🤖 AI

Building Persona-Based Agents On Demand: Tailoring Multi-Agent Workflows to User Needs

Cet article propose un pipeline pour générer dynamiquement à l'exécution des agents personnalisés à la demande afin de surmonter les limites des architectures multi-agents fixes et codées en dur en adaptant les flux de travail à des besoins et des contextes utilisateurs spécifiques.

Auteurs originaux : Giuseppe Arbore, Andrea Sillano, Luigi De Russis

Publié 2026-05-01

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Giuseppe Arbore, Andrea Sillano, Luigi De Russis

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous entriez dans un restaurant où la cuisine est dirigée par une équipe de robots. Dans la version actuelle de ce restaurant, les robots ont des tâches fixes qui ne changent jamais. Un robot est toujours le chef grognon qui ne parle que par des commandes techniques brèves. Un autre est toujours le serveur lent et excessivement poli. Peu importe qui vous êtes ou ce que vous commandez, la cuisine fonctionne exactement de la même manière. Si vous souhaitez un repas rapide et décontracté, vous devez toujours faire face au chef grognon. Si vous voulez une explication détaillée de votre plat, vous devez toujours attendre le serveur lent.

Ce papier soutient que cette approche « unique pour tous » freine le potentiel de l'IA. Les auteurs, des chercheurs du Politecnico di Torino, proposent une nouvelle façon de construire ces équipes d'IA (appelées « systèmes multi-agents ») où les robots peuvent changer de personnalité et de rôle en temps réel, rien que pour vous.

Voici comment fonctionne leur idée, décomposée en étapes simples :

Le Problème : La Cuisine Rigide

Actuellement, la plupart des systèmes d'IA avancés sont construits avec une structure « codée en dur ». Les concepteurs décident à l'avance : « L'agent A sera toujours le planificateur, l'agent B sera toujours le chercheur, et ils communiqueront toujours dans cet ordre spécifique. »

Le Problème : Si vous êtes un expert qui veut une réponse rapide, le système pourrait encore vous forcer à passer par un processus lent et adapté aux débutants. Si vous êtes un débutant qui a besoin d'une explication amicale, le système pourrait vous fournir un rapport froid et technique. Le système ne vous connaît pas ; il ne connaît que son script préécrit.

La Solution : La Cuisine « Caméléon »

Les auteurs suggèrent un système où l'équipe d'IA est construite en temps réel en fonction de ce dont vous avez besoin à cet instant précis. Imaginez une cuisine où les robots peuvent se transformer instantanément en n'importe quelle personnalité nécessaire pour vous aider, vous spécifiquement.

Si vous posez une question complexe, le système pourrait instantanément créer une personnalité de « professeur strict mais brillant » pour expliquer les détails. Si vous posez une question simple, il pourrait passer à une personnalité de « voisin sympathique » pour donner une réponse rapide et décontractée.

Comment Ça Marche : Le Pipeline en Quatre Étapes

Le papier décrit un processus spécifique (un pipeline) qui se produit à chaque fois que vous posez une question. Voici le flux :

Écoute et Compréhension (Analyse de la requête) :
D'abord, le système écoute votre question. Il ne se contente pas de lire les mots ; il essaie de déterminer qui vous êtes (êtes-vous un expert ou un débutant ?) et ce que vous voulez vraiment (avez-vous besoin d'un résumé rapide ou d'une analyse approfondie ?). Il décompose votre grande question en tâches plus petites et gérables.
Création de l'Équipe (Génération d'agents) :
C'est l'étape magique. En fonction de ce qu'il a appris à l'étape un, le système crée les agents d'IA parfaits sur le champ.
- Il ne choisit pas dans une liste préétablie. Il rédige une nouvelle « description de poste » (une personnalité) pour un robot adapté à vos besoins.
- Exemple : Si vous avez besoin d'un codeur, il crée une personnalité de « codeur précis et sans détour ». Si vous avez besoin d'un écrivain créatif, il crée une personnalité de « écrivain imagé et fleuri ».
- Il « réveille » ensuite ces nouveaux agents, en leur donnant leurs instructions spécifiques et leurs traits de personnalité.
L'Équipe se Met au Travail (Exécution) :
Le système assigne les petites tâches aux agents nouvellement créés. Si deux tâches peuvent être effectuées en même temps, les agents travaillent en parallèle. Si une tâche a besoin du résultat d'une autre, le système s'assure que le premier agent termine avant que le second ne commence. Ils travaillent ensemble, mais ils sont tous adaptés à votre demande spécifique.
Service du Plat Final (Agrégation) :
Une fois que tous les agents ont terminé leur part, le système rassemble leur travail. Il assemble les pièces en une seule réponse fluide et cohérente. Il s'assure que le ton est constant et que le résultat final correspond exactement à ce que vous avez demandé, en éliminant toute répétition ou confusion.

