Module 3b — Agents, MCP et souveraineté

Architecture des agents — boucle ReAct et spectre d'autonomie

Comprendre l'architecture des agents LLM — boucle ReAct, tool calling, patterns multi-agents — et maîtriser le vocabulaire crédible auprès d'un DSI PME.

ClaudePerplexity

Durée

Objectif du jour

Comprendre l'architecture des agents LLM — boucle ReAct, tool calling, patterns multi-agents — et maîtriser le vocabulaire crédible auprès d'un DSI PME.

Notions requises en entrée

Fonctionnement d'un LLM (M1)
Agent minimal LangGraph construit en M3-S7-J1
Notion de tool calling et MCP (M1-S2-J3)

Déroulé de la session

Boucle ReAct

30 min

ReAct (Reasoning + Acting) : le modèle alterne Thought → Action → Observation jusqu'à Final Answer. L'agent peut découvrir qu'il a besoin d'informations supplémentaires et les chercher, corriger ses erreurs en cours de route, chaîner des actions complexes.

« Explique le pattern ReAct avec un exemple concret d'un agent qui aide une PME à analyser une facture fournisseur. Montre les étapes Thought / Action / Observation jusqu'à la réponse finale. Puis explique pourquoi ce pattern est plus fiable que de tout demander au LLM en une seule étape. »

Spectre d'autonomie

25 min

Cinq niveaux : (1) Chaîne simple (LangChain) — séquence fixe. (2) Agent avec outils (ReAct) — l'agent décide quels outils appeler. (3) Agent avec mémoire. (4) Multi-agent Supervisor — un agent central délègue à des sous-agents spécialisés. (5) Agent autonome long-running. Pour les PME en 2026 : les niveaux 2 et 3 sont les plus pertinents.

Patterns multi-agents

30 min

Trois patterns : (1) Supervisor — le plus fiable en production. (2) Pipeline — les agents se passent le contexte en séquence. (3) Parallélisme — plusieurs agents travaillent en parallèle, un agent de synthèse consolide. Recommandation pour les PME : Supervisor.

« Pour une PME de 30 personnes dans le conseil, propose une architecture multi-agents LangGraph avec pattern Supervisor qui automatise : (1) analyser les emails clients entrants, (2) chercher dans la base documentaire, (3) rédiger une proposition de réponse. Pour chaque agent : rôle, outils nécessaires, niveau de souveraineté. »

Grille souveraineté

35 min

Construire la grille de souveraineté par niveau d'autonomie : plus l'agent est autonome et accède à des données sensibles, plus les garanties doivent être fortes. Ajouter une colonne « risque en cas d'erreur ».

Notions acquises en sortie

Boucle ReAct maîtrisée : Thought / Action / Observation / Final Answer
Spectre d'autonomie en cinq niveaux avec positionnement PME recommandé (niveaux 2-3)
Trois patterns multi-agents : Supervisor (recommandé), Pipeline, Parallélisme
Grille souveraineté par niveau d'autonomie — outil pédagogique M3b

Auto-évaluation

Explique le pattern ReAct à un directeur technique PME en trois phrases sans jargon.

Pour quelle raison le pattern Supervisor est-il préférable au pipeline pour une PME qui commence avec les agents ?

Pourquoi le niveau d'autonomie d'un agent est-il directement lié au niveau de garantie de souveraineté requis ?

Livrable du jour

📊

Grille spectre d'autonomie (5 niveaux × 4 critères)

Fiche « Trois patterns multi-agents » avec schéma textuel et cas d'usage PME.

Ressources externes

ReAct : Synergizing Reasoning and Acting in LLMs (paper) LangGraph — Documentation Claude Perplexity

MCP — le protocole qui unifie agents et outils

Comprendre le Model Context Protocol (Anthropic, 2024) — pourquoi il existe, comment il fonctionne, et pourquoi il est central pour construire des agents souverains.

PerplexityDocumentation MCP

1h45

Durée

Objectif du jour

Comprendre le Model Context Protocol (Anthropic, 2024) — pourquoi il existe, comment il fonctionne, et pourquoi il est central pour construire des agents souverains.

