Comment nous avons construit notre agent de design

Points clés

• Le goût vient du contexte. Les modèles écrivent déjà du bon code, mais ils ont besoin des principes de vos designers, de garde-fous contre le contenu IA médiocre, et du raisonnement derrière les retours pour produire un travail qui ressemble au vôtre.
• Donnez à l'agent l'ordinateur d'un designer. Chaque fil Slack dispose de son propre bac à sable où l'agent conserve le projet entre les tours, travaille avec un moteur vidéo, des outils d'image et un canvas partagé, et inspecte ses propres rendus.
• Supprimez les règles quand le modèle s'améliore. Les règles qui compensent les faiblesses d'un modèle ont une durée de vie limitée, donc conservez les principes de design et retirez les contournements à mesure que les modèles progressent.
• Les agents de longue durée ont besoin d'une UX multijoueur. Les gros travaux s'exécutent pendant des heures sur des sous-agents asynchrones, donc le fil Slack affiche le plan, la progression en direct et une approbation avant toute publication, et n'importe quel membre de l'équipe peut rediriger l'agent en cours d'exécution.
• Vous pouvez le forker. Le dépôt open source contient le harnais complet, et Managed Deep Agents le déploie sur le Slack de votre équipe.

‍

La promotion ci-dessus a été réalisée par Content Studio, notre agent de design capable de créer des vidéos, des graphiques pour les réseaux sociaux, des images d'interface recréées, des présentations et bien plus à partir d'une simple invite dans Slack. Chaque actif produit par l'agent est écrit en code.

Content Studio a été entièrement construit en interne sur Managed Deep Agents. C'est aujourd'hui l'un des agents GTM les plus utilisés au sein de notre entreprise, mais cela n'a pas toujours été le cas. Les premiers retours étaient… pas terribles.

Alors, comment sommes-nous passés d'une qualité aussi faible à ce niveau ?

Nous avons passé quatre mois à apprendre à Content Studio notre goût et nos principes de design, principalement en le regardant se tromper devant toute l'entreprise.

Cet article décrit comment notre équipe GTM Engineering a travaillé avec notre équipe de design pour construire Content Studio de zéro : ce que signifie un bon design pour nous, comment nous avons enseigné notre goût à l'agent, et le harnais qui lui permet de créer n'importe quoi, d'une image fixe à un film de lancement.

Nous avons rendu notre agent de design open source. Forkez le dépôt open source, ajoutez vos tokens de marque, vos polices et vos compétences, et déployez-le sur le Slack de votre équipe avec Managed Deep Agents.

Rejoignez-nous ensuite à GTM Engineering Live le 28 octobre. Nous décortiquerons le harnais et l'UX, et montrerons le travail qui n'a pas pu tenir dans cet article.

Construire un agent de design à l'échelle

LangChain avance vite. Nous avons en permanence des campagnes de lancement de produits, des webinaires, des blogs et des événements. Chaque initiative nécessite des actifs, des en-têtes de blog et diagrammes aux présentations, vidéos et créations publicitaires. Notre équipe de design était débordée, les demandes répétitives éclipsant le travail plus stratégique et innovant. En tant que startup allégée, nous avions besoin d'un moyen à faible friction permettant à tout membre de l'entreprise de créer un travail de haute qualité et conforme à la marque.

Pour répondre à ces besoins, nous avons construit Content Studio, un agent de design qui vit dans Slack. Un membre de l'équipe décrit ce qu'il veut et joint le contenu ou les briefs correspondants, et l'agent renvoie des fichiers finis et conformes à la marque. Pour construire Content Studio, nous avions besoin de trois choses :

1. Le jugement expert de nos designers, écrit dans les compétences de l'agent et ses vérifications afin qu'il sache à quoi ressemble un bon résultat.
2. Un environnement personnalisé autour du modèle, comprenant un ordinateur de montage vidéo avec des outils pour chaque couche du travail de design.
3. La bonne UX, pour qu'une équipe entière puisse collaborer sur un projet qui s'étend sur des heures depuis un seul fil Slack.

Managed Deep Agents nous a donné tout ce qu'il fallait pour mettre Content Studio en production au sein de notre entreprise : un LangSmith Sandboxgéré, une intégration avec Slack, des outils gérés, une mémoire d'agent délimitée et la planification des exécutions de l'agent. Cela permet à une petite équipe de consacrer son temps au travail de design, aux compétences, aux outils et à l'expérience Slack, au lieu de la plomberie.

