Retours de terrain sur la mise en production d'agents IA : bugs silencieux trouvés et corrigés dans des frameworks open source (Microsoft Agent Framework, Mistral AI, OGX), Copilot Studio en production et architecture LLM sur Azure. Publiés sur Medium (français et anglais) et sur dev.to (anglais).
Des bugs qui ne plantent pas mais renvoient un résultat plausible et faux : trouvés en audit, reproduits, corrigés et testés, puis proposés aux mainteneurs.
Lien de consentement perdu, citations disparues, appels d'outils en parallèle, filtres Qdrant faux, proxy ignoré : ce qu'a révélé l'audit du framework d'agents de Microsoft.
1 correctif fusionné par Microsoft (PR #8984) ; 4 autres proposés, dont 1 déjà approuvé
Un agent qui fonctionne sur le poste du développeur puis n'atteint plus rien derrière le proxy de l'entreprise : la cause, le correctif et le test à ajouter à vos intégrations.
Correctif fusionné par Microsoft le 6 octobre 2026 (PR #8984)
Sur un serveur d'inférence isolé d'Internet, mistral-common ne trouvait pas un tokenizer pourtant téléchargé à l'avance : la cause et le correctif.
Correctif fusionné par Mistral AI le 5 octobre 2026 (PR #349)
Réindexer un document ajoutait des doublons dans la base vectorielle : la cause, le correctif (UUID déterministes) et le test à ajouter à vos pipelines d'ingestion RAG.
Correctif fusionné dans OGX le 2 octobre 2026 (PR #6705)
Un schéma d'outil, un validateur et une sortie structurée qui s'exécutent sans erreur et renvoient pourtant un résultat faux.
Correctifs proposés aux mainteneurs, en attente de revue (PR #354, issues #632 et #633)
Audit d'OGX (ex-Llama Stack) : recherche hybride Elasticsearch, filtres pgvector et comptage des tokens qui renvoyaient des résultats plausibles mais faux.
Correctifs fusionnés par les mainteneurs le 1er octobre 2026 (PR #6697 et #6698)
GitLab sait déjà afficher des constats de revue de code dans une merge request, sans jeton ni bot : ajout de ce format de sortie à l'outil open-code-review d'Alibaba.
Ce qui sépare un agent Copilot Studio qui répond bien en démonstration d'un agent fiable en production.
Un serveur MCP qui filtre les passages Azure AI Search avec Jev (TypeSafe) avant la réponse : architecture, mise en place pas à pas, résultats mesurés, audit et rejeu des décisions.
La synthèse de la série en six articles : interface, instructions, base de connaissances, OCR, outils et agent flows, avec leurs forces et leurs limites.
En 2026, on ne dessine plus chaque conversation : on décrit un agent et on lui donne des sources et des outils. Ce que cela change vraiment.
Les instructions sont le contrat de l'agent : qui il est, ce qu'il fait, ce qu'il refuse et comment il répond.
Un agent ne vaut que ce que valent ses sources : la plupart des mauvaises réponses attribuées au modèle viennent de la base de connaissances.
Contrats signés puis scannés, documents techniques photocopiés : quand le savoir n'existe qu'en image, l'agent ne le lit pas sans OCR.
Un agent qui explique comment créer un ticket aide ; un agent qui crée le ticket change la façon de travailler.
Le modèle raisonne, le flux garantit : ce que les agent flows apportent et que l'orchestration générative ne promet pas.
Router, servir et déployer des modèles et des agents dans un système d'information d'entreprise.
Intune, Teams, Entra ID, Graph : ce qui fonctionne déjà, ce qui manque encore pour un déploiement à l'échelle, et la checklist à appliquer avant un pilote.
Lancer vllm serve tient en une ligne ; servir de vrais utilisateurs demande quatre réponses : nombre de GPU, répartition de la charge, autoscaling et supervision.
Envoyer chaque prompt au modèle le plus puissant, c'est payer cher des tâches simples et parfois exposer des données sensibles : router chaque requête vers le modèle autorisé le moins cher qui suffit.
Le livre gratuit Agents Copilot en production reprend ces retours de terrain en méthode complète. La checklist pour passer un agent IA en production en donne la version courte.
Profils : Medium · dev.to · GitHub · YouTube · LinkedIn · Malt