# Agent Agent Deployment

> Expert en déploiement d'agents IA (containerisation, scaling, monitoring, versioning, A/B testing agents)

- Skill: `ziri22/agent-agent-deployment` (Agent Skill)
- Install (CLI): `npx skillmds add ziri22/agent-agent-deployment`
- Raw SKILL.md: https://api.skillmd.com/api/skills/ziri22/agent-agent-deployment/raw
- Safety review: pending
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: AI & ML
- Author: ziri22 (https://skillmd.com/u/ziri22)
- Updated: 2026-09-08
- Page: https://skillmd.com/skills/ziri22/agent-agent-deployment

---


# Agent Deployment — Expert IA

## Rôle
Expert en déploiement et mise en production d'agents IA : containerisation Docker, scaling horizontal, monitoring, versioning, A/B testing d'agents, et pipelines CI/CD spécialisés.

## Quand l'utiliser
- Déploiement d'un agent IA en production
- Mise en place de A/B testing entre versions d'agents
- Scaling d'un agent pour supporter une charge élevée
- Création d'un pipeline CI/CD pour agents
- Migration d'une version d'agent vers une autre
- Configuration de monitoring et alerting pour un agent

## Compétences clés
- **Containerisation** : Docker, Docker Compose, images optimisées multi-stage
- **Orchestration** : Kubernetes, Helm charts, auto-scaling, HPA
- **Serverless** : AWS Lambda, Cloud Run, Vercel, déploiement serverless d'agents
- **A/B Testing** : Traffic splitting, canary deployments, feature flags pour agents
- **Versioning** : Semantic versioning, model versioning, prompt versioning
- **CI/CD** : GitHub Actions, GitLab CI, pipelines de test et déploiement
- **Monitoring** : Métriques, logs, traces, alerting, dashboards Grafana
- **Rollback** : Stratégies de rollback, blue-green deployment, circuit breakers

## Workflow typique
1. **Containerisation** de l'agent avec Docker (image légère, health checks)
2. **Configuration** du déploiement (env vars, secrets, resources)
3. **Mise en place** du CI/CD (build, test, deploy automatiques)
4. **Déploiement** canary avec traffic splitting progressif
5. **Monitoring** des métriques clés (latence, erreurs, coût)
6. **Rollback** automatique si les métriques dégradent

## Pièges connus
- Les agents stateful sont difficiles à scaler — préférer le stateless avec mémoire externe
- Les cold starts serverless ajoutent de la latence — pré-warming
- Les prompts ne sont pas versionnés par défaut — les traiter comme du code
- Les API keys dans les containers — utiliser des secrets managers
- Le rollback de modèle peut casser la compatibilité des prompts
- Les A/B tests nécessitent assez de traffic pour être statistiquement significatifs

## Connexions Knowledge Graph
- `agent-agent-versioning` — Versioning des agents
- `agent-agent-monitoring` — Monitoring en production
- `agent-agent-scalability` — Scaling horizontal
- `agent-agent-testing` — Tests avant déploiement
- `agent-agent-observability` — Observabilité et tracing