Résultats clés

• Content Studio a produit plus de 3,000 ressources dans toute l'entreprise, dont plus de 80 présentations. L'une d'elles a même été utilisée dans notre vidéo YouTube organique la plus regardée.
• Les publications avec son travail ont généré environ 4.5M de vues sur X.
• Sur le compte LangChain, les publications avec ses visuels ont obtenu environ 2x plus de likes et 3.7x plus de signets que les autres publications.
• Trois demandes sur quatre proviennent désormais en dehors du marketing, et 75% des utilisateurs sont des visiteurs réguliers qui reviennent chaque semaine.
• La demande médiane coûte désormais environ 50 cents en dépenses de modèle, contre environ $8 à la mi-septembre. Notre propre code a diminué d'environ 80% après la migration vers Managed Deep Agents.

L'IA est-elle vraiment douée pour le design ?

Avant de nous lancer dans la construction, abordons d'abord le débat du siècle : l'IA peut-elle réellement produire un bon design ?

Le modèle était déjà bon en exécution et savait écrire du HTML et du CSS, des spécifications de graphiques et des timelines d'animation. Cependant, il n'avait pas notre contexte, il recourait donc à des motifs familiers, ce que Anthropic appelle « distributional convergence ». Le résultat pouvait paraître soigné tout en ressemblant à cent autres, ou être magnifiquement animé sans jamais faire passer son message. Le familier n'est pas toujours mauvais, mais nous voulions que notre agent fasse des choix qui suivent son objectif.

Katie Dill, responsable du design chez Stripe, fait une comparaison utile. Soumis à la pression de construire rapidement après la Seconde Guerre mondiale, les bâtisseurs ont copié encore et encore les formes épurées et les surfaces nues du modernisme. Les copies conservaient l'apparence tout en perdant la pensée et le caractère qui les sous-tendaient. Son avertissement est que l'IA peut faire la même chose au logiciel. Elle appelle cela « zombie UI » et dit que nous avons besoin d'un point de vue, car « si vous n'en avez pas, l'IA en fournira un pour vous ».

Nous ne pensons pas que l'IA soit mauvaise en design. Elle n'a simplement pas de point de vue à moins que vous ne lui en fournissiez un, et lui donner le nôtre signifiait lui enseigner notre goût.

Enseigner le goût à un agent de design

Le goût est ce jugement qui distingue un travail correct d'un travail réussi. En design, deux mises en page peuvent utiliser les bonnes polices, couleurs et espacements, et une seule d'entre elles fait passer son message. Le goût vient de ce que Dill appelle « devenir très bon pour remarquer les choses ».

Cette capacité à remarquer les détails est ce qui nous a appris à repérer les productions médiocres de l'IA, qui apparaissent le plus souvent lorsqu'un brief laisse une décision à l'agent.

Par exemple, l'image de gauche ci-dessous a été créée par un agent de codage local avec notre skill de marque (qui inclut les couleurs, les polices, les logos, etc.). Mais le résultat final manquait de composants essentiels, comme le bon assemblage du logo, l'alignement du texte, et quelles étaient nos couleurs de marque principales par rapport aux secondaires.

La même requête a produit une image parfaitement conforme à la marque dans Content Studio. Cela s'explique par le fait que l'agent local comblait chaque décision non couverte par le brief avec ce qu'il avait le plus souvent vu. Avec cette méthodologie, Content Studio comblait les mêmes lacunes avec nos choix.

Les directives que nous avons données à Content Studio ont commencé par les bases, notamment les jetons de couleur, les graisses de police, les espacements et l'alignement. Mais une grande partie de l'amélioration est venue de ce que nous avons ajouté par-dessus. Nous avons introduit des principes de design, comme un point focal par cadre, des garde-fous contre les schémas de design IA courants, et le raisonnement derrière chaque retour. Combinés à de meilleurs modèles sous-jacents, ces éléments ont aidé Content Studio à apprendre à penser et à communiquer davantage comme un designer.

Cela n'a pas commencé ainsi. Dans l'une de nos premières animations, un oiseau s'envole hors de l'écran avec un ruban de lumière qui le suit pendant moins d'une seconde. Nous avions demandé aucun bord dur, mais la première version est revenue maladroite, avec des bords arrondis et sévères. Un designer aurait compris ce que nous voulions dire. Les bords devaient s'adoucir, tandis que la queue s'affinait et s'estompait dans la direction opposée au mouvement de l'oiseau.

