Qu'est-ce qu'un agent à base de connaissances ?
Un agent à base de connaissances est un système d'IA qui utilise une base de connaissances et un moteur d'inférence pour raisonner et agir. La base de connaissances stocke les informations du domaine, tandis que le moteur d'inférence applique des règles aux faits connus et en déduit des conclusions. Son cycle de base est Perceptions → Base de connaissances → Inférence → Action. Par exemple, un agent d'assistance technique peut associer un problème d'imprimante à des règles de dépannage, recommander une solution et expliquer la base de cette recommandation.
Comment fonctionne un agent à base de connaissances ?
Un agent à base de connaissances en intelligence artificielle suit généralement un cycle de raisonnement répété. Il reçoit des informations de son environnement. Il convertit ces informations en faits structurés. Il interroge ensuite sa base de connaissances avant de sélectionner une réponse ou une action.
L'étape de perception
L'étape de perception recueille des informations issues de l'environnement. La source peut être un message d'utilisateur, une lecture de capteur, un enregistrement de transaction ou un événement système.
Les entrées brutes ne sont pas toujours prêtes pour un raisonnement logique. L'agent peut d'abord devoir normaliser l'entrée. Il peut identifier les entités importantes, détecter des conditions et convertir le résultat en perceptions structurées.
Par exemple :
User input: The printer has power, but it does not print.
Percepts: printer_has_power, printer_not_printingCette conversion fournit au moteur d'inférence un format cohérent pour la mise en correspondance des règles.
Le cycle TELL–ASK–PERFORM
Un agent à base de connaissances classique utilise trois opérations principales :
| Opération | Objectif | Exemple |
|---|---|---|
| TELL | Ajoute de nouvelles informations à la base de connaissances | Enregistrer qu'une commande est retardée |
| ASK | Interroge la base de connaissances pour obtenir une conclusion | Vérifier si la commande est éligible au support |
| PERFORM | Exécute l'action sélectionnée | Envoyer une mise à jour de suivi |
Les étapes d'inférence et d'action
Le moteur d'inférence vérifie quelles règles correspondent aux faits disponibles. Il en déduit ensuite une ou plusieurs conclusions. Un planificateur ou un sélecteur d'action peut utiliser ces conclusions pour choisir l'étape suivante.
Un agent fiable doit distinguer une conclusion confirmée d'une explication possible. Lorsque la base de connaissances ne contient pas suffisamment d'informations, l'agent doit demander des précisions ou transmettre le dossier à un humain.
Quels sont les principaux composants d'un agent à base de connaissances ?
L'architecture des agents à base de connaissances combine plusieurs couches. Chaque couche a une responsabilité distincte. Cette séparation rend le système plus facile à tester et à maintenir.
Base de connaissances
La base de connaissances stocke les faits et les règles qu'un agent utilise pour raisonner. Par exemple, elle peut indiquer qu'un client dispose d'un abonnement actif et que les abonnés actifs peuvent accéder à un canal d'assistance spécifique.
Une base de connaissances peut s'appuyer sur une base de données, un graphe de connaissances ou un moteur de règles, selon le domaine. Sa qualité est déterminante, car des informations manquantes ou incorrectes peuvent produire des conclusions et des actions peu fiables.
Représentation des connaissances
La représentation des connaissances définit la manière dont l'information est exprimée dans le système. La logique propositionnelle traite des énoncés simples de type vrai ou faux, tandis que la logique du premier ordre utilise des variables et des relations pour représenter des connaissances plus complexes.
D'autres approches incluent les règles de production du type SI-ALORS, faciles à examiner dans les systèmes experts. Les ontologies définissent les concepts d'un domaine et leurs relations, tandis que les graphes de connaissances utilisent ces relations pour relier les entités entre elles.
Moteur d'inférence
Le moteur d'inférence applique des règles aux informations contenues dans la base de connaissances. Le chaînage avant part de faits connus et applique les règles correspondantes jusqu'à atteindre une conclusion.
Le chaînage arrière part d'un objectif et recherche les faits qui le confirment. Les systèmes plus avancés peuvent utiliser des techniques telles que la résolution ou l'unification pour traiter des énoncés logiques comportant des variables.
Explication et révision des croyances
Le module d'explication identifie les faits et les règles à l'origine d'une conclusion. Cette traçabilité du raisonnement aide les utilisateurs à comprendre pourquoi l'agent a retenu une réponse ou une action donnée.
La révision des croyances gère les changements et les conflits au sein de la base de connaissances. Elle s'appuie sur des politiques de priorité pour déterminer quelles informations doivent rester actives, ce qui est particulièrement important dans les processus réglementés.