Pourquoi Cela Compte

Le point principal du papier est que nous devrions cesser de traiter les agents d'IA comme des outils statiques aux personnalités fixes. Au lieu de cela, nous devrions les traiter comme des interprètes dynamiques capables de changer leur numéro pour s'adapter au public.

Manière Actuelle : Vous devez vous adapter au style fixe de l'IA.
Nouvelle Manière : L'IA adapte son style, son rôle et la structure de son équipe pour vous correspondre.

Les auteurs estiment que cela rend la technologie plus utile et moins frustrante. Cela permet au système d'être un « caméléon », changeant de couleurs pour correspondre à l'expertise, aux préférences et à la situation spécifique de l'utilisateur, plutôt que de forcer chaque utilisateur à s'adapter à un moule unique et rigide.

En bref : Au lieu d'une équipe de robots qui agit toujours de la même manière, imaginez une équipe capable de devenir instantanément exactement les experts dont vous avez besoin, parlant exactement comme vous le préférez, à chaque fois que vous demandez de l'aide. C'est ce que propose ce papier.

Sur la base de l'article « Building Persona-Based Agents On Demand: Tailoring Multi-Agent Workflows to User Needs » d'Arbore, Sillano et De Russis, voici un résumé technique détaillé.

1. Énoncé du problème

Les systèmes multi-agents (MAS) actuels, alimentés par des modèles de langage de grande taille (LLM), souffrent de contraintes architecturales rigides.

Choix fixes au moment de la conception : Les systèmes existants reposent sur des rôles d'agents codés en dur, des modèles de coordination prédéfinis et des flux d'interaction statiques établis avant le déploiement.
Manque d'adaptabilité : Ces schémas fixes rendent difficile l'adaptation des interactions à des besoins utilisateurs spécifiques, à des niveaux d'expertise ou à des nuances contextuelles, sans réécrire manuellement les invites ou réingénier la logique d'orchestration.
Le fossé : Bien que l'« invocation de persona » (persona prompting) soit connue pour influencer le raisonnement et le style de sortie des LLM, les architectures agentiques actuelles ne traitent pas les personas comme des variables dynamiques exécutées en temps réel. Au lieu de cela, elles restent de simples « éditeurs de style » statiques plutôt que des composants architecturaux centraux pour l'adaptabilité.

2. Méthodologie : Le pipeline de génération de personas à la demande

Les auteurs proposent un pipeline novateur qui déplace la configuration des agents du moment de la conception vers le moment de l'exécution. Le système synthétise dynamiquement les personas et les rôles des agents en fonction de la requête de l'utilisateur, de ses caractéristiques et du contexte de la tâche.

Le pipeline fonctionne sur un modèle basé sur la session (maintenant la cohérence sur plusieurs requêtes au sein d'une session) et se compose de quatre étapes distinctes gérées par un Orchestrateur central :

Étape 1 : Analyse de la requête

L'orchestrateur transforme l'entrée brute et ouverte de l'utilisateur en une représentation structurée sans imposer de modèles prédéfinis.

ProfileEncode : Analyse la requête de l'utilisateur (signaux explicites ou implicites) pour générer un profil utilisateur ( $u$ ). Cela capture l'expertise dans le domaine, le style de communication préféré, la familiarité avec la tâche et l'intention spécifique.
TaskDecompose : Décompose la requête en un ensemble de tâches discrètes ( $t_1...t_n$ ). Crucialement, cette étape cartographie les dépendances entre les tâches, déterminant lesquelles peuvent être exécutées en parallèle et lesquelles doivent être séquentielles.

Étape 2 : Génération et instantiation des agents

Il s'agit de l'innovation centrale où les rôles statiques sont remplacés par une synthèse dynamique.