Notions requises en entrée

Notion d'agent et de tool calling (M1-S2-J3)
Architecture LangGraph (M3-S7-J1)

Déroulé de la session

Avant MCP

20 min

Avant MCP : N agents × M outils = N×M intégrations à maintenir. MCP résout ce problème : un MCP server expose des outils, un MCP client (l'agent) s'y connecte. Résultat : N agents + M outils au lieu de N×M intégrations.

Architecture MCP

30 min

Trois primitives : (1) Resources — données exposées par le serveur. (2) Tools — fonctions que l'agent peut appeler. (3) Prompts — templates d'instructions préconfigurés. Un MCP server local permet à n'importe quel agent compatible de s'y connecter, y compris un agent piloté par Ollama.

« Explique l'architecture MCP en détail : rôle du MCP server, du MCP client, les trois primitives (Resources, Tools, Prompts), et comment ce protocole permet de construire des agents souverains on-prem. »

MCP dans les outils

30 min

Cowork (Anthropic) : MCP pour accéder aux fichiers locaux, LLM piloté = Claude cloud. Opera Neon MCP Connector : permet à n'importe quel agent externe de piloter le navigateur. LangGraph + MCP : un graphe peut se connecter à un MCP server local sans code spécifique.

« En 2026, comment MCP est-il intégré dans Cowork, Opera Neon MCP Connector, LangGraph et Claude Computer Use ? Pour chaque outil : MCP servers utilisables, LLM pilote local ou cloud, impact sur la souveraineté. »

MCP servers locaux

25 min

Explorer modelcontextprotocol.io et identifier les trois MCP servers pré-intégrés les plus utiles pour une PME : filesystem (accès fichiers locaux), sqlite (base de données locale), fetch (requêtes HTTP). Déployables localement en une commande.

Notions acquises en sortie

MCP : protocole standard LLM-outils, trois primitives, impact N+M vs N×M
MCP server local : déployable on-prem, connecté à n'importe quel client compatible
Positionnement MCP dans les outils du marché : Cowork, Opera Neon, LangGraph

Auto-évaluation

Qu'est-ce que MCP résout que les intégrations manuelles ne pouvaient pas résoudre efficacement ?

Pourquoi un MCP server local est-il une pièce clé d'une architecture agent souveraine ?

Dans Opera Neon avec MCP Connector, qui pilote le navigateur — et quelles données voit-il ?

Livrable du jour

📄

Fiche technique MCP

Architecture, primitives, avantages. Grille de souveraineté agents mise à jour avec colonne MCP.

Ressources externes

Model Context Protocol — site officiel Anthropic — MCP announcement Perplexity

Grille de souveraineté des agents — six agents analysés

Construire la grille de souveraineté des agents complète couvrant Cowork, Claude Computer Use, Opera Neon, LangGraph, n8n et Claude in Chrome.

PerplexityClaude

Durée

Objectif du jour

Construire la grille de souveraineté des agents complète — l'outil pédagogique central du M3b couvrant Cowork, Claude Computer Use, Opera Neon, LangGraph, n8n et Claude in Chrome.

Notions requises en entrée

Architecture agents et MCP (S8-J1 et J2)
Arbre de décision souveraineté (M2-S3-J4)

Déroulé de la session

Cowork et Computer Use

30 min

Cowork : agent desktop, LLM Claude cloud, fichiers locaux sélectionnés. Verdict : orange — données génériques uniquement. Claude Computer Use / Claude in Chrome : vision de tout l'écran ou du navigateur, LLM cloud. Verdict : rouge pour tout usage impliquant des données sensibles visibles.

« Analyse Cowork et Claude Computer Use / Claude in Chrome en 2026 : quelles données voient-ils exactement, quelles garanties contractuelles Anthropic offre-t-il, quel est le verdict pour une PME française soumise au RGPD ? »

Opera Neon

30 min

Opera Neon est le cas le plus complexe : agent Do, LLM pilote cloud par défaut. MCP Connector : l'agent externe peut piloter le navigateur, et si cet agent utilise Ollama le LLM pilote devient local. Verdict : orange en mode standard, potentiellement vert si connecté à un agent LangGraph + Ollama via MCP.

n8n et LangGraph

25 min

n8n self-hosted + Ollama : orchestrateur no-code / low-code configurable pour utiliser un LLM local. Interface visuelle, pas de code, nombreux connecteurs. Verdict = vert si LLM local configuré. LangGraph + Ollama : contrôle total, souveraineté garantie par construction. Verdict = vert.

