Mon IA à la maison : bâtir mon équipe d’agents IA sous la houlette d’OpenClaw
Au fil des articles précédents, nous avons appris à faire tourner un modèle sur notre propre machine, à le rendre utile au quotidien, à lui greffer des compétences avec OpenClaw, puis à le laisser agir de manière autonome. Mais une question restait e...
Au fil des articles précédents, nous avons appris à faire tourner un modèle sur notre propre machine, à le rendre utile au quotidien, à lui greffer des compétences avec OpenClaw, puis à le laisser agir de manière autonome. Mais une question restait en suspens : que se passe-t-il lorsqu’un seul assistant ne suffit plus ?
C'est exactement dans ce cas de figure que brille OpenClaw. La technologie a été conçue dès le départ pour orchestrer plusieurs agents coordonnés, chacun spécialisé dans son domaine et capable de passer le témoin au suivant.
Prenons l'exemple de Cyril Pavillard qui, après avoir cofondé MacGeneration en 1999, s’est lancé dans de nouveaux projets entrepreneuriaux, dont Digital Thermometer. Cette application web aide les fiduciaires suisses (des cabinets qui accompagnent les entreprises sur les questions comptables, fiscales et administratives) à évaluer leur « maturité numérique ». Sans écrire une seule ligne de code, Cyril a demandé à ses agents de concevoir la base du produit, en l’occurrence un questionnaire de 18 questions inspiré de DigComp 3.0, un référentiel européen sur les compétences numériques.
Ses agents ont ensuite développé un prototype d'interface façon Tinder (36 questions, en trois langues), créé un bot Telegram capable d'analyser des photos et de transcrire des messages vocaux, connecté un Google Sheet pour suivre ses prospects et ses clients automatiquement, et même rédigé une stratégie commerciale. Digital Thermometer constitue une première étape de diagnostic, avant un éventuel accompagnement plus approfondi. L’exemple montre l’intérêt de confier des rôles complémentaires aux agents : concevoir un produit, créer une application, organiser le suivi commercial ou préparer une stratégie.
Mon IA à la maison 🧠
- Comment installer un LLM sur mon Mac
- Passer à la vitesse supérieure avec mon LLM
- Place à OpenClaw sur mon Mac
- Renforcer OpenClaw pour mon quotidien
- Bâtir mon équipe d'agents IA sous la houlette d’OpenClaw
Bonjour, m'sieur l'agent !
Créer des agents n'est pas particulièrement difficile. C'est un peu comme façonner des coquilles d'œufs : on peut en définir la texture, la couleur et la taille, mais elles restent creuses. Ce sont les processus métier, les veilles et les automatismes qui viendront les remplir et la question n'est plus alors comment créer un agent, mais combien en créer ?
L'exemple de Cyril montre qu'un petit nombre d'agents bien orchestrés peut accomplir un travail d'une complexité surprenante. Ses agents ont imaginé, codé et déployé son entreprise entière. Avec un agent « maître » épaulé par un ou deux « spécialistes », on atteint souvent le même résultat qu'avec une armée d'agents, la difficulté de gestion en moins. La valeur ne réside donc pas dans le nombre, mais dans la capacité de chaque agent à enchaîner des actions complexes sans qu'on ait à intervenir.
L'erreur classique, c'est de confondre outils et agents. Un webhook (un mécanisme qui permet à deux services de communiquer automatiquement) ou un Google Sheet ne sont pas des agents : ce sont des outils que les agents mobilisent.
Par ailleurs, vouloir tout confier à un seul agent est rarement une bonne idée. Si le même agent doit répondre aux messages de Raoul, gérer la domotique, suivre les discussions Discord et s'occuper de dizaines d'autres missions, son contexte finit par devenir confus. Il adopte parfois un ton trop formel, parfois trop familier, mélange les informations ou commet davantage d'erreurs. Mieux vaut répartir les rôles : un agent dédié à chaque contexte ou domaine d'activité, plutôt qu'un agent universel censé tout faire. C'est cette organisation en équipe qui permet de tirer le meilleur partie d'OpenClaw.
Des agents, mais une seule ressource partagée
Dans les faits, un agent est une instance d'OpenClaw isolée, avec :
- son propre workspace (fichiers de persona, notes, outils)
- son propre répertoire d'état (authentifications, modèles configurés)
- ses propres sessions (l'historique de conversations stocké séparément)
Une grande équipe impliquant de grandes responsabilités, voici les pour et les contre qui nous sont apparus :
| Nom | Explication | |
|---|---|---|
| Avantage | Séparation physique des données | Chaque agent possède son propre espace de fichiers. Ce qui est dans un agent ne se mélange pas avec un autre. |
| Personas indépendantes | Chaque agent peut avoir sa propre personnalité, ses propres règles et son propre ton. | |
| Outils différenciés | Un agent peut avoir accès à des outils qu'un autre n'a pas. On configure les permissions au cas par cas. | |
| Modèles différents | Chaque agent peut utiliser un modèle de langage différent (plus ou moins puissant, plus ou moins rapide). | |
| Sessions séparées | Les conversations sont stockées séparément. Pas de mélange entre les historiques de différentes personnes. | |
| Inconvénient | Ressources doubles | Chaque agent occupe de la mémoire et du processeur. Plus d'agents = plus de consommation système. |
| Un canal par agent | Un canal de messagerie ne peut être relié qu'à un seul agent. Un agent peut gérer plusieurs canaux, mais l'inverse n'est pas vrai. | |
| Pas de communication inter-agents | Les agents ne se parlent pas entre eux par défaut. Il faut le configurer explicitement si on veut les faire collaborer. | |
| Configuration des ressources communes | Partager des fichiers, accès réseau ou configurations entre agents demande un peu plus de mise en place. |
Si tous les agents partagent les mêmes ressources matérielles, leurs messages passent par une file d'attente ou des prédictions concurrentes (paramètre LM Studio). Dans les deux cas, le résultat est le même : plus il y a d'agents actifs, plus cela va ralentir le système. Même avec des modèles différents assignés à chaque agent, l’impact sur les performances est présent.
La solution idéale est simple, mais couteuse : un agent par instance de traitement, c'est-à-dire une copie autonome du logiciel qui ferait tourner le modèle sur ses propres ressources. Cette instance pourrait être locale (sur un autre ordinateur) ou en ligne chez un fournisseur de services (Anthropic, OpenAI…) ou bien sur un serveur distant personnel. L'essentiel est que chaque agent dispose de ses propres ressources, sans file d'attente ni latence.