Un agent IA s’appuie comme son nom l’indique sur l’intelligence artificielle pour la prise de décision (souvent une IA générative), mais aussi sur des outils pour passer à l’action et observer son environnement.
Les outils sont tout simplement des éléments de code, il peut s’agir de fonction Python permettant d’accéder à Internet, d’API REST pour manipuler des données, voire d’autres agents dans la logique “Agent2Agent”.
Un agent efficace doit donc combiner à la fois un modèle d’IA puissant, et un panel d’outils complet. Un peu comme un bricoleur qui doit à la fois être malin… et bien équipé !
On prend rapidement l’habitude de brancher des serveurs MCP sur des agents IA. Le protocole MCP est très pratique, car il est clé-en-main : une URL ou une commande suffisent à le configurer. Il est utilisé aussi bien par les développeurs que sur des plateformes grand public qui acceptent une connexion MCP, par exemple n8n.
Mais quand on crée son propre agent IA en Python, il est plus efficace de connecter manuellement des outils à son agent dès que cela est possible. Cette approche donne un plus grand contrôle.
Le module “langchain-core” permet de fournir des fonctions Python directement à un LLM, via la fonction "bind_tools". Attention, il faudra ensuite gérer le déclenchement de l'outil, ce qui est un peu complexe.
Depuis la v1 de LangChain, il y a encore plus simple. Il est possible de créer directement une boucle agentique et de lui associer un ensemble d’outils, avec l’option “tools”.
L’agent open source pour la bureautique “fais” de LBKE illustre cet usage : l’agent est équipé de plusieurs fonctions qui lui permettent de manipuler des fichiers, des dossiers, vérifier la cohérence de documents administratifs, etc.
Cette approche fournit un bon équilibre entre contrôle et facilité de mise en place. Elle est pertinente pour créer rapidement des agents avec des outils personnalisés. Le protocole MCP reste utile pour se connecter à des outils plus complexes ou des APIs distantes.
