Construire des agents de recherche pour des insights technologiques Lorsqu’on demande à un modèle comme ChatGPT : « Fais une recherche sur toute la technologie et résume-moi les tendances selon ce que tu penses que je trouverais intéressant », on obtient généralement un résultat générique : une sélection limitée de sites web et d’articles, sans profondeur ni personnalisation. Cela s’explique par le fait que ces modèles sont conçus pour des usages généralistes, utilisant des méthodes de recherche standard qui ne vont pas au-delà de quelques pages. Cet article montre comment créer un agent spécialisé capable de fouiller l’ensemble du paysage technologique, d’agréger des millions de textes, de filtrer les informations selon un profil utilisateur précis, et d’identifier des tendances exploitables. L’objectif ? Remplacer des heures de navigation manuelle sur les forums et réseaux sociaux par un système automatisé qui fait le travail à votre place. Ce système repose sur trois piliers : une source de données unique, un flux de travail contrôlé et des techniques de chaînage de prompts. Grâce au cache, le coût d’un rapport reste inférieur à quelques centimes. Pour tester l’agent sans le déployer soi-même, on peut rejoindre un serveur Discord ; le code source est disponible sur GitHub pour ceux qui souhaitent le reproduire. Préparation des données La clé du succès réside dans la qualité de la base de données. Beaucoup sous-estiment le fait que les LLM ne peuvent pas encore traiter et agréger des données de manière autonome et fiable. Même si les modèles évoluent, ils ont besoin de pipelines bien structurés. Le système décrit ici repose sur une base de données préalablement alimentée : des milliers de textes provenant de forums techniques sont collectés quotidiennement. Des petits modèles NLP extrayent les mots-clés, les catégorisent et analysent le sentiment. Cela permet de repérer les sujets en forte croissance dans chaque domaine. Un endpoint supplémentaire a été ajouté pour extraire des « faits » associés à chaque mot-clé : il trie les commentaires par engagement, traite les textes par morceaux avec des modèles légers, et conserve uniquement les éléments pertinents. Un dernier LLM résume les faits les plus significatifs, en conservant les références sources — une approche inspirée du moteur de citations de LlamaIndex. La première requête pour un mot-clé peut prendre jusqu’à 30 secondes, mais les résultats sont mis en cache. Les requêtes ultérieures prennent quelques millisecondes. En utilisant des modèles légers, le coût pour plusieurs centaines de mots-clés par jour reste négligeable. Petits vs grands modèles Le choix de la taille du modèle est crucial. Bien qu’il existe des modèles très avancés, leur utilisation intensive peut rapidement devenir coûteuse. Pour les tâches comme le routage, l’analyse de texte ou la structuration des données, les petits modèles sont souvent plus efficaces. Quand un modèle échoue, on peut décomposer la tâche en étapes successives (prompt chaining) : chaque étape produit une sortie structurée, utilisée comme entrée pour la suivante. Les grands modèles sont réservés aux tâches complexes : reconnaissance de motifs dans de grandes masses de texte ou interaction humaine. Ici, seules les étapes finales utilisent un modèle avancé comme GPT-5, ce qui limite les coûts. Fonctionnement de l’agent L’agent fonctionne en deux phases : configuration du profil utilisateur et génération du rapport. La première étape consiste à définir un profil via une interaction structurée. Un prompt bien conçu guide le LLM à extraire des informations clés : personnalité, catégories principales/minoritaires, mots-clés (max 6), période d’intérêt, préférence pour des résumés courts ou détaillés. Les sorties sont validées via un schéma JSON (BaseModel), garantissant une structure cohérente. Cela permet de vérifier les résultats et de relancer automatiquement en cas d’échec — essentiel pour un système sans intervention humaine. Les données du profil sont stockées (ici, dans MongoDB). Même si le profil personnel n’est pas strictement nécessaire, il est indispensable pour traduire les besoins naturels en requêtes exploitables. Lorsque l’utilisateur déclenche la commande /news, le système récupère son profil, extrait les mots-clés et catégories pertinentes, puis récupère les faits associés via l’endpoint mis en cache. Les requêtes sont exécutées en parallèle, sauf pour les nouveaux mots-clés. Les résultats sont fusionnés, les doublons supprimés, les citations liées aux sources. Ensuite, une chaîne de prompts traite les données : un premier LLM identifie 5 à 7 thèmes, les classe par pertinence, et extrait les points clés. Un second modèle génère deux versions de résumé (court et long), avec un titre. Cette dernière étape, la plus coûteuse, utilise un modèle avancé pour assurer une qualité de synthèse élevée. Le processus complet dure quelques minutes, selon le niveau de cache. Enjeux de conception Cet agent n’est pas une recette universelle, mais un exemple concret de l’ingénierie logicielle nécessaire pour déployer des systèmes LLM performants. Les modèles ne remplacent pas les développeurs — ils exigent une architecture rigoureuse, des données préparées, et une gestion fine des flux. Ici, les LLM servent à traduire le langage naturel en données structurées, puis à orchestrer un processus automatisé. C’est la méthode la plus fiable pour contrôler un agent sans humain en boucle. Pour ceux qui veulent aller plus loin, le code est disponible. On peut aussi repenser cet agent pour d’autres usages : générateur de contenu, veille stratégique, etc. Suivez l’auteur sur son site, Substack ou LinkedIn pour plus d’articles sur l’ingénierie de systèmes intelligents.