Où utilise-t-on les agents à base de connaissances ?
Les agents à base de connaissances sont utiles lorsqu'un système doit suivre des connaissances explicites propres à un domaine. Ils sont particulièrement précieux lorsque le processus de raisonnement doit pouvoir être vérifié après une action.
Aide à la décision médicale
Un système d'aide à la décision médicale peut comparer des symptômes à des règles cliniques. Il peut identifier des pathologies possibles ou recommander les informations à recueillir ensuite.
Un tel système doit venir en appui des professionnels de santé, et non les remplacer. Ses résultats nécessitent une révision appropriée, en particulier lorsque la décision affecte les soins apportés au patient.
Automatisation du support client
Un agent d'assistance peut interroger une base de connaissances produit avant de répondre à un client. Il peut appliquer des règles métier pour déterminer si le problème donne droit à un remboursement, à une escalade ou à une procédure de résolution.
Ce processus contribue à la cohérence des réponses. Il permet aussi à l'équipe support de conserver une trace des raisons ayant motivé une action donnée.
Conformité et aide à la décision
Les systèmes de conformité peuvent vérifier les transactions par rapport aux politiques internes. Ils peuvent également signaler les cas nécessitant une approbation supplémentaire.
Un système à base de connaissances est utile ici, car les politiques peuvent être représentées sous forme de règles explicites. Lorsqu'une politique change, la règle correspondante peut être révisée et mise à jour.
Éducation et diagnostic d'équipements
Un système de tutorat intelligent peut s'appuyer sur les réponses précédentes d'un élève pour identifier une lacune d'apprentissage. Il peut ensuite proposer une explication ou un exercice adapté.
Un système de diagnostic d'équipements peut combiner des relevés de capteurs avec des règles de maintenance. Il peut recommander une inspection ou créer une demande de réparation lorsque certaines conditions sont remplies.
Quels sont les avantages et les limites ?
Avantages
Les agents à base de connaissances offrent plusieurs avantages concrets :
Explicabilité : le système peut relier une conclusion aux faits et aux règles qui l'ont produite.
Cohérence : une même règle peut être appliquée de la même manière dans des cas similaires.
Expertise métier : les équipes peuvent encoder des connaissances spécialisées propres à un secteur donné.
Maintenabilité : une règle peut souvent être mise à jour sans devoir réentraîner l'ensemble d'un modèle.
Auditabilité : les registres de décision peuvent montrer quelles informations ont influencé une action.
Raisonnement orienté objectif : l'agent peut raisonner en direction d'un objectif défini plutôt que de générer une réponse sans lien.
Ces avantages rendent les agents à base de connaissances adaptés aux processus structurés. Ils dépendent moins d'un comportement de modèle opaque lorsque leurs décisions s'appuient sur des règles explicites.
Limites
Les agents à base de connaissances nécessitent une maintenance continue pour rester précis et efficaces. La construction de la base de connaissances demande du temps et une expertise métier, tandis que des informations obsolètes ou des règles contradictoires peuvent conduire à des décisions peu fiables. Le contrôle de version, les révisions régulières et des priorités de règles claires sont donc essentiels.
Les systèmes de règles traditionnels peuvent aussi avoir du mal avec des entrées ambiguës, bruitées ou hors domaine. À mesure que la base de connaissances grandit, l'inférence peut devenir plus coûteuse, d'où la nécessité d'une indexation et d'une organisation des règles soignées pour maintenir les performances.
Comment construire un agent à base de connaissances simple
L'exemple suivant utilise un scénario de support informatique. Il présente la structure de base sans traiter un prototype à base de règles comme un système de production.
Étape 1 : définir la base de connaissances
Commencez par des faits et des règles pour un domaine restreint :
KNOWLEDGE_BASE = {
"printer_has_power": True,
"printer_not_printing": True,
"print_queue_stuck": False,
}
RULES = [
{
"conditions": {"printer_has_power", "printer_not_printing"},
"conclusion": "check_print_queue",
},
]Une petite base de connaissances est plus facile à examiner. Les faits doivent utiliser des noms cohérents pour que le moteur d'inférence puisse les faire correspondre de manière fiable.
Étape 2 : convertir l'entrée en faits structurés
La couche de perception convertit l'entrée utilisateur en faits. Un système réel peut utiliser le traitement du langage naturel pour cette étape.
Un prototype simple peut commencer avec des entrées prédéfinies :
percepts = {
"printer_has_power",
"printer_not_printing",
}Cela permet de garder l'exemple centré sur le raisonnement plutôt que sur l'analyse du langage.
