Confluent pose les briques de son système multiagent orienté événements

Définir et rejouer les flux de travail agentiques

À ce titre, Streaming Agents est complété par des fonctions SQL Flink (UDF) pour invoquer des modèles de langage, des modèles d’embeddings, des appels de fonction et des outils via le protocole Model Context Protocol (MCP).

Mais la mise à jour Q4 de Confluent Cloud ajoute de nouveaux « primitifs ». Il y a d’abord Agent Definition. Cette fonction en préversion publique permet de spécifier de manière déclarative (à l’aide d’une syntaxe SQL), le modèle de raisonnement de référence, le prompt système, les outils que les agents peuvent utiliser et des options de configuration. Ces définitions sont enregistrées dans le catalogue Flink.

Ce moyen de définir des agents IA est accompagné de fonctions d’observabilité et de débogage. Il s’agit de collecter les événements des agents, l’invocation des outils, les résultats des LLM, etc., afin d’auditer les systèmes agentiques en cas de problème et de comprendre les potentiels éléments qui peuvent être améliorés. Ce n’est pas une fonction anodine, selon Andrew Sellers.

« Jusqu’il y a peu, les agents IA étaient des microservices stateful qui utilisaient des LLM », a-t-il lancé auprès du MagIT. « Ce n’est que lorsque l’on a introduit la notion d’event-driven qu’ils sont véritablement devenus pertinents. Cette architecture permet la rejouabilité, le traçage et le découplage des services. Je pense que nous sommes en train de voir la même chose avec les agents IA ». Et d’ajouter que les protocoles comme MCP et A2A découlent de cette même philosophie.

Alimenter les agents IA en données « fraîches »

En ce sens, le troisième élément de cette mise à jour est sans doute le plus important. Confluent introduit en « early access » ce qu’il appelle un moteur de contextualisation en temps réel. Celui-ci sert à servir des données structurées actualisées aux agents IA. C’est une « couche de services entièrement managée qui construit, met à jour et fournit en permanence le contexte via MCP », indique la documentation de l’éditeur.

Les données sont disponibles sous forme de vues matérialisées en lecture seule, stockées en mémoire. Il s’agit de les rendre interrogeables « instantanément ». Dans un même temps, les données sont tracées, gouvernées, auditables et cohérentes. « Lorsque les définitions ou les schémas en amont changent, le moteur retraite automatiquement les données impactées pour éviter les dérives, garantissant ainsi la cohérence des systèmes d’IA en aval sans intervention manuelle ni reconstruction », précise la documentation.

Sous le capot, ce moteur n’est autre qu’une combinaison de Kafka et de Flink. Ces deux technologies ne sont pas réputées pour être simples à exploiter. L’éditeur promet là d’abstraire ces difficultés.

Dans l’idée, le moteur doit alimenter en « données fraîches » des agents IA qui, eux-mêmes, produisent des résultats sous forme d’événements.

Tout de même, les LLM et les agents IA sont meilleurs pour traiter des données non structurées. Pour cela, Confluent laisse les entreprises s’appuyer sur les bases de données vectorielles du marché, dont Couchbase, Elasticsearch, MongoDB Atlas et Pinecone. La prise en charge d’autres technologies est sur la feuille de route, mais ce sont les quatre actuellement utilisables avec la fonction Vector Search de Confluent Cloud for Flink. Elle est également couplée avec une fonction de vectorisation « en temps réel ». Plus spécifiquement, une fonction UDF de Flink appelle un modèle d’embedding qui convertit les documents en vecteurs d’un topic Kafka source vers un topic cible.

Des blancs à combler

Confluent ne prétend pas vouloir imposer son framework de développement agentique. Il préfère se connecter aux outils du marché, dont AutoGen, CrewAI, LangGraph, Amazon Bedrock, Snowflake Cortex, Agentforce de Salesforce, SAP Joule ou encore Databricks.

« Nous voulons accélérer le temps de commercialisation des systèmes multiagents de nos clients et je pense que cela passe en grande partie par l’intégration avec tous les frameworks existants », confirmait déjà Andrew Sellers en juin dernier.

Or, la documentation technique ne décrit pas comment ces différents agents peuvent être orchestrés en connexion avec les différentes briques de l’initiative Confluent Intelligence. Les éléments techniques disponibles décrivent davantage des workflows agentiques, c’est-à-dire la manière dont les LLM, les outils et les bases de données sont orchestrés, étape par étape, afin d’accomplir des tâches spécifiques. Selon Sean Falconer, directeur senior de la stratégie IA chez Confluent, les patterns sont en cours de validation avec les partenaires de l’éditeur.