À une itération ultérieure, l'agent évaluait ce détail avec l'œil d'un designer. En utilisant un croquis rapide pour identifier où la queue de l'oiseau devait se trouver, il a construit sa propre vérification image par image pour s'assurer que le ruban restait attaché. La plupart des spectateurs ne remarqueraient jamais consciemment ce détail, mais ils le sentiraient si quelque chose clochait.

Les problèmes mesurables étaient les plus faciles à résoudre. La capitalisation par défaut revenait fréquemment dans les revues, mais une vérification automatisée en détecte désormais chaque instance. Les décisions plus difficiles sont plus subjectives, comme savoir si une idée de campagne est assez forte, si le message passe clairement, ou si l'exécution résonne avec l'audience. Lorsqu'un designer prend l'une de ces décisions, nous capturons le raisonnement dans un skill afin que l'agent puisse l'appliquer à de futurs brouillons.

Content Studio a changé qui peut faire du travail de design. Un chef de produit, un ingénieur ou un fondateur peut briefer l'agent dans Slack et repartir avec quelque chose de conforme à la marque et prêt à être livré. Trois demandes sur quatre proviennent désormais de l'extérieur du marketing. Pour les designers, le rôle s'est rapproché de celui d'un directeur de la création : définir la direction et réviser le travail plutôt que produire chaque élément eux-mêmes.

Obtenir le bon jugement de design n'était qu'une partie du processus. Nous devions aussi donner à l'agent les outils et l'environnement pour l'exécuter.

Construire un harnais média

Un designer travaille avec plusieurs outils, de Photoshop pour les images fixes et un moteur vidéo pour l'animation à un canevas partagé pour le prototypage et la collaboration. Il s'appuie également sur les directives de marque, les éléments de design et la documentation de l'entreprise.

Un agent a besoin d'une configuration similaire, avec un ordinateur sur lequel travailler, des outils pour les différentes parties du processus de design, et le contexte qu'un designer apporte à son travail. Le harnais réunit ces éléments. Deep Agents fournit le harnaissous-jacent, comprenant la boucle d'agent, la planification, les fichiers, les sous-agents et la gestion du contexte. Managed Deep Agents l'empaquette et l'exécute en production. Nous avons construit l'environnement autour, en donnant à l'agent un ordinateur où il peut maintenir un projet, travailler avec plusieurs outils et inspecter les résultats.

harness_v1

Notre première version de ce harnais tentait de faire le design à la place du modèle. Les premiers modèles avaient besoin de beaucoup d'aide pour réaliser une animation ou un film de lancement que nous voudrions livrer. Pour compenser ce qu'ils ne pouvaient pas encore comprendre par eux-mêmes, notre intuition était d'intégrer davantage de notre propre jugement de design dans les instructions et le code.

Nous avons donc construit un système de design avec 115 composants UI réutilisables pour les titres, les mises en page et les animations, ainsi que des indications sur quand et comment les utiliser. Cela donnait au modèle un ensemble de designs existants sur lesquels travailler, réduisant le nombre de décisions créatives qu'il devait prendre à partir de zéro.

Cela l'aidait à rester conforme à la marque, mais l'agent se contentait de répéter les mêmes mises en page et animations pour chaque cadre, avec peu de variété :

Nous savions que les modèles finiraient par exceller dans cette tâche, alors nous avons continué à construire l'environnement pour ce moment-là, en expérimentant avec les compétences et les outils tout au long du chemin. Parfois, nous ajoutions plus de références ou des instructions plus détaillées pour aider le modèle. D'autres fois, nous les supprimions entièrement pour voir ce qu'il pouvait faire par lui-même.

Mais les résultats n'étaient toujours pas à la hauteur de nos attentes, et combler l'écart exigeait un travail d'ingénierie de plus en plus important. Nous n'arrêtions pas d'ajouter des règles aux compétences, d'écrire davantage de code d'animation et de construire plus de composants pour compenser ce que le modèle ne savait pas faire.

Puis Opus 5.5 est arrivé, et nous avons constaté un bond immédiat en qualité. Nous avons revisité les compétences et supprimé la plupart des règles codées en dur, en conservant les principes de conception et les orientations générales. Les résultats se sont encore améliorés, avec plus de variété et moins de répétition. Le modèle prenait enfin des décisions créatives que nous essayions auparavant de préconstruire pour lui.

