Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
Des systèmes pilotés par les événements aux systèmes augmentés par la cognition
Les architectures cloud modernes, en particulier celles basées sur des principes sans serveur et pilotés par les événements, se sont traditionnellement appuyées sur des modèles tels que le routage, le fan-out et l'enrichissement pour créer des systèmes réactifs et évolutifs. Les systèmes d'IA agentic s'appuient sur ces fondements tout en les recadrant autour du raisonnement augmenté par le LLM et de la flexibilité cognitive. Cette approche permet des capacités de résolution de problèmes et d'automatisation plus sophistiquées, susceptibles de révolutionner la manière dont les tâches complexes sont gérées dans les environnements cloud.
Architecture basée sur les événements
Le schéma suivant montre un système distribué typique :
-
Un utilisateur envoie une demande à Amazon API Gateway.
-
Amazon API Gateway achemine la demande vers une AWS Lambda fonction.
-
AWS Lambda enrichit les données en interrogeant une base de données Amazon Aurora
-
Amazon API Gateway renvoie la charge utile enrichie à l'appelant.
Cette structure est à la fois fiable et évolutive, mais elle est fondamentalement statique. Les règles métier et les chemins logiques doivent être explicitement codés, et l'adaptation à des contextes changeants ou à des informations incomplètes est limitée.
Flux de travail augmentés par la cognition
Les architectures agentic ajoutent une augmentation cognitive à un système piloté par les événements. Le schéma suivant montre un équivalent agentique :
-
Un utilisateur soumet une requête via un SDK ou un appel d'API.
-
Un agent Amazon Bedrock reçoit la requête.
-
L'agent interprète la requête en invoquant un LLM
-
L'agent effectue un enrichissement sémantique en effectuant des recherches dans la base de connaissances Amazon Bedrock ou dans d'autres sources de données externes.
-
Le LLM synthétise une réponse riche en contexte et alignée sur les objectifs.
-
Le système renvoie une réponse synthétisée à l'utilisateur.
Dans ce flux, le LLM utilise la logique, comprend l'intention, récupère et combine le contexte pertinent, puis décide de la meilleure façon de répondre. Ce modèle reflète le modèle d'enrichissement traditionnel, dans lequel les messages sont complétés par des données externes avant d'être acheminés ultérieurement. Dans les systèmes agentiques, toutefois, cet enrichissement n'est pas une recherche statique. L'enrichissement est plutôt dynamique, guidé sémantiquement et motivé par un objectif.
Informations de base
Chaque flux de travail LLM peut être mappé à un modèle de flux de travail agentic, qui reflète et fait évoluer les styles d'architecture traditionnels axés sur les événements. L'un des éléments de base des flux de travail agentiques est la capacité d'enrichir le contexte d'un LLM avec des données, des outils et de la mémoire. Cela crée une boucle de raisonnement informée, adaptative et alignée sur l'intention de l'utilisateur. Alors que les systèmes traditionnels enrichissent les messages avec des données de recherche, les systèmes agentic permettent aux logiciels d'agir moins comme des scripts que comme des collaborateurs intelligents.
