Je vais créer un processus pour un agent IA avec évaluation rag qui effectue un vrai travail

La plupart des démonstrations d'agent fonctionnent une fois puis échouent dès qu'elles rencontrent de vraies données. Je construis les éléments qui leur permettent de tenir.

Une étape d'approbation humaine, pour éviter que quelque chose d'irréversible ne se produise sans validation. Une boucle de validation qui renvoie le travail jusqu'à ce qu'il converge, au lieu d'accepter la première réponse plausible. Un système d'évaluation, pour que lorsque vous modifiez un prompt ou changez de modèle, vous puissiez savoir si cela s'est amélioré.

Orchestration multi-agent lorsque un seul agent ne suffit pas : un proposeur fonctionne, un validateur indépendant rejette ce qui viole la contrainte, et cela revient corrigé.

Si votre agent répond à partir de vos propres documents, c'est du RAG, et la partie difficile est de savoir si la récupération renvoie le bon passage. Je construis l'évaluation RAG avec cela, sur un ensemble réservé que vous relancez après chaque modification, pour que la qualité soit une valeur numérique, pas une impression.

8 ans en tant qu'ingénieur backend et data dans une entreprise de données : 439 demandes de fusion examinées sur 19 dépôts, 107 incidents résolus.

Vous avez le workflow intégré à vos outils, le système, le code source et la documentation. Java, Python, TypeScript. GPT, Claude, Gemini.

Dites-moi le travail et je vous dirai honnêtement si un agent est l'outil adapté.