Grille finale

35 min

Assembler la grille complète : six agents × six critères (LLM pilote, données vues, actions possibles, verdict rouge / orange / vert, cas PME acceptable, cas PME à éviter). Ajouter une ligne de combinaison recommandée : LangGraph + Ollama pour les tâches sensibles, Cowork ou Opera Neon pour les tâches génériques.

Notions acquises en sortie

Grille de souveraineté des agents complète : six agents × six critères (rouge / orange / vert)
Analyse approfondie Cowork, Claude Computer Use, Opera Neon, n8n, LangGraph
Cas d'usage PME acceptable vs à éviter pour chaque agent
Recommandation de combinaison hybride documentée

Auto-évaluation

Pour quel type de tâche Cowork est-il acceptable en PME française, et pour quel type doit-il être évité ?

Comment rendre Opera Neon potentiellement vert du point de vue de la souveraineté ?

Cite les deux agents recommandés pour une PME juridique : un pour les tâches avec données clients, un pour les tâches génériques.

Livrable du jour

📊

Grille de souveraineté des agents finale

Six agents × six critères, code couleur rouge / orange / vert. C'est le livrable central du M3b.

Ressources externes

Perplexity Claude n8n

Agent multi-outils on-prem avec LangGraph

Étendre l'agent minimal de M3 avec deux outils supplémentaires : recherche web locale et écriture de fichier.

PythonLangGraphOllama

2h30

Durée

Objectif du jour

Étendre l'agent minimal de M3 pour lui ajouter deux outils supplémentaires : recherche web locale (DuckDuckGo) et écriture de fichier. L'agent décide seul quel outil utiliser selon la question.

Notions requises en entrée

Agent minimal LangGraph (M3-S7-J1)
RAG local fonctionnel (M3-S5-J4)
Architecture ReAct (S8-J1)

Déroulé de la session

Architecture

20 min

Trois outils : (1) RAG local — documents internes (on-prem, données sensibles). (2) DuckDuckGo — informations publiques (cloud acceptable). (3) Écriture fichier — action locale. Les docstrings des outils guident le routing : ils doivent indiquer explicitement « NE PAS utiliser pour ».

Code agent

70 min

Implémenter les trois outils avec docstrings de routing explicites. La validation anti-PII dans l'outil web évite l'envoi de données internes à un moteur de recherche public.

from langgraph.prebuilt import create_react_agent
from langchain_community.llms import Ollama
from langchain.tools import tool
from langchain_community.tools import DuckDuckGoSearchRun

llm = Ollama(model='mistral', temperature=0)

@tool
def chercher_documents(question: str) -> str:
    """Cherche dans les documents internes de l'entreprise.
    Utiliser pour contrats, procédures, politiques internes.
    NE PAS utiliser pour informations générales ou actualité."""
    return repondre(question, obtenir_index())

@tool
def rechercher_sur_internet(query: str) -> str:
    """Recherche des informations générales sur internet.
    NE PAS utiliser pour des données internes ou sensibles."""
    mots_pii = ['@', 'dupont', 'martin', 'iban', 'siret']
    if any(m in query.lower() for m in mots_pii):
        return 'BLOQUÉ : données internes détectées.'
    return DuckDuckGoSearchRun().run(query)

@tool
def ecrire_rapport(contenu: str, nom: str = 'rapport.txt') -> str:
    """Sauvegarde un texte dans un fichier local.
    Utiliser pour créer des rapports ou comptes-rendus.
    TOUJOURS présenter le contenu à l'utilisateur avant d'appeler cet outil."""
    from pathlib import Path
    p = Path('./rapports') / nom
    p.parent.mkdir(exist_ok=True)
    p.write_text(contenu, encoding='utf-8')
    return f'Rapport sauvegardé : {p}'

agent = create_react_agent(llm, [chercher_documents, rechercher_sur_internet, ecrire_rapport])

Tests et routing

30 min

Tester sur six questions : deux qui nécessitent le RAG, deux qui nécessitent le web, une à écrire dans un fichier, une ambiguë. Observer le comportement de routing et documenter les cas où le routing est incorrect ou inattendu.

