
Airtable Lance Superagent et Améliore la Visibilité dans l'Exécution des Agents
TL;DR
Airtable introduit le <b>Superagent</b> comme une nouvelle solution pour améliorer la visibilité dans l'exécution de multiples agents de recherche. Lancé mardi, le Superagent utilise des équipes d'agents IA spécialisés qui fonctionnent en parallèle pour effectuer des tâches de recherche.
Airtable introduit le Superagent comme une nouvelle solution pour améliorer la visibilité dans l'exécution de multiples agents de recherche. Lancé mardi, le Superagent utilise des équipes d'agents IA spécialisés qui fonctionnent en parallèle pour effectuer des tâches de recherche.
Le principal atout du Superagent est la manière dont son orchestrateur maintient la continuité du contexte pendant l'exécution. Comparé aux systèmes précédents qui appliquaient un filtrage simple des modèles, l'orchestrateur du Superagent a une visibilité totale sur tout le parcours d'exécution, y compris le plan initial, les étapes d'exécution et les résultats des sous-agents. Cela permet ce que le cofondateur Howie Liu décrit comme "un parcours cohérent" où toutes les décisions sont orchestrées.
"L'essence réside dans la manière dont vous tirez parti de la capacité d'auto-réflexion du modèle", a déclaré Liu à VentureBeat. La startup a été fondée il y a plus de douze ans, initialement avec une base de données relationnelle basée sur le cloud.
Airtable a construit sa base de clients dans plus de 500 000 organisations, avec 80 % des entreprises de la liste Fortune 100 utilisant sa plateforme pour créer des applications personnalisées adaptées à leurs flux de travail.
Des Données Structurées aux Agents Libres
Liu présente Airtable et Superagent comme des solutions complémentaires répondant à différents besoins commerciaux. Airtable fournit la fondation structurée, tandis que le Superagent gère les tâches de recherche non structurées.
"Nous avons commencé avec une couche de données. Le nom Airtable le suggère : c'est une table de données", a expliqué Liu. La plateforme a évolué avec des fonctionnalités d'automatisation et d'interfaces évolutives pour des milliers d'utilisateurs.
"Le Superagent est un facteur de forme très complémentaire, qui est assez libre", a déclaré Liu, soulignant que la décision de construire ces capacités repose sur des leçons du marché concernant l'utilisation de modèles de plus en plus avancés.
Fonctionnement du Système Multi-agents du Superagent
Lorsqu'un utilisateur soumet une requête, l'orchestrateur crée un plan visible qui déploie la recherche complexe en flux de travail parallèles. Par exemple, pour rechercher une entreprise pour un investissement, la tâche est divisée en parties spécifiques, comme analyser l'équipe et l'historique des financements. Chaque partie est assignée à un agent spécialisé.
Bien que le Superagent soit étiqueté comme un système multi-agents, il repose sur un orchestrateur central qui planifie, dispatch et surveille les sous-tâches, garantissant un modèle plus contrôlé par rapport aux agents totalement autonomes.
L'orchestrateur d'Airtable garantit une visibilité totale sur le processus d'exécution, évitant la contamination du contexte principal tout en agrégeant des résultats clairs.
L'Impact de la Sémantique des Données sur la Performance des Agents
Liu soutient que la performance des agents dépend davantage de la qualité de la structure des données que du choix du modèle ou de l'ingénierie des prompts. Sur la base d'un outil interne d'analyse de données, l'équipe d'Airtable prouve que la préparation des données nécessite plus d'effort que la configuration de l'agent.
"La chose la plus difficile à réaliser était la sémantique des données", a déclaré Liu. Le travail de préparation des données s'est concentré sur trois domaines principaux : restructurer les données, clarifier les représentations et s'assurer que les agents peuvent les utiliser de manière fiable.
Considérations pour les Entreprises
Les organisations qui évaluent les systèmes multi-agents doivent prendre en compte des priorités techniques essentielles, comme l'indique l'expérience de Liu.
L'architecture des données précède l'implémentation des agents. Les expériences internes ont montré que la préparation des données peut consommer plus de ressources que la configuration de l'agent.
La gestion du contexte est critique. Il est essentiel d'avoir un orchestrateur approprié qui maintienne l'état et l'information tout au long du flux de travail.
Les bases de données relationnelles sont importantes. L'architecture relationnelle offre des sémantiques plus claires pour la navigation des agents que les dépôts non structurés.
L'orchestration nécessite des capacités de planification. Des agendas planifiés sont nécessaires pour optimiser les résultats des interactions avec les agents.
"La proposition fondamentale est que beaucoup repose sur le fait d'avoir une couche d'orchestration efficace", a conclu Liu, soulignant l'importance de maximiser les points forts des modèles utilisés.
Contenu selectionne et edite avec assistance IA. Sources originales referencees ci-dessus.