C'était notre leçon amère. Les règles conçues pour compenser les faiblesses d'un modèle deviennent moins utiles à mesure que les modèles s'améliorent. Ce qui perdure, c'est l'environnement autour du modèle, y compris les outils qu'il utilise, le contexte sur lequel il s'appuie et la manière dont les gens guident son travail. Plutôt que de préconstruire des décisions créatives, nous nous sommes concentrés sur la souplesse du harnais pour tirer parti de chaque nouvelle génération de modèles.

Ordinateur du designer

Pour montrer le harnais en action, nous avons demandé à Content Studio de réaliser un film sur la manière dont il travaille sur un projet vidéo de bout en bout. Le résultat met en scène un perroquet dans une jungle en pixels, narré dans le style de David Attenborough (avec une voix générée par ElevenLabs). Utilisons-le pour parcourir les couches du harnais : l'ordinateur, les outils et le contexte qui se trouvent derrière son travail.

La conception est itérative. Vous créez quelque chose, vous le regardez et vous le modifiez, souvent de nombreuses fois. L'agent a donc besoin d'un ordinateur sur lequel il peut continuer à travailler tout au long d'une conversation entière. Chaque fil Slack reçoit son propre LangSmith Sandbox, une machine Linux isolée avec un système de fichiers et un shell, et le projet y vit pendant toute la durée du fil.

Tout ce que l'agent crée est construit avec du code, qu'il s'agisse d'une page HTML pour une diapositive, d'une spécification de données pour un graphique ou d'une timeline d'animation pour une vidéo. Cela facilite l'itération sans recommencer à zéro. Si quelqu'un demande de faire apparaître le perroquet plus tôt, l'agent peut modifier une seule valeur de synchronisation et refaire le rendu sans affecter l'illustration ni le texte. Avec une image plate ou un clip vidéo généré, même une petite modification pourrait signifier recréer l'intégralité de l'élément.

Le brief, le plan, le code des scènes, l'audio et les rendus vivent tous dans un même dossier de projet, à partir duquel chaque sous-agent de la mission travaille.

Par-dessus cela, nous avons installé les outils qu'un designer utiliserait à chaque couche du travail :

Le mouvement (motion) est la couche la plus difficile. Il fonctionne sur deux moteurs :

1. HyperFrames pour le montage : HyperFrames, le framework vidéo open source de HeyGen, transforme une vidéo en page web. Les clips, les enregistrements d'écran, les sous-titres et le texte ne sont que des éléments sur cette page, et une timeline GSAP les déplace. Ainsi, lorsque quelqu'un demande d'ajouter des sous-titres à un webinaire ou de couper une démo produit, l'agent la modifie comme une page web. Son CLI est essentiellement la suite de montage de l'agent : vérifier la composition (lint), extraire une image pour la contrôler, rendre le montage. Nous installons également les compétences officielles de HeyGen, afin que l'agent apprenne le format de la part des personnes qui l'ont créé.
2. motion-studio pour l'animation : Une page web ne peut pas flouter un mouvement rapide, faire briller des éléments ni faire pivoter un logo en 3D, et c'est la finition que nous voulions pour l'animation originale. Nous avons donc construit notre propre moteur canvas. L'agent écrit du code qui dessine chaque pixel de chaque image, et le moteur mélange jusqu'à 16 moments en chacun d'eux, de la même manière qu'un obturateur d'appareil photo floute le mouvement. Le film du perroquet a été réalisé de cette façon.

Les deux moteurs rendent chaque image en fonction de son horodatage, de sorte qu'une image à la dixième seconde se présente de la même manière quel que soit le moment où elle est rendue. Cela permet à l'agent d'inspecter des moments individuels sans rendre le film entier, tout en nous permettant également de rendre plusieurs images en parallèle. L'audio suit la même timeline, maintenant la narration, la musique et les effets sonores synchronisés avec les visuels.

Avec cette configuration, l'agent peut créer presque n'importe quoi. Mais sans instructions supplémentaires, il se replie par défaut sur les choix de conception du modèle lui-même plutôt que sur les nôtres. Le prochain défi consistait à lui apprendre à travailler dans le cadre de notre marque et de nos standards de conception.