Limite souveraineté

20 min

La recherche web via DuckDuckGo est cloud (sans API key). Règle absolue : ne jamais inclure de données sensibles dans les requêtes web. La validation anti-PII dans l'outil est déjà implémentée.

Notions acquises en sortie

Agent multi-outils LangGraph fonctionnel : RAG local + recherche web + écriture fichier
Routing intelligent : l'agent choisit l'outil selon la nature de la question
Validation anti-PII intégrée dans l'outil de recherche web

Auto-évaluation

Dans les docstrings des outils, pourquoi les instructions « NE PAS utiliser pour » sont-elles importantes pour le routing ?

Pourquoi ajouter une validation anti-PII dans l'outil web plutôt que de faire confiance au LLM ?

Comment cet agent illustre-t-il la stratégie hybride : on-prem pour le sensible, cloud pour le générique ?

Livrable du jour

🤖

Script agent_multi_outils.py fonctionnel

Log de six tests avec décisions de routing documentées.

Ressources externes

LangGraph — Documentation DuckDuckGo Search Tool Ollama

Risques spécifiques aux agents et human-in-the-loop

Identifier les six risques spécifiques aux agents LLM et implémenter le pattern human-in-the-loop pour les actions irréversibles.

ClaudeTests manuels

Durée

Objectif du jour

Identifier les six risques spécifiques aux agents LLM et implémenter le pattern human-in-the-loop pour les actions irréversibles. Un agent qui agit est plus dangereux qu'un LLM qui répond.

Notions requises en entrée

Six vecteurs d'attaque ANSSI (M2-S4-J2)
Agent multi-outils fonctionnel (S8-J4)

Déroulé de la session

Six risques agents

40 min

(1) Action irréversible : l'agent supprime un fichier ou envoie un email sans possibilité d'annulation. (2) Boucle infinie : l'agent tourne en rond. (3) Prompt injection via outil : un document récupéré par le RAG contient des instructions. (4) Escalade de privilèges : l'agent utilise un outil pour en appeler un autre non autorisé. (5) Fuite cross-agent : un sous-agent transmet des données sensibles à un autre non autorisé. (6) Hallucination sur action : l'agent croit avoir effectué une action qu'il n'a pas effectuée.

« Pour chacun des six risques spécifiques aux agents LLM : scénario concret dans une PME, pourquoi ce risque est plus grave pour un agent que pour un LLM conversationnel, mesure de protection la plus accessible sans équipe sécurité. »

Human-in-the-loop

30 min

Avant toute action irréversible, l'agent pause et demande confirmation. Implémenter ce pattern via le système prompt : l'agent DOIT présenter le contenu à l'utilisateur et attendre une validation explicite avant d'écrire un fichier ou envoyer un email.

SYSTEM_PROMPT = """Tu es un assistant de bureau.
RÈGLE ABSOLUE : avant d'utiliser l'outil ecrire_rapport,
tu DOIS présenter le contenu à l'utilisateur
et attendre sa validation explicite.
Ne jamais écrire sans confirmation préalable."""

Test injection via outil

30 min

Reproduire une prompt injection via l'outil RAG : créer un document contenant des instructions cachées après le contenu normal, l'indexer, demander à l'agent un résumé, observer si l'injection est exécutée. Démo reproductible en formation client.

Fiche risques agents

20 min

Rédiger la fiche « Six risques spécifiques aux agents LLM ». Cette fiche complète le Module 5 de la formation client (menaces ANSSI) avec un chapitre spécifique agents.

Notions acquises en sortie

Six risques agents documentés avec scénario PME et mesure de protection
Pattern human-in-the-loop implémenté dans l'agent multi-outils
Expérience directe de l'injection via outil RAG — démo reproductible

Auto-évaluation

Pourquoi un agent qui envoie un email avec de mauvaises données est-il plus grave qu'un LLM qui répond incorrectement ?

Qu'est-ce que le pattern human-in-the-loop et dans quels cas est-il obligatoire ?

Comment la prompt injection via outil RAG diffère-t-elle de la prompt injection directe vue en M2 ?

Livrable du jour

🛡️

Fiche « Six risques spécifiques aux agents LLM »

Script agent_securise.py avec human-in-the-loop. Démo injection via outil documentée.

