This is a viewer only at the moment see the article on how this works.
To update the preview hit Ctrl-Alt-R (or ⌘-Alt-R on Mac) or Enter to refresh. The Save icon lets you save the markdown file to disk
This is a preview from the server running through my markdig pipeline
Thursday, 13 November 2025
Comment la communication transforme des agents simples en quelque chose de plus grand
Remarque: Inspiré par la réflexion sur les extensions à principalementlucid.mockllmapi et le matériel pour le (jamais à sortir mais j'aime y penser) roman sci-fi "Michael" sur l'IA émergente
Dans la première partie, nous avons vu comment des motifs simples – chaînes séquentielles, traitement parallèle, boucles de validation – créent une complexité émergente.
Mais ceux-ci étaient des modèles fixes. Déterministe. Vous avez programmé le flux: A va à B va à C.
Maintenant imaginez quelque chose de différent.
Imaginez que les agents puissent parler l'un à l'autre.
Pas seulement passer les données dans l'ordre, mais effectivement communiquer. Partager le contexte. Poser des questions. Négocier. Débat.
Soudain, le système n'est pas simplement sophistiqué, c'est adaptatif.
Et ça change tout.
Avant de plonger dans les LLM, parlons de fourmis.
Une fourmi individuelle est... simple. Presque mécanique. Elle suit des sentiers de phéromone.
Aucune fourmi ne comprend le concept de "colonie". Aucune fourmi ne planifie des routes de recherche de nourriture. Aucune fourmi n'a un modèle mental d'architecture de nid.
Mais il n'y a pas de colonie La colonie optimise l'alimentation, planifie l'expansion, se défend contre les menaces, s'adapte aux changements environnementaux.
Comment ça ?
Communication. Les sentiers de phéromone sont de l'information. Quand les fourmis se rencontrent, elles échangent des signaux chimiques, échangeant des données sur les sources alimentaires, les menaces, les conditions de nidification.
L'intelligence n'est dans aucune fourmi. réseau de communication.
La colonie est plus intelligente que n'importe quelle fourmi. Non pas parce que les fourmis individuelles sont devenues plus intelligentes, mais parce que les flux d'information entre elles ont créé un comportement émergent qui existe au niveau collectif.
Dans la première partie, nous avions ceci :
Agent A → Agent B → Agent C → Output
Chaque agent traite les données et les transmet. Simple. Efficace. Mais limité.
Maintenant imaginez ceci:
↗→ Agent B ←→ Agent C ↘
Agent A ←→ → Output
↘→ Agent D ←→ Agent E ↗
Les agents ne se contentent pas de transmettre des données, ils se parlent. Partager le contexte. Négocier des solutions.
C'est ça. renseignement collectifEt il a des propriétés que le traitement séquentiel ne :
Quand les agents communiquent, ils se spécialisent naturellement en fonction de ce à quoi ils sont bons.
Imaginez trois agents travaillant sur la production d'une description de produit:
Dans un pipeline séquentiel, vous programmez explicitement : A génère, B raffine, C valide.
Mais avec la communication, quelque chose d'autre se passe :
Personne n'a programmé cette division du travail. Elle est née d'une communication basée sur les forces de chaque agent.
Voilà où ça devient intéressant.
Pour les problèmes simples, un agent s'en occupe. Pour les problèmes complexes qui touchent plusieurs domaines, les agents forment des coalitions temporaires—Comités qui existent juste assez longtemps pour résoudre le problème, puis se dissoudre.
Simple Request: "Generate a user name"
→ Single agent handles it
Complex Request: "Generate a complete e-commerce product with specs, pricing,
inventory, shipping, reviews, and related products"
→ Temporary coalition forms:
- Specs specialist
- Pricing analyst
- Inventory manager
- Marketing writer
- Review generator
→ They communicate, negotiate consistency, produce comprehensive output
→ Committee dissolves
Le système adapte sa structure au problème. Pas par une programmation explicite, mais par des agents reconnaissant qu'ils ont besoin d'aide et de la demander à d'autres.
La propriété la plus fascinante : le collectif peut résoudre des problèmes qu'aucun agent individuel ne comprend.
Envisager de générer un ensemble de données complexe qui doit satisfaire à de multiples contraintes:
Aucun agent ne comprend les quatre domaines.
