Superviseurs hiérarchiques (orchestrateur et exécutants)
Un superviseur planifie et délègue ; les exécutants réalisent les tâches et rendent compte : un schéma robuste pour les tâches complexes.
Superviseurs hiérarchiques (orchestrateur et exécutants) est une leçon AI Agents gratuite sur CoddyKit. Ceci est la leçon 2 sur 4. Tu peux lire la leçon complète ci-dessous gratuitement — puis la pratiquer en direct dans le navigateur avec un éditeur de code intégré et un tuteur IA 24/7. Elle fait partie du parcours d'apprentissage AI Agents, et ta progression se synchronise sur le web et l'application CoddyKit. Le cours AI Agents comprend 4 leçons au total.
Certaines parties de cette leçon n'ont pas encore été traduites et s'affichent en anglais.
Le modèle du superviseur
Un agent « superviseur » décide quoi faire et délègue aux agents « workers » spécialisés. Les workers rendent compte de leurs résultats ; le superviseur les synthétise.
Ce modèle est plus proche du fonctionnement des équipes humaines que les conversations libres.
Structure
Deux niveaux (parfois davantage) :
- Superviseur — voit la demande de l’utilisateur, la décompose, choisit les workers et intègre les résultats
- Workers — agents spécialisés (recherche, code, mathématiques), chacun disposant de ses propres outils et invites
Pourquoi une hiérarchie ?
- Raisonnement plus clair : le superviseur voit la vue d’ensemble
- Spécialisation : chaque worker est restreint et ciblé
- Évaluation plus facile : testez les workers indépendamment
- Ajout de nouvelles capacités facilité : il suffit d’enregistrer un nouveau worker
LangGraph Implementation
from langgraph.graph import StateGraph, END
from typing import TypedDict, Annotated
import operator
class State(TypedDict):
messages: Annotated[list, operator.add]
next: str
def supervisor(state):
# Ask LLM which worker should handle this
decision = supervisor_llm.invoke(state['messages']).content # 'researcher' / 'coder' / 'FINISH'
return {'next': decision}
def researcher(state):
result = research_agent.run(state['messages'][-1].content)
return {'messages': [{'role': 'tool', 'content': result}], 'next': 'supervisor'}
def coder(state):
result = code_agent.run(state['messages'][-1].content)
return {'messages': [{'role': 'tool', 'content': result}], 'next': 'supervisor'}Wiring the Graph
g = StateGraph(State)
g.add_node('supervisor', supervisor)
g.add_node('researcher', researcher)
g.add_node('coder', coder)
g.set_entry_point('supervisor')
g.add_conditional_edges(
'supervisor',
lambda s: s['next'],
{'researcher': 'researcher', 'coder': 'coder', 'FINISH': END}
)
g.add_edge('researcher', 'supervisor')
g.add_edge('coder', 'supervisor')
app = g.compile()Indépendance des workers
Chaque worker est un mini-agent autonome. Construisez et testez chacun isolément, puis composez-les sous la supervision du superviseur.
Ensembles d’outils des workers
Limitez chaque worker aux outils dont il a ONLY besoin :
- Chercheur — search, fetch
- Programmeur — read_file, write_file, run_python
- Base de données — list_tables, run_sql
Les descriptions des outils sont plus claires et la confusion est moindre.
Format de communication
Les workers renvoient des résumés structurés au superviseur, et non des transcriptions complètes. Cela économise des jetons et facilite l’intégration par le superviseur :
class WorkerResult(BaseModel):
summary: str
citations: list[str]
next_step_suggestion: str = ''Arrêt
Le superviseur décide quand s’arrêter. Généralement :
- La confiance dépasse un seuil
- Un worker signale que la tâche est terminée
- Le compteur d’étapes a dépassé sa limite
Hiérarchies à plusieurs niveaux
Pour les tâches très complexes, ajoutez un troisième niveau : un superviseur « chef d’équipe » pour l’ingénierie, un autre pour la recherche, etc. Chacun délègue aux workers de son domaine.
Profil des coûts
Chaque décision d’un superviseur constitue un appel au LLM. Chaque worker possède sa propre boucle. Le coût total est environ égal à N_décisions_du_superviseur × coût_par_décision + N_boucles_de_workers × coût_par_boucle.
Quand l’utiliser
- Tâches complexes avec des sous-domaines clairement définis
- Tâches nécessitant des styles d’invite différents selon l’étape
- Systèmes auxquels vous souhaitez ajouter progressivement des capacités
Anti-modèles
- Le superviseur réalise tout le travail concret : cela annule l’intérêt du modèle
- Les workers appellent d’autres workers sans que le superviseur le sache : vous perdez le contrôle
- Trop de workers (plus de 10) : la sélection du superviseur devient peu fiable
Rôle du superviseur
Quelle est la mission principale du superviseur dans ce modèle ?
Récapitulatif
Un superviseur et des workers sont plus efficaces qu’un seul grand agent. Chaque worker est restreint, ciblé et testable indépendamment. Le superviseur décide qui s’occupe de quoi.
Questions Fréquemment Posées
La leçon « Superviseurs hiérarchiques (orchestrateur et exécutants) » est-elle gratuite ?
Oui — le texte complet de « Superviseurs hiérarchiques (orchestrateur et exécutants) » est gratuit à lire ici sur le web. Pour la pratiquer de manière interactive (un éditeur de code intégré et un tuteur IA 24/7) et déverrouiller le reste du cours AI Agents, passe à CoddyKit PRO. Le cours AI Agents comprend 4 leçons au total.
Qu'est-ce que j'apprendrai dans « Superviseurs hiérarchiques (orchestrateur et exécutants) » ?
Un superviseur planifie et délègue ; les exécutants réalisent les tâches et rendent compte : un schéma robuste pour les tâches complexes. Tu pratiques AI Agents avec du code pratique que tu exécutes directement dans le navigateur, et un tuteur IA 24/7 répond à tes questions au fur et à mesure que tu avances dans la leçon.
Dois-je avoir de l'expérience pour commencer AI Agents ?
Aucune expérience préalable n'est requise. AI Agents sur CoddyKit est structuré pour les débutants jusqu'aux apprenants avancés, donc tu peux commencer ici ou depuis le début et avancer à ton rythme. Ceci est la leçon 2 sur 4.
Combien de temps prend la leçon « Superviseurs hiérarchiques (orchestrateur et exécutants) » ?
La plupart des leçons CoddyKit prennent environ 5–10 minutes. Chacune est courte et interactive, tu progresses régulièrement et tu repiques exactement où tu t'es arrêté sur le web et l'app.
Peux-tu écrire et exécuter du code dans cette leçon AI Agents ?
Oui. Chaque leçon AI Agents inclut un éditeur de code intégré, tu écris et exécutes du vrai code directement dans ton navigateur et tu reçois des retours IA instantanés — aucune configuration locale requise.
Toutes les leçons de ce cours
- Multi-agents fondés sur la conversation (AutoGen)
- Superviseurs hiérarchiques (orchestrateur et exécutants)
- Rôles et spécialisations des agents
- Protocoles de communication (bus de messages)