Dans les LLM (GPT, Claude…), on parle souvent de modèles « intelligents », mais ils ont une limite : leur savoir s'arrête à leur entraînement. Si vous leur posez une question pointue sur un contexte métier, un projet en cours ou une base de code spécifique… ils peuvent halluciner.

Le problème de l'hallucination

C'est là qu'intervient le RAG – Retrieval Augmented Generation. Dans les systèmes agentiques, les agents mémoire jouent un rôle clé :

• ✅ Ils retiennent les interactions
• ✅ Ils gardent en mémoire les versions de frameworks
• ✅ Ils conservent le contexte du projet

Deux grandes écoles s'affrontent

École 1 – L'IA guidée

On nourrit l'agent IA pas à pas avec les infos dont il a besoin. C'est plus contrôlé, mais on risque de rater des éléments importants. L'agent manque parfois de vision d'ensemble.

École 2 – L'IA exploratrice

On la laisse chercher elle-même, via une navigation dans la base de code (recherche de fonctions, de fichiers, d'appels…). L'agent devient plus autonome, capable d'analyser et de reconstruire un contexte.

Notre approche chez AI Tech Leads

Chez AI Tech Leads, on explore activement ces deux voies pour créer des agents réellement productifs et fiables. Mais une chose est sûre : la qualité du RAG sera un facteur clé pour des agents IA réellement utiles en entreprise.

---

Publié le 9 juillet 2025