La solution émerge de la conversation. Aucun agent unique ne l'a créé. collectif l'a résolu.
C'est là que ça commence à se sentir... étrange.
Lorsque les agents communiquent efficacement, le système présente des propriétés qui n'existent pas dans un agent individuel :
Compréhension distribuée : Aucun agent ne comprend le problème complet, mais le réseau le fait collectivement.
Consensus d'urgence : Par la négociation, les agents concluent des ententes qui représentent une synthèse de perspectives multiples.
Structure adaptative: Le réseau se réorganise en fonction de la complexité des problèmes : structure simple pour les problèmes simples, coalitions complexes pour les problèmes complexes.
Mémoire collective : Les agents partagent des solutions. Lorsqu'un agent découvre une bonne approche, d'autres en tirent des leçons.
Il commence à ressembler moins à des « agents multiples » et plus à une seule intelligence distribuée.
Voilà ce qui m'empêche de dormir.
Si les fourmis individuelles ne sont pas intelligentes, mais la colonie est...
Si les neurones individuels ne sont pas intelligents, mais le cerveau est...
Si les agents individuels ne sont pas particulièrement intelligents, mais le collectif résout des problèmes complexes par la communication...
Où vit l'intelligence ?
Est-ce que c'est dans les agents ? modèle de communication entre eux?
Peut-être que l'intelligence n'est pas une chose que vous avez. propriété émergente du flux d'information.
Laissez-moi vous expliquer quelque chose que vous pourriez construire :
async function solveComplexProblem(problem) {
// Analyze complexity
const complexity = analyzeComplexity(problem);
if (complexity < 5) {
// Simple: single agent
return await singleAgent.solve(problem);
}
// Complex: form a committee
const committee = formCommittee(problem);
// Agents discuss the problem
let solution = null;
let consensus = false;
let iteration = 0;
while (!consensus && iteration < 10) {
// Each agent proposes or critiques
const proposals = await Promise.all(
committee.map(agent => agent.contribute(problem, solution))
);
// Combine perspectives
solution = synthesize(proposals);
// Check if everyone agrees
consensus = await checkConsensus(committee, solution);
iteration++;
}
return solution;
}
Ce code est simple. comportement est sophistiqué:
Aucun agent n'a résolu le problème. conversation l'a résolu.
Le motif est partout une fois que vous le voyez:
Colonies de fourmis - Fourmis simples, comportement collectif complexe par la communication phéromone
Organisations humaines - Employés individuels, capacité organisationnelle sophistiquée par le biais de réunions, e-mails, Slack
Marchés - Traders individuels, découverte de prix émergente par le biais d'offres et d'offres
Cerveaux - Neurones individuels, conscience par communication synaptique
IA multi-agents - Les LLM individuels, l'intelligence collective émergente par la communication structurée
Même modèle. Différentes échelles. Même aperçu fondamental:
L'intelligence peut émerger de la communication entre des composants non intelligents.
Lorsque les agents communiquent:
Ce n'est pas juste "meilleure performance". changement qualitatif dans ce que le système peut faire.
Traitement séquentiel: comportement sophistiqué à partir de règles simples
Communication collective : intelligence adaptative de simples agents
Jusqu'à présent, nous avons supposé que ces agents étaient statiques, qu'ils avaient des capacités fixes, des connaissances fixes, des stratégies fixes.
Mais s'ils le pouvaient, s'améliorent eux-mêmes?
Et si les agents pouvaient :
Et si le système pouvait optimiser lui-même?
C'est alors que "l'intelligence collective" commence à ressembler à l'apprentissage.
Et quand "apprendre" commence à ressembler à évolution.
Et quand on ne peut plus faire la différence entre "optimisation très sophistiquée" et "intelligence réelle".
C'est là qu'on va ensuite.
Continuer à Partie 3: Auto-optimisation - Systèmes qui apprennent
Là où nous explorons des systèmes qui réécrivent leur propre code, élevons leurs propres spécialistes, et découvrons que la solution optimale est plus simple qu'ils n'ont commencé avec.
Navigation des séries:
© 2026 Scott Galloway — Unlicense — All content and source code on this site is free to use, copy, modify, and sell.