Les sous-agentsSubagentsLos subagentes
Parcours : Construire un agent de code, le harnais · OpérationnelCourse: Building a Coding Agent: the Harness · PractitionerCurso: Construir un agente de código: el harness · Operativo

≈ 9 min
Le problème
Le problème : pour répondre à une question d’une ligne, l’agent lit quinze fichiers, et ces lectures encombrent sa conversation jusqu’à la fin de la demande.
Au programme de ce moduleIn this moduleEn el programa de este módulo
- 01Le problème≈ 9 min
- 02L’intuition≈ 8 min
- 03Le mécanisme≈ 9 min
- 04Le code, pas à pas≈ 10 min
- 05Pièges & pratiques≈ 10 min
- 06Exercice≈ 6 min
- 07Quiz≈ 5 min
Objectifs d’apprentissage
À la fin de ce module, vous saurez confier une sous-tâche à un sous-agent qui travaille dans sa propre conversation et ne rapporte que sa conclusion. Voici les acquis visés.
- Expliquer pourquoi l’exploration encombre la conversation de l’agent principal, et ce que coûte chaque résultat conservé ;
- Coder un outil task qui lance un sous-agent : une conversation vierge, une boucle imbriquée, et seule la réponse finale qui remonte ;
- Garder un seul chemin d’exécution des outils, pour que le contrôle de permissions s’applique aussi au sous-agent ;
- Savoir quand déléguer et quand s’en abstenir : contexte partagé, coût, latence, profondeur de délégation.
Sources
Curriculum open-source shareAI-lab/learn-claude-code, chapitre s06 (Subagent), publié sous licence MIT, © shareAI-lab, adaptation Getul. La notice de licence est reproduite sur la page Sources et références. Documentation publique de Claude Code (Anthropic) sur les sous-agents et sur les hooks, citée pour comparer avec un outil en production. Le motif présenté est indépendant du fournisseur : il vaut pour toute API offrant l’appel d’outils.
Une question simple, une conversation encombrée
Demandez à votre agent : « Quel framework de test ce projet utilise-t-il ? » Pour répondre, il fait ce qu’un développeur ferait : il liste les dossiers, ouvre la configuration, lit quelques fichiers de test, vérifie les dépendances. Quinze lectures plus tard, il tient sa réponse : pytest. Une ligne.
Mais les quinze lectures, elles, sont toujours là. Chaque résultat d’outil est resté dans messages, et la suite de la demande va les traîner avec elle.
messages = [
{"role": "user", "content": "Quel framework de test ce projet utilise-t-il ?"},
{"role": "assistant", "content": [...]}, # liste les dossiers
{"role": "user", "content": [...]}, # l'arborescence complète
{"role": "assistant", "content": [...]}, # lit pyproject.toml
{"role": "user", "content": [...]}, # tout le fichier
# ... treize lectures plus loin ...
{"role": "assistant", "content": [...]}, # « Le projet utilise pytest. »
]Ce n’est pas qu’une question d’ordre. L’API ne garde aucun état : à chaque appel, le harnais renvoie toute la conversation au modèle. Les quinze fichiers voyagent donc avec chaque appel suivant de la demande, facturés en tokens à chaque fois (la mise en cache des prompts réduit ce prix, pas la place occupée), et ajoutent du bruit au moment où l’agent passe à autre chose. C’est le problème du module 5, aggravé : plus la conversation se remplit de détails, plus l’essentiel s’y dilue.
Pour comprendre : la recherche confiée à un collègue
Quand vous demandez à un collègue de retrouver une information dans les archives, vous attendez une réponse, pas quarante classeurs déposés sur votre bureau. Il fouille, il trie, il revient avec la conclusion. Le sous-agent joue ce rôle : il fait la recherche dans sa propre conversation, et seule sa conclusion arrive dans la vôtre.
Vérifiez votre compréhensionCheck your understandingVerifique su comprensión
Votre agent a lu quinze fichiers pour répondre à une question d’une ligne. Quel est le coût caché ?
À retenir
Explorer remplit la conversation de résultats qui ne servent qu’une fois, mais qui repartent au modèle à chaque appel. Il faut un moyen de faire la recherche ailleurs, et de ne garder que la conclusion.