PersonaCraft : Pour chaque sous-tâche, le système conçoit dynamiquement une Spécification de Persona ( $p_i$ ). Cette spécification définit le rôle de l'agent, ses compétences dans le domaine, son style de communication et ses capacités d'utilisation d'outils. Elle garantit qu'aucun rôle dupliqué n'est créé et s'aligne sur le profil utilisateur.
AgentFactory : Instancie une instance d'agent soutenue par un LLM ( $a_i$ ) en utilisant le persona synthétisé. Le persona agit comme une couche de configuration qui façonne le style de raisonnement de l'agent, son comportement d'interaction et son format de sortie.

Étape 3 : Attribution et exécution des agents

L'orchestrateur gère le flux d'exécution en fonction du graphe de dépendances généré à l'étape 1.

Planification : Les tâches sans dépendances sont exécutées en parallèle ; les tâches dépendantes sont mises en file d'attente de manière séquentielle.
Routage contrôlé de l'information : Les agents reçoivent uniquement le contexte spécifique et les résultats partiels dont ils ont besoin de la part des agents précédents. Cela préserve la modularité et empêche les agents de devoir connaître le fonctionnement interne des autres.
Exécution : Chaque agent exécute sa tâche assignée ( $r_i$ ) et renvoie un résultat partiel.

Étape 4 : Agrégation et affichage des réponses

Intégration : L'orchestrateur agrège tous les résultats partiels ( $r_1...r_n$ ).
Raffinement : Il fusionne les réponses, résout les incohérences, élimine les redondances et aligne la sortie finale sur le style et le format demandés par l'utilisateur.
Livraison : Une réponse unique et cohérente ( $R$ ) est livrée à l'utilisateur.

Continuité de session : Si un utilisateur soumet une nouvelle requête au sein de la même session, le pipeline ré-exécute. Les agents et personas précédemment instanciés sont conservés, et de nouveaux sont ajoutés uniquement si une spécialisation supplémentaire est requise.

3. Contributions clés

Synthèse de persona en temps d'exécution : L'article introduit un cadre où les rôles d'agents et les politiques d'interaction ne sont pas des constantes fixes mais des variables d'exécution générées à la demande pour correspondre au contexte utilisateur.
Pipeline d'intégration systématique : Il détaille un pipeline technique en quatre étapes (Analyse, Génération, Exécution, Agrégation) qui intègre directement la création de personas dans la boucle d'orchestration des agents.
Adaptabilité basée sur la session : La conception permet au système d'évoluer au sein d'une session, en conservant les agents utiles tout en ajoutant dynamiquement de nouveaux, assurant ainsi la cohérence sans nécessiter de réinitialisation complète du système.
Découplage de l'utilisateur et de la topologie du système : Le système s'adapte à l'utilisateur, plutôt que de forcer l'utilisateur à s'adapter à une topologie d'agents fixe.

4. Résultats et évaluation

Note : Comme il semble s'agir d'un article de position ou d'une proposition pour un atelier (AutomationXP26), le texte ne présente pas de résultats empiriques quantitatifs (par exemple, scores de référence, métriques de latence ou statistiques d'étude utilisateur).

Argument qualitatif : Les auteurs soutiennent que cette approche répond à la « friction » que les utilisateurs éprouvent avec les systèmes multi-agents rigides.
Validation théorique : La méthodologie s'appuie sur des recherches existantes montrant que l'invocation de personas influence les stratégies de raisonnement, les performances en zéro-shot et la qualité de l'interaction (crédibilité, engagement).
Changement de paradigme de conception : Les « résultats » sont présentés comme un nouveau paradigme de conception pour les plateformes agentiques, passant des configurations « taille unique » vers une adaptabilité sensible au contexte.

5. Signification et impact

Personnalisation améliorée : En traitant les personas comme des variables contrôlées, le système peut adapter les interactions à divers antécédents utilisateurs, niveaux d'expertise et préférences (par exemple, ton, verbosité).
Évolutivité de l'adaptation : Il résout le problème d'évolutivité de la configuration manuelle. Au lieu de créer des milliers de profils d'agents prédéfinis, le système génère le profil nécessaire pour le moment précis.
Collaboration Humain-IA : Cette approche réduit la charge cognitive des utilisateurs qui n'ont plus besoin de comprendre des hiérarchies d'agents complexes. Le système devient une interface « fluide » qui se moule à l'intention de l'utilisateur.
Avenir de l'IA agentique : L'article positionne la génération de personas à la demande comme un pilier architectural fondamental (aux côtés de la mémoire, des outils et de l'orchestration) pour la prochaine génération de systèmes agentiques accessibles et significatifs.