Cerveau du designer

Nous avons organisé les connaissances de l'agent autour de quatre fonctions distinctes, chacune avec un objectif clair. Les compétences guident la manière d'accomplir des tâches spécifiques, tandis que le wiki fournit le contexte sur notre entreprise et sur ce qu'est un bon travail. Tout ce qui est mesurable est géré par une porte (gate), une vérification déterministe écrite en code. Une couche de mémoire séparée capture ce que les gens enseignent à l'agent au fil du temps.

Compétences

La première chose que fait l'agent face à une demande est de déterminer de quel type de mission il s'agit. C'est géré par notre media-production compétence. Nous l'appelons une compétence routeur car la plus grande partie se résume à une seule table. Chaque ligne associe un type de demande (une campagne, un restylage, une miniature, un billet, un package YouTube, un film de lancement, une courte animation) au chemin et à la compétence spécialisée qui le traitent. Le routeur décide également si le travail nécessite un canvas visuel partagé, et il soustrait les petites modifications au processus complet.

Pour un film comme celui ci-dessus, le routeur choisit la launch-film skill conçue pour diriger une grande production cinématographique. Chacune de nos 48 skills, soit près de 1,000 fichiers au total, est limitée à un travail plutôt qu'à un sujet, de sorte que sa description se lit comme une règle de routage, y compris quand ne pas l'utiliser.

Les skills se composent au lieu de se répéter entre elles. launch-film dirige et motion-studio réalise l'image et le son, de sorte que le savoir-faire de l'animation n'est écrit qu'une seule fois. launch-film contient également des briefs de rôle pour les sous-agents qu'elle lancera, ainsi qu'une étude de cas d'un vrai film de lancement de 88 secondes que nous avons reconstruit plan par plan en code. C'est dans cette étude de cas que l'agent a appris à répartir un film entre sous-agents. Il coupe aux changements de scène marqués, conserve un mouvement de caméra continu avec un seul sous-agent, et gèle le code partagé avant que quiconque ne travaille en parallèle.

Les descriptions comptent autant pour les outils que pour les skills. Pour limiter l'utilisation du contexte, nous avons placé les outils MCP derrière une recherche intégrée. L'agent ne démarre qu'avec nos propres outils et charge des schémas d'outils supplémentaires au besoin, en effectuant des recherches par mots-clés sur les noms et les descriptions des outils.

Wiki

Les skills expliquent comment faire un travail, tandis que le wiki fournit le contexte et la documentation de référence nécessaires pour bien le faire. Il couvre tout, des tokens de marque, du langage graphique et de la voix aux plateformes, campagnes et informations produits. Un wiki dédié au motion couvre la réalisation, le savoir-faire, le son et la revue, aux côtés d'analyses de 70 films de référence.

Plutôt que de dupliquer ces informations dans les skills, nous créons des liens directs vers le wiki. Cela permet de conserver les connaissances partagées en un seul endroit et de faciliter les mises à jour. Lorsqu'une règle comme une police change, nous n'avons besoin de la mettre à jour qu'une seule fois, et chaque skill peut référencer la dernière version.

Savoir comment nous travaillons ne rend pas nécessairement le motion design moins cher. Une mauvaise décision créative peut toujours coûter des heures de rendu.

Design piloté par les spécifications

Le motion est particulièrement coûteux à se tromper, tant en temps de rendu qu'en tokens. Une image de storyboard prend environ 50 millisecondes à rendre, contre 8 à 40 secondes pour une seule seconde de film fini. Avec des sous-agents qui écrivent, rendent et révisent chaque acte, ces coûts s'accumulent rapidement. L'agent développe donc ses idées d'abord dans le storyboard, où il peut explorer différentes directions à moindre coût, avant de passer en pleine production une fois une direction approuvée.

Pour soutenir cette exploration, nous avons donné à l'agent une bibliothèque de films de référence dont s'inspirer, un peu comme un designer travaillant à partir d'un mood board. Lorsqu'il ne trouve pas le bon style, il utilise un modèle d'image pour générer de nouvelles références, en commençant par des ébauches rapides avant d'affiner les options les plus prometteuses. Ces images aident à établir la direction visuelle, tandis que le storyboard et le film final sont toujours construits en code avec une vraie typographie et de vrais éléments de marque.

