AI Agent Design Patterns: ReAct, CodeAct & More | Stanford CS329Z Lecture 6 with Michael Ryan

AI Agent Design Patterns: ReAct, CodeAct & More | Stanford CS329Z Lecture 6 with Michael Ryan

Modèles de conception d'agents IA : ReAct, CodeAct et plus | Cours 6 de Stanford CS329Z avec Michael Ryan

Historique des titres
  • AI Agent Design Patterns: ReAct, CodeAct & More | Stanford CS329Z Lecture 6 with Michael Ryan — observé le 20261114-2108 UTC (YouTube)
🎙 Michael Ryan 👥 1.3M 📅 14 novembre 2026 ⏱ 76 min 👁 69 📄 tutoriel 🧭 2026-11-14
Disponible en : Français (actuel) English

Mots-clés

workflowagentpatternReActcontext

Résumé

Cette leçon de Stanford CS329Z, donnée par Michael Ryan, traite des modèles de conception (design patterns) pour les systèmes d’agents IA. Le cours commence par rappeler la distinction entre workflows (contrôle dans le code) et agents (contrôle dans le LLM). Ensuite, il présente la taxonomie d’Anthropic avec cinq patterns de workflow : prompt chaining, routing, parallelization, orchestrator-workers, et evaluator-optimizer. Chaque pattern est expliqué avec des exemples concrets et des cas d’usage. Il illustre ensuite la composition de ces patterns à travers le système STORM, qui génère des articles Wikipédia à partir d’une requête. La deuxième partie est consacrée aux patterns d’agents : raisonnement et action (ReAct, Reflexion, CodeAct, ReWOO) et gestion du contexte (logs d’événements, compaction, masquage d’observations, sous-agents, compétences). Enfin, il analyse le harness minimal « Pi » comme étude de cas. La leçon se termine par une discussion sur les choix de conception et les compromis entre coût, précision et flexibilité.

153 mots

Évaluation critique

Valeur des informations & solidité de l’argumentation

La valeur de cette leçon réside dans sa synthèse claire et structurée des patterns de conception pour agents IA, basée sur des travaux de référence (Anthropic, STORM) et des exemples pratiques. L’argumentation est solide : chaque pattern est justifié par ses avantages et ses limites, avec des critères de choix explicites. Le conférencier appuie ses explications par des analogies avec le génie logiciel et des études de cas réelles. Il répond également aux questions des étudiants, ce qui renforce la profondeur de la discussion. L’accent mis sur la nécessité d’adapter les patterns à son propre contexte est pertinent et évite une approche dogmatique.

Rigueur scientifique, qualité des sources, adéquation du titre

La rigueur scientifique est élevée : le conférencier cite explicitement les sources (post d’Anthropic, paper STORM) et les concepts (ReAct, CodeAct, etc.) sans inventer de données. Les sources sont de qualité académique ou industrielle reconnue. Le titre est parfaitement adéquat au contenu : il énumère les patterns principaux et le contexte universitaire. Le contenu traite exclusivement des sujets annoncés, avec une progression logique. Les réponses aux questions montrent une maîtrise du sujet. La description fournit des liens vers des ressources complémentaires (cours, programme) qui renforcent la crédibilité de la vidéo.

208 mots

Adéquation titre / contenu

Le titre décrit exactement le contenu : les patterns de conception d'agents IA, notamment ReAct, CodeAct, et d'autres, présentés dans une leçon universitaire.

Qualité & fiabilité

9/10

Le conférencier est un doctorant en informatique à Stanford, contributeur au projet DSPy, et la leçon s'appuie sur des travaux reconnus (Anthropic, STORM) et des patterns bien établis. Le contenu est structuré, précis, et sans affirmation non étayée.

Moments clés

Sources citées

Sources concordantes

  • ReAct paper — Le pattern ReAct est présenté comme un des plus persistants pour les agents.
  • CodeAct paper — Le pattern CodeAct est mentionné comme une alternative pour les agents.
  • STORM paper — Le système STORM illustre la composition de plusieurs patterns de workflow.

Apport & nouveautés

La leçon apporte une synthèse pédagogique des patterns de conception pour agents IA, en les reliant à des exemples concrets et à des travaux de recherche récents. Elle illustre la composition de ces patterns dans un système réel (STORM) et analyser le harness Pi, offrant une perspective pratique. L’apport est de clarifier les compromis entre workflows et agents, et de fournir un cadre pour prendre des décisions de conception.

Pour aller plus loin :

168 mots

Profil radar

Le profil radar montre un contenu très riche en information, de haute qualité et de grande fiabilité, avec un niveau technique modérément élevé. La note globale de 5 étoiles reflète un excellent équilibre entre rigueur académique et applicabilité pratique.

Fiabilité 9/10