SMA : Système Multi-Agents de Veille Technologique

Système multi-agents qui automatise la veille technologique en IA : collecte d'articles depuis des flux RSS, filtrage et analyse par trois agents LLM spécialisés, puis production d'un rapport managérial en français.

Projet académique, module Agents Intelligents.

Architecture

   arXiv cs.AI ─┐
Hugging Face ───┼──▶ n8n (orchestration)
Papers w/ Code ─┘         │
                          ▼
                  Déduplication (URL, set theory)
                          │
                          ▼
        ┌─────────────────────────────────────────┐
        │  Agent 1 : Collecteur                   │
        │  Filtre de première ligne → top 5       │
        │  Sortie : JSON + score_pertinence       │
        └─────────────────┬───────────────────────┘
                          ▼
                 Airtable (base de connaissances)
                  Qdrant (recherche vectorielle)
                          │
        ┌─────────────────▼───────────────────────┐
        │  Agent 2 : Analyseur                    │
        │  Détection de tendances macro           │
        │  Sortie : tendances, technos, score     │
        └─────────────────┬───────────────────────┘
                          ▼
        ┌─────────────────────────────────────────┐
        │  Agent 3 : Rédacteur                    │
        │  Traducteur éditorial                   │
        │  Sortie : rapport FR (3 paragraphes)    │
        └─────────────────────────────────────────┘

Les trois agents

Agent	Rôle	Entrée	Sortie
Collecteur	Filtre de première ligne, sélectionne les 5 articles pertinents	Articles RSS fusionnés	JSON, 5 articles avec score_pertinence
Analyseur	Détection de tendances macro et scoring	Top 10 articles depuis Airtable (RAG)	JSON : tendances, technologies_emergentes, score_global
Rédacteur	Traducteur éditorial	Sortie JSON de l'Analyseur	JSON : rapport (3 paragraphes en français)

Problème traité

Le suivi manuel de l'actualité IA coûte 4 à 8 heures par semaine à une équipe technique. Le pipeline effectue le même travail chaque nuit, sans intervention humaine, en moins de cinq minutes.

Stack

Composant	Technologie
Orchestration	n8n auto-hébergé (Docker), pipeline séquentiel, déclenchement nocturne
LLM	LLaMA 3.3 70B via Groq (infrastructure LPU)
Graphe d'agents	LangGraph
Base vectorielle	Qdrant (Docker, port 6333)
Base de connaissances	Airtable, tables Articles, Rapports, Learning Logs
Interopérabilité	Model Context Protocol (MCP)
Sources	arXiv cs.AI, Hugging Face Blog, Papers with Code

L'architecture s'appuie sur MCP pour la découverte et l'appel de ressources externes via un manifeste unifié : la logique des agents est découplée des intégrations, ce qui rend le système modulaire et extensible.

Résultats mesurés

Métrique	Valeur
Articles collectés, scorés et dédupliqués par exécution	10
Score global du marché IA produit	8/10, exécution en 1,064 s
Génération du rapport managérial français	1,73 s, 1 762 tokens
Intervention humaine sur le pipeline complet	0

Robustesse

Deux mécanismes traitent les modes de défaillance rencontrés en pratique :

• Déduplication : nœud JS comparant les URL par théorie des ensembles en mémoire, les mêmes articles apparaissant sur plusieurs flux.
• Filet de sécurité JSON : extraction par indexOf() sur la sortie de l'Agent 3, les LLM encadrant fréquemment leur JSON de texte narratif.

Structure

Sujet Project/
├── Codes-RAG/
│   ├── langgraph_agent.py            # Graphe d'agents LangGraph
│   ├── qdrant_rag_integration.py     # Intégration RAG / Qdrant
│   ├── SMA_Veille_Technologique.ipynb
│   └── config.toml                   # Configuration agents, sources, vector DB
├── workflows/                        # Exports n8n réels (26 nœuds) + dashboard
└── Source/                           # Workflow LangGraph (JSON) + dashboard

Workflows n8n

Le dossier workflows/ contient les exports réels du pipeline, importables directement dans une instance n8n :

Fichier	Contenu
workflow_current.json	Pipeline principal, 26 nœuds
Projet_Veille_AVEC_WEBHOOK.json	Variante avec déclenchement par webhook
all_workflows.json	Ensemble des workflows de l'instance
dashboard_full.html	Tableau de bord de visualisation

Les blocs credentials de ces exports ne contiennent que les identifiants internes n8n (id + nom), jamais les secrets, ceux-ci doivent être reconfigurés dans votre propre instance après import.

Configuration

Les paramètres (agents, sources RSS, Qdrant, Airtable) sont centralisés dans Codes-RAG/config.toml. Les identifiants API (Airtable, fournisseur LLM) doivent être fournis par variables d'environnement, ils ne sont pas versionnés.

Auteur

Amjad AAYD

Projet réalisé en binôme dans le cadre du module Agents Intelligents.