Créer des agents IA personnalisés dans Tongyi Qianwen : Guide pratique des instructions, bases de connaissances et plugins

Les professionnels et les équipes transverses se heurtent régulièrement à un frein d'efficacité lorsqu'ils utilisent des modèles de langage généralistes : à chaque nouvelle session de chat, ils doivent saisir à nouveau de longs contextes préalables, des chartes éditoriales et des règles métier. De plus, lorsqu'ils interrogent le modèle sur des spécifications techniques internes ou des clauses contractuelles confidentielles, le système généraliste tend à fournir des réponses évasives ou à inventer des faits (hallucinations), faute d'accès aux documents privés de l'entreprise.

Tongyi Qianwen (fondé sur la famille de modèles Qwen d'Alibaba Cloud) élimine cette friction grâce à son architecture d'Agents Personnalisés (Custom Agents). En combinant trois piliers indispensables — instructions système (prompts de persona), bases de connaissances documentaires privées (RAG ou Génération Augmentée par Récupération) et plugins d'outils interactifs —, les équipes transforment un modèle généraliste en un collaborateur numérique pérenne, spécialisé et fondé sur des preuves vérifiables.

Qu'il soit configuré via l'interface web grand public de Tongyi Qianwen ou déployé à l'échelle de l'entreprise au sein d'Alibaba Cloud Model Studio (Bailian), cet écosystème permet d'automatiser des flux de travail opérationnels avec une grande rigueur.

Les trois piliers d'un agent personnalisé Tongyi Qianwen

Un agent d'entreprise performant ne se résume pas à un simple prompt enregistré : il constitue un système automatisé où le raisonnement du modèle, la mémoire documentaire privée et l'exécution d'outils externes collaborent en continu.

+-------------------------------------------------------------------+
|               Requête utilisateur / Entrée opérationnelle         |
+---------------------------------+---------------------------------+
                                  |
                                  v
+-------------------------------------------------------------------+
|              Moteur central d'agent Tongyi Qianwen (Qwen)         |
|                                                                   |
|  +--------------------+  +--------------------+  +--------------+  |
|  | Instructions       |  | Base de            |  | Plugins et   |  |
|  | système            |  | connaissances RAG  |  | Outils       |  |
|  | Rôle et règles     |  | Données privées    |  | APIs, web &  |  |
|  | de conduite        |  | et documents       |  | code Python  |  |
|  +--------------------+  +--------------------+  +--------------+  |
+---------------------------------+---------------------------------+
                                  |
                                  v
+-------------------------------------------------------------------+
|          Réponse documentée, structurée et prête à l'emploi       |
+-------------------------------------------------------------------+

1. Instructions système (System Instructions) : La ligne directrice du comportement

L'instruction système dicte l'identité, l'expertise, les protocoles opératoires et le niveau de langage de l'agent. Sans consignes explicites, le modèle adopte par défaut des réponses généralistes.

Une instruction de niveau entreprise doit spécifier :

• Rôle et Persona : Le domaine d'expertise, le niveau de séniorité et le public cible (par exemple, architecte de solutions cloud senior ou auditeur de conformité réglementaire).
• Protocole de travail (SOP) : La séquence logique d'exécution (par exemple : analyser la demande, interroger la documentation interne, puis formater la synthèse selon les normes établies).
• Garde-fous et règles anti-hallucination : Les limites strictes imposées à l'agent, telles que l'interdiction formelle d'extrapoler sur des caractéristiques absentes de la documentation.
• Spécifications de sortie : Le format de livraison requis (tableaux Markdown, synthèses exécutives à puces ou structures JSON).

2. Bases de connaissances (Knowledge Base / RAG) : La source de vérité privée

Bien que les grands modèles de langage possèdent une immense culture générale, ils ignorent tout des fiches produits, accords de niveau de service (SLA) ou notes de service internes de votre organisation.

La base de connaissances exploite la technologie RAG (Retrieval-Augmented Generation) :

• Lors du téléversement, la plateforme découpe les fichiers en segments sémantiques (chunks) et calcule leurs représentations vectorielles (embeddings).
• Quand un collaborateur pose une question, le moteur extrait en priorité les passages les plus pertinents de la documentation interne.
• L'agent s'appuie strictement sur ces fragments pour rédiger sa réponse, réduisant ainsi les risques d'inexactitude factuelle à un niveau quasi nul.

3. Plugins et outils (Plugins / Tools) : Capacité d'action et ouverture vers l'extérieur

Tandis que le modèle de langage traite du texte, les plugins lui confèrent la capacité d'interagir avec des environnements externes :

• Outils intégrés à la plateforme : Recherche web en direct pour suivre l'actualité des marchés ; interpréteur de code (environnement isolé Python) pour effectuer des calculs complexes et tracer des graphiques ; génération d'images via Wanx (Tongyi Wanxiang).
• Plugins d'API personnalisés : Connexion aux systèmes d'information internes (CRM, ERP, outils de ticketing) via des API REST. Le modèle extrait les paramètres utiles de la conversation et déclenche les requêtes réseau correspondantes.
• Support du Model Context Protocol (MCP) : Intégration standardisée avec des serveurs de données locaux et des outils de développement spécialisés.

