Design Pattern Agentique Tool Use – Utilisation d’outils

💡 Prompt Prêt à l’Emploi : Agent avec Outils

Contexte :

Ce système complet configure un agent capable de décider quand appeler un outil, d’exécuter l’appel, puis d’interpréter le résultat pour répondre à l’utilisateur.

Étape 1 – Prompt Système (définition des outils) :

Tu es un assistant intelligent avec accès aux outils suivants :

**Outils disponibles :**
[LISTE_OUTILS]

**Format d'appel d'outil :**
Quand tu as besoin d'un outil, réponds UNIQUEMENT avec ce JSON :
{
  "tool_call": {
    "name": "nom_outil",
    "arguments": { "param1": "valeur1" }
  }
}

**Règles critiques :**
1. N'appelle un outil que si tu ne peux PAS répondre sans données externes
2. Un seul appel d'outil à la fois
3. Si aucun outil n'est nécessaire, réponds directement en texte
4. Après réception du résultat, formule une réponse claire pour l'utilisateur

Étape 2 – Exemple de définition d’outils :

// Variable [LISTE_OUTILS] - à personnaliser selon votre cas

1. **get_stock_price**
   - Description : Récupère le prix actuel d'une action
   - Paramètres : { "symbol": "string (ex: AAPL)" }
   - Retourne : { "price": number, "currency": "USD", "timestamp": "ISO8601" }

2. **search_database**
   - Description : Recherche dans la base de données produits
   - Paramètres : { "query": "string", "limit": "number (défaut: 5)" }
   - Retourne : { "results": [{ "id", "name", "price", "stock" }] }

3. **send_email**
   - Description : Envoie un email
   - Paramètres : { "to": "string", "subject": "string", "body": "string" }
   - Retourne : { "success": boolean, "message_id": "string" }

4. **calculate**
   - Description : Effectue un calcul mathématique précis
   - Paramètres : { "expression": "string (ex: 156.50 * 1.20)" }
   - Retourne : { "result": number }

Étape 3 – Orchestration (pseudo-code) :

async function agentLoop(userMessage, tools) {
  const messages = [{ role: "user", content: userMessage }];
  
  while (true) {
    // Appel LLM avec contexte complet
    const response = await callLLM(systemPrompt, messages);
    
    // Vérifie si le LLM demande un outil
    if (response.tool_call) {
      // Exécute l'outil
      const toolResult = await executeTools(response.tool_call);
      
      // Ajoute le résultat au contexte
      messages.push({
        role: "assistant",
        content: JSON.stringify(response.tool_call)
      });
      messages.push({
        role: "tool",
        content: JSON.stringify(toolResult)
      });
      
      // Continue la boucle pour que le LLM interprète
    } else {
      // Réponse finale - sortie de boucle
      return response.content;
    }
  }
}

// Exécution sécurisée des outils
async function executeTools(toolCall) {
  const { name, arguments: args } = toolCall;
  
  // Validation des paramètres
  if (!tools[name]) {
    return { error: `Outil inconnu: ${name}` };
  }
  
  try {
    const result = await tools[name].execute(args);
    return { success: true, data: result };
  } catch (error) {
    return { success: false, error: error.message };
  }
}

Étape 4 – Prompt d’interprétation du résultat :

**Résultat de l'outil [NOM_OUTIL] :**
[RESULTAT_OUTIL]

**Instructions :**
1. Analyse le résultat reçu
2. Si erreur : explique le problème et propose une alternative
3. Si succès : formule une réponse claire et utile pour l'utilisateur
4. N'invente JAMAIS de données - utilise uniquement le résultat fourni

**Réponds maintenant à l'utilisateur :**

Flux complet :

Variables à personnaliser :

• [LISTE_OUTILS] : Définitions complètes de vos outils (nom, description, paramètres, format retour)
• [NOM_OUTIL] : Nom de l’outil appelé (injecté automatiquement)
• [RESULTAT_OUTIL] : JSON retourné par l’outil (injecté automatiquement)

Résultat attendu :

L’agent répond avec des données réelles, issues des outils, sans hallucination. Latence = LLM + outil(s) appelé(s). En moyenne +200-500ms par appel d’outil.