Une fois que nous avons choisi une direction, le storyboard approuvé devient la spécification sur laquelle le reste du film est construit. Le projet passe ensuite par trois étapes :

1. Un storyboard, pour se mettre d'accord sur l'idée visuelle, le texte et les plans.
2. Un animatic, un montage grossier synchronisé sur l'audio, pour vérifier le rythme que les images fixes ne peuvent pas montrer.
3. La production, où des sous-agents construisent, vérifient et rendent les plans approuvés.

Nous avions d'abord décrit cet ordre dans les instructions de la skill, et l'agent sautait parfois une revue pour gagner du temps. Désormais, le pipeline l'impose en code : l'assemblage attend que chaque acte passe la revue, tandis que les instructions continuent de guider les décisions créatives. L'ordre qui doit toujours être respecté vit dans le code, et le jugement reste dans le prompt.

Montrer, plutôt que prompter

Choisir entre ces directions est une décision d'équipe. Slack fonctionne bien pour demander du travail et le recevoir, mais un fil de discussion est un texte linéaire et un storyboard est spatial, si bien que les retours finissent par décrire où se trouve quelque chose au lieu de le montrer, et chaque modification, même un correctif d'un seul mot, doit repasser par l'agent sous forme de nouveau prompt.

Paper a résolu ce problème pour nous. C'est un canevas de design conçu pour les agents, avec un serveur MCP qui donne à l'agent un contrôle direct sur le fichier. Les gens peuvent travailler dans ce même fichier, comparer des directions côte à côte, laisser des commentaires sur des images spécifiques ou faire eux-mêmes des modifications. Comme le canevas est partagé, l'agent peut revenir au fichier et utiliser ces commentaires et modifications pour guider son itération suivante.

Le défi était que les outils d'agent de Paper ne fonctionnent que dans son application de bureau, alors que notre agent opère dans un bac à sable cloud. Pour combler cet écart, nous exécutons Paper Desktop sans interface sur un worker Linux toujours actif, en utilisant un affichage virtuel et un pont authentifié pour connecter les deux. Une seule configuration dessert toute l'équipe.

Même après approbation, transformer un storyboard en film fini peut prendre des heures. À ce stade, le travail ressemble à un petit projet, avec plusieurs éléments construits en parallèle qui doivent converger. Coordonner tout cela dépasse ce qu'un seul tour d'agent peut gérer.

L'agent comme chef de cabinet

Considérons le film de perroquet vu plus tôt, en pleine production dans Slack. Une personne partage une référence, une autre suggère une ouverture différente, et une troisième laisse un retour sur la quatrième image, tout cela pendant que l'agent construit encore. C'est comme un brainstorming où la personne qui prend des notes est aussi responsable de la réalisation du film. Les sous-agents synchrones ne fonctionnent pas bien ici parce que l'agent principal doit attendre qu'ils aient terminé, laissant aucun moyen aux personnes d'interagir avec lui entre-temps.

Pour résoudre cela, nous avons rendu les sous-agents asynchrones et fait évoluer le rôle de l'agent principal d'exécutant à chef de cabinet. Il décompose les projets complexes en tâches plus petites et isolées, les attribue à des sous-agents et exécute le travail en parallèle. Pendant ce temps, il tient l'équipe informée au fil des changements, afin que chacun puisse continuer à donner son avis et à piloter le projet.

Pour chaque tâche, l'agent principal crée un profil de sous-agent avec un brief clair couvrant son rôle, le contexte pertinent, la propriété des fichiers et la manière de valider le travail. Il sélectionne également le modèle et le niveau d'effort en fonction de la complexité de la tâche.

Nous avons également ajouté un petit ensemble d'outils permettant à l'agent principal de coordonner le travail :

• start_task confie une partie à un sous-agent en arrière-plan
• check_tasks montre ce qui est en cours d'exécution et lit les rapports terminés
• cancel_task et resume_task arrêter un travail qui ne correspond plus au brief, ou le reprendre là où il s'était arrêté
• report_progress permet à un sous-agent d'envoyer des mises à jour en cours de tâche
• schedule_wakeup donne à l'agent principal un minuteur pour déclencher une nouvelle exécution et poursuivre le travail

Sous le capot, chaque sous-agent est l'outil ordinaire Deep Agents task exécuté comme une tâche en arrière-plan. Lorsqu'il termine, notre code met en file d'attente une nouvelle exécution de l'agent principal portant le résultat. Les utilisateurs peuvent également piloter l'agent principal en cours d'exécution, car un message qui arrive pendant qu'il travaille est inséré avant son prochain appel au modèle. Les sous-agents se coordonnent via le dossier du projet, chacun n'écrivant que les fichiers qu'il possède et conservant sa progression sur disque.