Ressources externes

OWASP Top 10 LLM Claude

n8n avec LLM local — agents no-code pour les PME sans développeur

Découvrir n8n comme orchestrateur d'agents no-code configuré pour utiliser un LLM local via Ollama.

n8nOllama

Durée

Objectif du jour

Découvrir n8n comme orchestrateur d'agents no-code configuré pour utiliser un LLM local via Ollama. C'est l'outil le plus accessible pour les PME sans développeur qui veulent des agents souverains.

Notions requises en entrée

Ollama avec Mistral local fonctionnel (M1-S1-J5)
Architecture MCP et tool calling (S8-J2)

Déroulé de la session

n8n — découverte

20 min

n8n est un orchestrateur de workflows open source (licence Sustainable Use, self-hostable). Interface visuelle : on relie des nœuds (HTTP Request, LLM, Google Sheets, Email…) par des flèches. Pour ce module : utiliser n8n Cloud (trial gratuit) pour la découverte, puis montrer le path vers le self-hosting Docker pour la souveraineté.

Configuration LLM local

35 min

Connecter n8n à Ollama local : ajouter un nœud « Ollama Chat Model », configurer l'URL vers http://localhost:11434. Tester avec un workflow simple : recevoir un texte, l'envoyer à Mistral local, retourner la réponse.

« Donne-moi les étapes précises pour connecter n8n Cloud (trial) à un modèle Ollama sur un MacBook M2 local. Quelles sont les contraintes réseau (n8n cloud ne peut pas accéder directement à localhost) et les solutions de contournement pour une phase de test ? »

Workflow RAG n8n

45 min

Construire un workflow n8n de niveau adaptateur : (1) Déclencheur HTTP Webhook. (2) Nœud Vector Store (index FAISS construit en M3). (3) Nœud Ollama. (4) HTTP Response. Ce workflow reproduit en no-code ce que rag_local.py fait en code.

Verdict souveraineté

20 min

Trois modes : n8n Cloud (orange — données en transit), n8n self-hosted Docker (vert), n8n Desktop (vert mais limité). Recommandation : Docker self-hosted pour la production, trial pour la découverte.

Notions acquises en sortie

n8n : orchestrateur no-code connecté à Ollama, accessible aux PME sans développeur
Workflow RAG en no-code — le même pipeline que rag_local.py sans Python
Verdict souveraineté n8n selon le mode de déploiement (cloud / Docker / Desktop)

Auto-évaluation

Quelle est la différence entre n8n cloud et n8n self-hosted en termes de souveraineté ?

Pour une PME de cinq personnes sans développeur qui veut un agent RAG souverain, que recommanderais-tu ?

Pourquoi n8n cloud ne peut-il pas accéder directement à Ollama sur localhost ?

Livrable du jour

⚙️

Workflow n8n RAG documenté

Captures d'écran des nœuds. Fiche comparative n8n vs LangGraph (no-code vs code, souveraineté, complexité).

Ressources externes

n8n n8n — Documentation Ollama

Cas d'usage agents PME — matrice et feuille de route

Construire la cartographie complète des cas d'usage agents pour les PME françaises et définir le chemin vers l'adoption progressive.

ClaudePerplexity

1h45

Durée

Objectif du jour

Construire la cartographie complète des cas d'usage agents pour les PME françaises — ce qui est réalisable maintenant, ce qui est à éviter, et le chemin vers l'adoption progressive.

Notions requises en entrée

Grille souveraineté agents (S8-J3)
Six risques agents (S8-J5)

Déroulé de la session

Matrice cas d'usage

35 min

Pour chacun des cinq secteurs du syllabus : trois cas d'usage agents. Pour chaque cas : tâche, données impliquées (PII / PHI / PCI / IP), agent recommandé selon la grille, risque principal, prérequis technique.

« Pour chacun de ces cinq secteurs PME, identifie trois cas d'usage d'agents LLM : juridique, médical, comptable/RH, commerce, industrie. Pour chaque cas : tâche précise, données impliquées, agent recommandé selon la grille de souveraineté, risque principal, prérequis technique. »

Feuille de route

30 min

Adoption en trois phases. Phase 1 (mois 1-2) : Cowork pour les tâches génériques, formation des équipes. Phase 2 (mois 3-4) : RAG local sur un corpus défini, agent mono-outil, human-in-the-loop systématique. Phase 3 (mois 5-6) : agent multi-outils avec validation des workflows, extension progressive du périmètre.

