Structure des Agents par Modèle LLM

Introduction

Ce document explique la nouvelle organisation des agents par modèle LLM. Cette structure permet de personnaliser les prompts et les paramètres pour chaque modèle LLM spécifique, tout en maintenant une architecture cohérente.

Organisation des Répertoires

agents/
├── deepseek/
│   └── agent_ticket_analyser.py
├── llama_vision3.2/
│   ├── agent_image_analyser.py
│   └── agent_image_sorter.py
├── mistral_large/
│   ├── agent_ticket_analyser.py
│   └── agent_report_generator.py
├── mistral_medium/
│   ├── agent_ticket_analyser.py
│   └── agent_report_generator.py
├── pixtral12b/
│   ├── agent_image_analyser.py
│   └── agent_image_sorter.py
├── pixtral_large/
│   ├── agent_image_analyser.py
│   └── agent_image_sorter.py
├── qwen2.5/
│   ├── agent_ticket_analyser.py
│   └── agent_report_generator.py
└── utils/
    ├── agent_info_collector.py
    ├── base_agent.py
    ├── csv_exporter.py
    ├── report_formatter.py
    └── report_utils.py

Principes d'Organisation

Agents par LLM : Chaque dossier correspond à un modèle LLM spécifique et ne contient que les agents utilisés par ce modèle.
Utilitaires Communs : Le dossier utils contient les classes et fonctions communes à tous les agents.
BaseAgent : Tous les agents héritent de la classe BaseAgent située dans utils/base_agent.py.

Modèles LLM et Spécialisation des Agents

Voici les spécialisations recommandées pour chaque LLM :

Mistral Medium : Analyse de tickets et génération de rapports (tâches textuelles)
Mistral Large : Analyse de tickets complexes et génération de rapports détaillés
Pixtral 12B : Tri et analyse d'images (modèle multimodal de taille moyenne)
Pixtral Large : Tri et analyse d'images complexes (modèle multimodal grande taille)
Llama Vision 3.2 : Alternative pour le tri et l'analyse d'images
Qwen 2.5 : Génération de rapports dans un style spécifique
DeepSeek : Analyse de tickets techniques

Tests d'Orchestration

Les fichiers test_orchestrator_*.py sont configurés pour utiliser des combinaisons spécifiques d'agents :

test_orchestrator.py : Utilise Mistral Medium et Pixtral 12B
test_orchestrator_large.py : Utilise Mistral Large et Pixtral Large
test_orchestrator_llama_vision.py : Utilise Llama Vision pour l'analyse d'images
test_orchestrator_deepseek.py : Utilise DeepSeek pour l'analyse de tickets
test_orchestrator_qwen_specialized.py : Utilise Qwen pour la génération de rapports

Personnalisation des Prompts

Le principal avantage de cette structure est la possibilité de personnaliser les prompts et les paramètres pour chaque modèle LLM. Les fichiers d'agents pour différents LLM peuvent avoir des prompts spécifiques optimisés pour les caractéristiques et capacités de chaque modèle.

Comment Ajouter un Nouvel Agent pour un LLM

Choisissez le répertoire du LLM approprié ou créez-en un nouveau
Copiez un agent existant comme modèle
Personnalisez les prompts et paramètres pour le nouveau LLM
Mettez à jour les imports dans les fichiers de test

Développement Futur

La nouvelle structure facilite :

L'ajout de nouveaux modèles LLM sans modifier le code existant
L'optimisation des prompts pour chaque modèle spécifique
Les tests comparatifs entre différentes implémentations des mêmes agents
L'évolution indépendante des agents pour chaque LLM

3.6 KiB Raw Permalink Blame History