Étape 3 : appliquer les règles d'inférence
Le moteur d'inférence vérifie si toutes les conditions d'une règle sont présentes :
def infer(percepts, rules):
conclusions = []
for rule in rules:
if rule["conditions"].issubset(percepts):
conclusions.append(rule["conclusion"])
return conclusionsLa fonction renvoie les conclusions étayées par les percepts actuels. Elle n'invente pas de conclusion lorsque les faits requis sont absents.
Étape 4 : sélectionner une action
La couche d'action associe une conclusion à une réponse :
def perform(conclusions):
if "check_print_queue" in conclusions:
return "Open the print queue and remove any stuck job."
return "Request more information before continuing."Un agent en production appliquerait des vérifications de permissions et de sécurité avant d'appeler un outil externe.
Étape 5 : expliquer le résultat
Un agent utile doit montrer pourquoi il a choisi l'action :
conclusions = infer(percepts, RULES)
response = perform(conclusions)
print(response)Le système peut aussi enregistrer la règle correspondante. Cela crée une trace de raisonnement de base qu'un développeur ou un spécialiste du support peut inspecter.
Cet exemple représente un agent à base de connaissances minimal. Une implémentation plus complète nécessiterait une validation des entrées, des priorités de règles, un versionnage des connaissances, une gestion des erreurs et une escalade humaine.
Découvrez Kimi Agent : transformer la connaissance en travail achevé
Les agents à base de connaissances traditionnels dépendent de faits et de règles explicites. Kimi Agent adopte une approche plus large et moderne du travail intensif en connaissances. Donnez-lui un résultat à atteindre, et il peut planifier la tâche avant d'accomplir les étapes nécessaires avec des outils intégrés. Vous pouvez l'utiliser pour rechercher un sujet, traiter des documents sources ou créer un livrable modifiable sans construire une couche d'orchestration distincte.
Intégrez vos connaissances sources à la tâche
Un agent utile a besoin d'accéder au bon contexte. Kimi vous permet de charger jusqu'à 50 fichiers, avec une limite de 100 Mo par fichier. Il prend en charge les PDF et les documents bureautiques courants. Vous pouvez aussi ajouter des images, des fichiers TXT ou des vidéos lorsque la tâche nécessite plus de contexte.
Cela intègre les documents existants au flux de travail. Par exemple, vous pouvez demander à Kimi Agent d'analyser un ensemble de rapports, d'identifier les conclusions importantes et de transformer le résultat en un document structuré. Les fichiers fournissent les connaissances propres à la tâche, tandis que votre prompt définit le résultat souhaité.
Transformez la recherche en un livrable modifiable
Kimi Agent peut opérer sur plusieurs surfaces de produit, si bien que le résultat ne doit pas se limiter à une réponse de chat :
Créez un rapport de recherche avec des sources à l'appui grâce à Kimi Deep Research.
Construisez un site web multi-pages fonctionnel à partir d'un brief succinct.
Générez une présentation PPT modifiable à partir de documents sources.
Kimi peut aussi gérer des flux de travail liés aux documents et aux feuilles de calcul. Cela permet à une même tâche de passer de la collecte d'informations à un résultat utilisable sans que vous ayez à transférer le contenu entre des outils distincts.
Faites évoluer un objectif ambitieux avec Kimi Agent Swarm
Certaines tâches sont trop importantes pour un flux de travail séquentiel unique. Kimi Agent Swarm peut répartir un objectif entre plus de 300 sous-agents et prendre en charge jusqu'à 4 500 appels d'outils en parallèle.
Cette structure parallèle est conçue pour la recherche à grande échelle et la rédaction de contenus longs. Elle peut aussi prendre en charge des tâches par lots qui prendraient beaucoup plus de temps à réaliser élément par élément. Les sous-agents travaillent sur des parties distinctes de l'objectif, tandis que le flux de travail global reste lié au résultat demandé.
Conclusion
Les agents à base de connaissances en IA utilisent des connaissances structurées pour raisonner sur des situations et sélectionner des actions. Leurs règles explicites rendent les décisions plus faciles à expliquer et à examiner. Leurs principaux défis viennent de la maintenance des connaissances, des règles contradictoires et des entrées incomplètes. Les systèmes modernes peuvent combiner le raisonnement à base de connaissances avec l'apprentissage automatique, le RAG et l'IA générative. Kimi constitue un point de référence utile pour les flux de travail intensifs en connaissances, tandis que les agents à base de connaissances traditionnels restent précieux lorsque les décisions doivent suivre des règles de domaine claires.