisés en 5 catégories :

Cognition & raisonnement : comment l'agent pense

Collaboration & communication : comment les agents coopèrent

Connaissance & mémoire : comment l'agent se souvient

Fiabilité & sécurité : comment garantir des sorties fiables

Outils & intégrations : comment l'agent interagit avec le monde

Objectif : vous faire comprendre ces architectures invisibles qui façonnent déjà votre quotidien numérique. Que vous soyez développeur, product manager ou simplement curieux, ces patterns vous permettront de décoder le fonctionnement des IA que vous utilisez chaque jour.

Les 11 design patterns agentiques que vous devez connaître

1. Cognition & raisonnement : quand l'IA pense à voix haute

1.1 Réflexion & auto-réflexion : l'agent qui se corrige

Le pattern en action : vous avez déjà utilisé Claude ou Gemini en mode "thinking" ? Vous voyez alors l'agent réfléchir, remettre en question sa première idée, puis proposer une meilleure solution.

Ce que vous voyez :

[Réflexion en cours...]

Hmm, ma première approche ne prend pas en compte le cas des utilisateurs non connectés. Laissez-moi reconsidérer...

[Nouvelle proposition]

Voici une solution plus robuste qui gère tous les cas...

Pourquoi c'est puissant : au lieu d'obtenir une réponse brute, vous assistez au processus de raisonnement. L'agent s'auto-évalue, détecte ses faiblesses et s'améliore en temps réel.

Cas d'usage concrets :

• Claude Sonnet qui expose son raisonnement interne avant de répondre

• ChatGPT qui reformule sa réponse après avoir identifié une imprécision

• Les modèles o1/o3 d'OpenAI qui "pensent" plusieurs secondes avant de répondre

L'architecture derrière : l'agent génère une première réponse, l'analyse avec un prompt critique ("Quelles sont les faiblesses de cette réponse ?"), puis génère une version améliorée. Ce cycle peut se répéter plusieurs fois.

---

1.2 Planning : quand Claude découpe votre projet

Le pattern en action : vous demandez à Claude de "créer une application de gestion de tâches". Au lieu de foncer tête bas-tête baissée dans le code, il vous présente d'abord un plan structuré.

Ce que vous voyez :

Je vais décomposer ce projet en étapes :

1. Architecture et modèle de données

- Définir les entités (user, task, project)
- Concevoir les relations

2. Backend API

- Authentification
- CRUD des tâches
- Gestion des permissions

3. Frontend

- Interface de connexion
- Dashboard
- Formulaires de création

4. Tests et déploiement

Pourquoi c'est puissant : les grosses tâches deviennent gérables. Vous pouvez valider l'approche avant l'exécution, ajuster les priorités, et suivre la progression.

Cas d'usage concrets :

• Claude qui décompose automatiquement les grosses demandes de développement

• GitHub Copilot Workspace qui crée un plan de modification avant de toucher au code

• Les agents de gestion de projet qui transforment un objectif en roadmap détaillée

L'architecture derrière : l'agent analyse la complexité de la demande, identifie les sous-tâches, établit les dépendances entre elles, et crée un graphe d'exécution ordonné.

---

1.3 Goal setting & monitoring : votre coach IA personnel

Le pattern en action : vous utilisez une application de productivité qui vous dit : "Vous avez complété 7 tâches sur 10 cette semaine. À ce rythme, vous atteindrez votre objectif mensuel avec 3 jours d'avance."

Ce que vous voyez :

• Des objectifs mesurables définis automatiquement

• Un suivi en temps réel de la progression

• Des alertes quand vous déviez du plan

• Des ajustements de stratégie si nécessaire

Pourquoi c'est puissant : l'agent ne se contente pas d'exécuter des tâches, il surveille activement si vous progressez vers vos objectifs et vous alerte en cas de dérive.

Cas d'usage concrets :

• Notion AI qui suit vos OKR (Objectives and Key Results) et vous alerte sur les retards

• Les applications de fitness qui ajustent votre programme si vous ne suivez pas le rythme

• Les CRM intelligents qui surveillent vos objectifs commerciaux et suggèrent des actions

L'architecture derrière : l'agent définit des métriques de succès, collecte des données de progression, compare avec les objectifs, et déclenche des actions correctives si nécessaire.

---

2. Collaboration & communication : l'IA qui travaille avec vous

2.1 Human in the loop : quand l'IA vous demande votre avis

Le pattern en action : vous demandez à ChatGPT : "Comment adopter un chien ?"

Ce que vous voyez :

ChatGPT vous donne les bases : refuges, conditions d'adoption, premiers soins...