Avec le travail en cours en arrière-plan, le fil doit montrer ce qui se passe. L'agent principal le tient à jour avec un plan et une estimation du temps restant, une ligne de statut en direct indiquant les sous-agents en cours d'exécution, la progression du rendu et les dépenses, un accusé de réception pour chaque modification, et une carte d'approbation avant toute publication.

L'un des tests les plus probants de cette approche est venu d'un travail de nuit pour refaire l'habillage d'une présentation de 52 diapositives. L'agent a commencé par créer trois diapositives d'exemple et examiner son propre travail avant de parcourir le reste de la présentation par lots numérotés soumis à approbation. Il a également ajouté deux nouvelles diapositives en cours de route. Pendant la nuit, l'agent principal a tourné pendant environ une heure tandis que ses sous-agents ont travaillé collectivement plus de six heures, le tout sans bloquer la conversation.

Le harnais auto-améliorant

Un designer qui a travaillé avec une équipe pendant des mois apprend ses préférences et n'a pas besoin d'entendre deux fois le même retour. Sans mémoire, l'agent repartirait de zéro à chaque nouveau fil. Pour éviter cela, nous avons construit deux boucles d'apprentissage. La boucle rapide capture les retours au fur et à mesure qu'ils sont donnés, tandis que la boucle lente apprend des projets terminés en arrière-plan.

La boucle rapide : Lorsque quelqu'un partage une règle ou une préférence, l'agent l'enregistre dans le même tour. Managed Deep Agents stocke la mémoire sous forme de fichiers simples sur deux niveaux, l'un partagé au sein de l'équipe et l'autre propre à chaque personne.

Les préférences personnelles se transmettent d'un fil à l'autre, mais les standards partagés priment, et tout ce qui est créé pour un canal d'entreprise suit la voix de l'entreprise. Chaque niveau possède un fichier AGENTS.md qui se charge à chaque appel au modèle. Nous limitons désormais ces fichiers à un index de 200 lignes après qu'une première version a grossi jusqu'à 500K tokens.

La boucle lente : Après chaque tâche, notre outil learn_from_job lance un sous-agent léger qui capture jusqu'à cinq leçons étayées par des preuves et les associe à la compétence utilisée. Les tâches futures lisent et évaluent ces leçons, et une fois par semaine, un agent d'arrière-plan intègre celles qui s'avèrent utiles dans les compétences et le wiki.

Et maintenant

Vous vous souvenez des premières relectures ? La plus grande amélioration est venue de la capture du jugement de nos designers dans un environnement partagé dont l'agent pouvait apprendre, plutôt que de le laisser dispersé entre les fils de relecture. Ce faisant, nous avons rendu le travail de design accessible à davantage de personnes.

Ensuite, nous voulons que l'agent gère l'intégralité du cycle de vie d'une campagne, et une partie de cela fonctionne déjà. Il publie les publications sociales de l'entreprise via Buffer une fois qu'un approbateur autorisé a donné son feu vert, rédige des publications que les employés peuvent partager depuis leurs propres comptes, et exécute des routines programmées, notamment une revue quotidienne qui suggère des publications dignes d'être citées.

Notre objectif est d'aller plus loin, afin qu'une seule direction créative approuvée puisse porter une campagne entière depuis un seul fil. L'agent rédigerait le brief, créerait les ressources pour chaque canal, programmerait les publications, aiderait l'équipe à les amplifier, et utiliserait les données de performance pour éclairer la campagne suivante. Les utilisateurs examineraient et approuveraient toujours tout avant sa publication.

Créez votre propre agent de design : Le dépôt open source contient le harnais de cet article : l'ordinateur en bac à sable, les compétences, le wiki et la mémoire, les sous-agents asynchrones et l'expérience Slack. Forkez-le, ajoutez vos tokens de marque, vos polices et vos compétences, et déployez-le sur le Slack de votre équipe avec Agents deep gérés.

Rejoignez-nous donc le GTM Engineering Live le 28 octobre. Nous examinerons en profondeur le harnais et l'UX, et montrerons le travail qui n'a pas pu tenir dans cet article.