Architecture sectorielle

40 min

Reprendre le cas d'usage juridique de M3-S7-J2 et concevoir l'architecture agent complète : agent RAG sur les contrats (LangGraph + Ollama, vert), agent de veille juridique (n8n + DuckDuckGo, orange), agent de rédaction (Cowork pour brouillons génériques). Documenter les flux de données et les points de souveraineté.

Notions acquises en sortie

Matrice des cas d'usage agents pour cinq secteurs PME (15 cas documentés)
Feuille de route adoption agents en trois phases
Architecture agent complète pour le secteur juridique

Auto-évaluation

Cite deux cas d'usage pour lesquels tu recommandes LangGraph + Ollama (vert) et deux pour lesquels Cowork suffit (orange).

Qu'est-ce qui distingue la phase 1 (découverte) de la phase 2 (pilote) ?

Livrable du jour

🗺️

Matrice cas d'usage agents PME (5 secteurs × 3 cas)

Feuille de route adoption trois phases. Architecture agent juridique complète.

Ressources externes

Claude Perplexity

Synthèse M3b et prérequis M4

Assembler tous les livrables du M3b en un document cohérent, valider la grille de souveraineté des agents et préparer la transition vers M4.

NotebookLMMistral local

1h30

Durée

Objectif du jour

Assembler tous les livrables du M3b en un document cohérent, valider la grille de souveraineté des agents et préparer la transition vers M4.

Notions requises en entrée

Tous les livrables M3b

Déroulé de la session

Document de synthèse

35 min

Assembler le document M3b avec cinq sections : (1) Architecture des agents (boucle ReAct, spectre, patterns). (2) MCP. (3) Grille de souveraineté des agents. (4) Sécurité des agents (six risques + protections). (5) Cas d'usage PME (matrice + feuille de route).

« Je viens d'assembler le document M3b. Vérifie sa cohérence avec l'arbre de décision souveraineté M2 (quatre niveaux) et les catégories de données M2. Identifie les recommandations contradictoires ou les zones d'ambiguïté. »

QCM M3b

20 min

Générer six QCM type examen CAIP couvrant M3b. Les faire sans aide. Calculer le score et noter comme référence.

« Génère six QCM type CAIP sur les agents LLM et la souveraineté. Couvrir : architecture ReAct, MCP, grille de souveraineté, risques spécifiques, recommandations PME. Chaque QCM : quatre choix, bonne réponse identifiée, explication du raisonnement. »

Prérequis M4

20 min

Vérifier les prérequis techniques pour M4 : Docker Desktop installé, Presidio installable, modèle NLP français disponible.

docker --version
pip3 install presidio-analyzer presidio-anonymizer
python3 -m spacy download fr_core_news_lg
python3 -c "from presidio_analyzer import AnalyzerEngine; print('Presidio OK')"

Bilan M3b

15 min

Bilan en quatre points : (1) Le livrable le plus utile commercialement. (2) Le concept le plus difficile à expliquer simplement. (3) Ce que j'ai appris sur les agents. (4) La question que je me pose encore avant M4.

Notions acquises en sortie

Document de synthèse M3b cohérent et validé
Score QCM M3b de référence
Prérequis M4 vérifiés et installés
Bilan M3b complet

Auto-évaluation

En deux minutes, présente la grille de souveraineté des agents à un DSI PME.

Quels sont les deux livrables M3b les plus différenciants commercialement ?

Livrable du jour

🏆

Document de synthèse M3b (5 sections)

Score QCM M3b noté. Bilan M3b. Prérequis M4 validés (Docker, Presidio, spaCy fr).

Ressources externes

NotebookLM Microsoft Presidio (préparation M4) spaCy — Modèle français Docker Desktop

← Module 3 Module 4 →

M3b — Agents, MCP et souveraineté

Architecture des agents — boucle ReAct et spectre d'autonomie

MCP — le protocole qui unifie agents et outils

Grille de souveraineté des agents — six agents analysés

Agent multi-outils on-prem avec LangGraph

Risques spécifiques aux agents et human-in-the-loop

n8n avec LLM local — agents no-code pour les PME sans développeur

Cas d'usage agents PME — matrice et feuille de route

Synthèse M3b et prérequis M4