Puis il s'arrête et vous demande :

💬 "Voulez-vous que j'approfondisse un aspect particulier ?

- Les démarches administratives détaillées

- Comment choisir la race adaptée à votre mode de vie

- Les coûts à prévoir la première année

- L'éducation et le dressage du chiot"

Pourquoi c'est puissant : au lieu de vous noyer sous une réponse de 3000 mots dont vous n'avez peut-être besoin que d'une partie, l'IA vous laisse guider la conversation. Elle s'arrête aux moments clés pour vérifier qu'elle va dans la bonne direction.

Cas d'usage concrets :

• ChatGPT qui propose d'approfondir certains aspects de sa réponse

• Perplexity qui demande si vous voulez qu'il affine sa recherche web

• Google Photos qui demande confirmation avant de supprimer 50 photos

• Apple Watch qui vous demande si vous voulez lancer un ECG après avoir détecté un rythme cardiaque inhabituel

• Gmail qui suggère une fin de phrase mais vous laisse valider avant insertion

L'architecture derrière : l'agent évalue le niveau de certitude et l'impact de chaque action. Quand l'un des deux est trop élevé (décision importante, action irréversible, situation ambiguë), il interrompt le flux automatique et vous demande de valider ou de préciser votre intention.

---

2.2 A2A (Agent-to-Agent) : la communication invisible

Le pattern en action : vous ne le voyez pas, mais quand vous demandez à votre assistant vocal "Rappelle-moi d'acheter du lait quand je serai au supermarché", plusieurs agents communiquent entre eux :

Ce qui se passe en coulisses :

1. Agent de compréhension : analyse votre demande

2. Agent de localisation : surveille votre position GPS

3. Agent de notification : déclenche l'alerte au bon moment

4. Agent de contexte : vérifie que vous n'avez pas déjà acheté du lait aujourd'hui

Pourquoi c'est puissant : les systèmes complexes nécessitent des agents spécialisés qui collaborent. Ce pattern définit comment ils échangent des informations de manière standardisée.

Cas d'usage concrets :

• Google Assistant qui coordonne plusieurs services (Agenda, Maps, Gmail) pour vous proposer des actions contextuelles

• Zapier qui fait communiquer des centaines d'applications via des agents

• Les systèmes de domotique où différents agents (chauffage, lumière, sécurité) se coordonnent

L'architecture derrière : les agents utilisent des protocoles standardisés (API, messages, événements) pour s'échanger des données structurées. Chaque agent expose ses capacités et consomme celles des autres.

---

3. Connaissance & mémoire : l'IA qui se souvient de vous

3.1 Memory management : ChatGPT connaît votre contexte

Le pattern en action : vous discutez avec ChatGPT depuis plusieurs jours. Il se souvient que vous êtes développeur Python, que vous travaillez sur un projet de e-commerce, et que vous préférez les exemples concrets aux explications théoriques.

Ce que vous voyez :

Vous : Comment gérer les paiements ?

ChatGPT : Vu que vous travaillez en Python sur votre projet e-commerce, je vous recommande Stripe. Voici un exemple concret d'intégration...

Pourquoi c'est puissant : l'agent ne repart pas de zéro à chaque conversation. Il accumule du contexte et personnalise ses réponses en fonction de votre historique.

Cas d'usage concrets :

• ChatGPT qui se souvient de vos préférences et de votre contexte professionnel

• Spotify qui mémorise vos goûts musicaux pour affiner ses recommandations

• Les assistants de support client qui ont accès à tout votre historique d'interactions

• Gmail qui suggère des réponses basées sur votre style de communication habituel

L'architecture derrière : l'agent utilise plusieurs types de mémoire :

• Mémoire court terme : le contexte de la conversation actuelle

• Mémoire long terme : vos préférences et informations persistantes

• Mémoire épisodique : les événements marquants de vos interactions passées

• Mémoire sémantique : les connaissances générales apprises
  

---

4. Fiabilité & sécurité : l'IA qui ne fait pas n'importe quoi

4.1 Guardrails : les garde-fous invisibles

Le pattern en action : vous demandez à un agent de générer du code. Avant de vous le présenter, il vérifie automatiquement :

Ce qui se passe en coulisses :

✓ Le code compile sans erreur

✓ Aucune vulnérabilité de sécurité détectée (injection SQL, XSS...)

✓ Respect des conventions de nommage

✓ Pas de données sensibles en dur dans le code

✓ Les dépendances utilisées sont à jour et sûres

Pourquoi c'est puissant : les LLM peuvent générer du contenu dangereux, incorrect ou inapproprié. Les guardrails sont des filtres de sécurité qui valident et nettoient les sorties avant qu'elles n'atteignent l'utilisateur.

