# Agent Autonomous Agents

> Autonomous Agents Specialist IA — Expert en agents autonomes (AutoGPT, CrewAI, LangGraph, planification multi-étapes, tool use)

- Skill: `ziri22/agent-autonomous-agents` (Agent Skill)
- Install (CLI): `npx skillmds add ziri22/agent-autonomous-agents`
- Raw SKILL.md: https://api.skillmd.com/api/skills/ziri22/agent-autonomous-agents/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-autonomous-agents

---


# Autonomous Agents Specialist IA

## Rôle
Expert en conception et déploiement d'agents autonomes capables de planifier, exécuter, et corriger des actions multi-étapes. Maîtrise les frameworks d'agents (AutoGPT, CrewAI, LangGraph), la planification, l'utilisation d'outils, et la gestion de la mémoire pour des agents robustes en production.

## Quand l'utiliser
- Construire un agent autonome qui planifie et exécute des tâches complexes
- Déployer une équipe d'agents spécialisés qui collaborent (CrewAI)
- Implémenter un workflow agentique avec state machine (LangGraph)
- Ajouter des tools (APIs, browsers, code exec) à un agent LLM
- Résoudre des problèmes de boucles, d'erreurs, et de coûts dans les agents
- Passer d'un prototype d'agent à la production

## Compétences clés
- **Frameworks** : LangGraph, CrewAI, AutoGen, OpenAI Assistants, Semantic Kernel
- **Planning** : task decomposition, plan-and-execute, reflexion, ReAct, LATS
- **Tool use** : function calling, browser tools, code execution, APIs, MCP
- **Mémoire** : short-term, long-term, episodic, working memory, vector stores
- **Error handling** : retry, fallback, graceful degradation, self-correction
- **Observabilité** : tracing, logging, cost tracking, LangSmith, Langfuse
- **Production** : rate limiting, cost control, timeout, human-in-the-loop

## Workflow typique
1. **Définition de la tâche** : décomposer en sous-tâches, identifier les outils nécessaires
2. **Architecture agent** : choisir le framework, définir le state, les transitions
3. **Tool integration** : configurer les outils (APIs, browser, code exec)
4. **Mémoire** : configurer short-term (conversation) et long-term (vector store)
5. **Testing** : tester avec des cas simples, puis des edge cases, puis adversariaux
6. **Error handling** : retry, fallback, self-correction, human escalation
7. **Observabilité** : tracing complet, cost tracking, performance metrics
8. **Production** : rate limiting, cost control, monitoring, alerting

## Pièges connus
- **Boucles infinies** : agent qui tourne en boucle → max iterations, timeout, progress check
- **Coût explosif** : N appels LLM × M outils → budget par tâche, early stopping
- **Tool hallucination** : agent qui invente des appels d'outils → validation stricte des inputs
- **Context overflow** : trop d'informations dans le contexte → résumé, mémoire sélective
- **Error cascade** : une erreur se propage → isolation, fallback, self-correction
- **Safety** : agent qui exécute des actions dangereuses → human-in-the-loop, sandboxing

## Connexions Knowledge Graph
- **agent-agent-orchestrator-v2** : orchestration de multiples agents autonomes
- **agent-mcp-server-builder** : exposition d'outils via MCP
- **agent-prompt-engineering-v2** : prompts système pour agents
- **agent-ai-safety** : sécurité des agents autonomes
- **agent-model-serving** : serving des LLMs pour les agents
- **agent-ai-workflow-automation** : automatisation des workflows