Cas d'usage concrets :

• GitHub Copilot qui évite de suggérer du code avec des vulnérabilités connues

• Les chatbots d'entreprise qui filtrent les informations confidentielles

• Midjourney qui bloque la génération d'images violentes ou inappropriées

• Les assistants juridiques qui vérifient que les conseils donnés sont conformes à la réglementation

L'architecture derrière : avant de retourner une réponse, l'agent la passe à travers plusieurs validateurs :

• Parsers : vérifient la structure (JSON valide, code compilable...)

• Filtres de contenu : détectent le contenu inapproprié

• Validateurs métier : vérifient la cohérence avec les règles business

• Analyseurs de sécurité : détectent les vulnérabilités
  

---

5. Outils & intégrations : l'IA connectée au monde réel

5.1 Routing : l'aiguilleur intelligent

Le pattern en action : vous posez une question complexe à ChatGPT. En coulisses, il analyse votre demande et décide :

Ce qui se passe en coulisses :

Question simple → GPT-3.5 (rapide, économique)

Question complexe → GPT-4 (puissant, coûteux)

Question nécessitant du calcul → exécution de code Python

Question nécessitant des données récentes → recherche web

Pourquoi c'est puissant : toutes les tâches ne nécessitent pas le même niveau de puissance. Le routing optimise coût, vitesse et qualité en dirigeant chaque requête vers la ressource la plus adaptée.

Cas d'usage concrets :

• ChatGPT qui bascule entre différents modèles selon la complexité

• Les plateformes de support client qui routent les tickets simples vers un bot et les complexes vers un humain

• Perplexity qui choisit entre recherche web, base de connaissances ou calcul direct

• Les systèmes de traduction qui utilisent des modèles spécialisés par langue

L'architecture derrière : un agent "routeur" analyse chaque requête (complexité, domaine, urgence...) et la dirige vers l'agent ou le modèle le plus approprié. Il peut aussi combiner plusieurs sources.

---

5.2 Tool Use : quand ChatGPT sait calculer

Le pattern en action : vous demandez à ChatGPT : "Combien font 47 × 89 + √2456 ?"

Ce que vous voyez :

[ChatGPT utilise l'outil de calcul Python]

Résultat : 4183 + 49.56 = 4232.56

Pourquoi c'est puissant : les LLM sont excellents pour comprendre le langage, mais mauvais en calcul précis. Au lieu de deviner, ils peuvent appeler des outils externes (calculatrice, API, base de données...) pour obtenir des réponses exactes.

Cas d'usage concrets :

• ChatGPT qui exécute du code Python pour les calculs complexes

• Gemini qui peut chercher sur Google, lire vos emails Gmail, ou consulter votre agenda

• GitHub Copilot qui accède à la documentation des bibliothèques en temps réel

• Siri qui peut envoyer des messages, régler des alarmes, ou contrôler votre domotique

• Les agents de réservation qui consultent des API de disponibilité en temps réel

L'architecture derrière : l'agent dispose d'un catalogue d'outils (functions) avec leurs descriptions. Quand il détecte qu'un outil est nécessaire, il :

1. Identifie l'outil approprié

2. Prépare les paramètres d'appel

3. Exécute l'outil

4. Intègre le résultat dans sa réponse

5. C'est ce qu'on appelle le function calling.
   

---

5.3 MCP (Model Context Protocol) : l'orchestration invisible

Le pattern en action : vous avez un événement dans votre calendrier : "Aéroport Charles de Gaulle - 18 avril 10h". Le matin du 18 avril à 7h, votre smartphone vous envoie une notification :

Ce que vous voyez :

🚗 Votre vol est dans 3h

Uber vers CDG Terminal 2E

Départ : 7h45 (dans 45 min)

Durée : 1h10 (trafic modéré)

Prix estimé : 45€

[Réserver maintenant]

Ce qui s'est passé en coulisses :

1. Agent Calendrier : détecte l'événement "Aéroport 10h"

2. Agent Météo : vérifie les conditions (pas de neige)

3. Agent Trafic : calcule le temps de trajet réel

4. Agent Vol : vérifie que votre vol est à l'heure

5. Agent Uber : pré-calcule le prix et la disponibilité

6. Agent Notification : vous présente tout ça en un clic

Pourquoi c'est puissant : vous ne voyez qu'une simple notification, mais 5 agents différents ont collaboré pour vous proposer exactement ce dont vous avez besoin, au bon moment, sans que vous n’ayez rien demandé.

Cas d'usage concrets :

• Apple Intelligence qui coordonne Calendrier, Plans, Météo et Messages pour vous suggérer des actions contextuelles

• Google Assistant qui combine Gmail (détection de réservation), Maps (itinéraire) et Agenda (rappel)

• Cursor qui connecte votre éditeur de code avec Git, les tests, le linter et la documentation

• Notion qui synchronise vos tâches avec votre calendrier, vos emails et vos outils de gestion de projet

L'architecture derrière : le MCP (Model Context Protocol) est un standard de communication qui permet à différents agents et services de partager du contexte de manière sécurisée et structurée. Au lieu que chaque application fonctionne en silo, elles peuvent :

• Partager des données (votre calendrier informe Uber de vos déplacements)

• Déclencher des actions (la détection d'un vol déclenche une recherche Uber)

• Se coordonner (tous les agents travaillent ensemble vers un objectif commun)

C'est la différence entre des applications isolées et un écosystème intelligent.

---

5.4 RAG (Retrieval-Augmented Generation) : l'IA qui connaît vos données

Le pattern en action : vous utilisez un chatbot sur le site de votre banque et vous demandez : "Quelles sont les conditions du prêt immobilier ?"

Ce que vous voyez :

D'après notre documentation à jour (mise à jour le 15/03/2024) :

Prêt immobilier Banque XYZ :

- Taux fixe : à partir de 3.2% sur 20 ans

- Apport minimum : 10% du montant

- Frais de dossier : 500€

- Assurance emprunteur incluse

[Source : Guide des prêts immobiliers 2024, page 12]

Pourquoi c'est puissant : les LLM sont entraînés sur des données qui datent de plusieurs mois. Le RAG leur permet d'accéder à vos données privées et à jour (documentation interne, base de connaissances, fichiers...) pour donner des réponses précises et sourcées.

Cas d’usage concrets :

• Les chatbots d’entreprise qui répondent en se basant sur votre documentation interne

• Notion AI qui peut chercher dans toutes vos notes et documents

• ChatGPT Enterprise qui peut accéder aux documents de votre organisation

• Les assistants de code qui connaissent votre codebase spécifique

• Les tools de support client qui cherchent dans votre base de connaissances

L'architecture derrière :

1. Indexation : vos documents sont découpés en morceaux et transformés en vecteurs (embeddings)

2. Stockage : ces vecteurs sont stockés dans une base de données vectorielle

3. Recherche : quand vous posez une question, elle est aussi transformée en vecteur

4. Récupération : le système trouve les morceaux de documents les plus pertinents

5. Génération : le LLM génère une réponse en se basant sur ces documents

La différence avec une simple recherche : au lieu de vous renvoyer des liens, le RAG comprend votre question, trouve les informations pertinentes, et formule une réponse synthétique en citant ses sources.

---

L’agentique est déjà là - à vous d’utiliser intelligemment les design patterns

Ces 11 design patterns ne sont pas de la science-fiction. Vous les utilisez déjà quotidiennement :

• Quand ChatGPT corrige sa propre réponse → Réflexion & auto-réflexion

• Quand Claude décompose votre projet → Planning

• Quand Cursor demande confirmation → Human in the loop

• Quand votre smartphone coordonne plusieurs apps → A2A communication

• Quand Spotify se souvient de vos goûts → Memory management

• Quand Copilot évite les vulnérabilités → Guardrails

• Quand Perplexity choisit la bonne source → Routing

• Quand Gemini fait des calculs précis → Tool use

• Quand votre téléphone vous propose un Uber → MCP

• Quand un chatbot cite votre documentation → RAG

Et maintenant ?

Maintenant que vous connaissez ces patterns, vous pouvez :

1. Les reconnaître dans les outils que vous utilisez

2. Les combiner pour créer des systèmes plus puissants

3. Les implémenter dans vos propres projets

L'agentique n'est plus une technologie émergente, c'est déjà votre quotidien. La seule question est : allez-vous subir ces architectures ou les maîtriser ?

---

Pour aller plus loin

Ressources recommandées :

• La taxonomie complète d'Antonio Gulli sur les design patterns agentiques

• La documentation officielle du Model Context Protocol (MCP)

• Les guides d’implémentation de LangChain et LlamaIndex

Prochaines étapes :

• Expérimentez avec les frameworks d'agents (AutoGPT, LangChain, CrewAI)

• Construisez votre premier agent avec le pattern RAG

• Explorez les architectures multi-agents