Comparatif : Session de chat standard vs. Agent personnalisé

Guide pratique : Créer un agent étape par étape

Étape 1 : Initialiser le profil et sélectionner le modèle moteur

1. Accédez au tableau de bord de création d'agents dans l'interface de Tongyi Qianwen ou dans la console Alibaba Cloud Model Studio.
2. Cliquez sur Créer un Agent (ou Créer une Application).
3. Définissez les informations de base :
   • Nom : Choisissez une appellation explicite (par exemple : Expert Réponses aux Appels d'Offres SaaS ou Contrôleur de Gestion des Frais).
   • Description : Précisez le rôle de l'assistant pour informer vos collaborateurs.
   • Icône : Sélectionnez un avatar adapté à la fonction.
4. Choix du modèle de fondation :
   • Qwen-Max : Idéal pour les raisonnements complexes, l'orchestration avancée d'outils multiples et les tâches à fort enjeu métier.
   • Qwen-Plus : Excellent équilibre entre latence et coût d'exploitation pour la rédaction courante, le support interne et les FAQ.
   • Qwen-Long : Conçu pour traiter d'immenses volumes de contexte, parfait pour l'analyse intégrale de rapports financiers ou de volumineux règlements.

Étape 2 : Rédiger des instructions système structurées

Évitez les requêtes sommaires en une seule ligne. Adoptez une structure claire au format Markdown :

# Rôle
Vous êtes l'Ingénieur Avant-Vente Senior de notre division solutions cloud. Votre objectif prioritaire est d'aider les équipes commerciales à préparer des réponses rigoureuses et techniquement irréprochables aux appels d'offres (RFP).

# Outils et Accès
1. Vous avez accès à la Base de Connaissances regroupant nos Livres Blancs Techniques et nos Certifications de Sécurité.
2. Vous pouvez activer la Recherche Web pour vérifier les offres publiques de la concurrence si nécessaire.

# Règles de Conduite
- Primauté Documentaire : Pour toute question relative aux spécifications techniques, tarifs et garanties SLA, consultez obligatoirement la Base de Connaissances. Citez toujours le nom du fichier et la section concernée.
- Rigueur Absolue : Si une fonctionnalité n'apparaît pas dans la base de connaissances, répondez clairement : "Cette information n'est pas répertoriée dans nos documents internes officiels." N'extrapolez jamais.
- Tonalité : Professionnelle, concise et directe. Évitez les formules de politesse superflues.
- Format de Sortie : Structurez les réponses sous forme de puces analytiques et employez des tableaux Markdown pour comparer des offres ou des caractéristiques.

Étape 3 : Configurer et associer la base de connaissances privée

1. Dans le volet de configuration de l'agent, rendez-vous dans la section Base de Connaissances et cliquez sur Ajouter une Base de Connaissances.
2. Téléversez vos documents de référence. La plateforme prend en charge les formats .pdf, .docx, .txt, .md ainsi que les fichiers tabulaires .csv.
3. Ajustez les paramètres de segmentation (chunking) et de recherche :
   • Stratégie de découpage : Privilégiez le découpage sémantique pour les textes narratifs et un découpage orienté tableau pour les fichiers structurés.
   • Seuil de similarité (Top-K) : Réglez le seuil de pertinence afin d'éviter que des extraits non pertinents ne parasitent la mémoire de travail du modèle.
4. Spécifiez dans le prompt l'obligation de mentionner les documents sources afin de simplifier la relecture humaine.

Étape 4 : Activer les outils natifs et interfacer vos API internes

1. Activer les outils de la plateforme :
   • Recherche Web : Utile pour les agents devant surveiller l'évolution des indices de marché ou les annonces récentes du secteur.
   • Interpréteur de Code (Sandbox Python) : Indispensable si l'agent doit manipuler des fichiers de données, effectuer des calculs financiers ou générer des diagrammes.
2. Ajouter des plugins d'API sur mesure (Avancé) :
   • Cliquez sur Créer un Plugin Personnalisé, saisissez l'URL racine de votre service et renseignez la méthode d'authentification (comme un Bearer Token dans l'en-tête).
   • Configurez les routes spécifiques (ex. /verifier_stock ou /creer_ticket) et décrivez précisément chaque paramètre en langage naturel. Le modèle s'appuie sur ces descriptions textuelles pour déterminer à quel moment appeler la fonction.
   • Exécutez une requête de test dans la console pour vérifier la conformité du format JSON retourné.

Étape 5 : Phase de test et de réglage en bac à sable

Avant de déployer l'agent, éprouvez ses réactions dans le panneau de prévisualisation interactif :

• Exactitude de la récupération documentaire : Posez des questions pointues pour vérifier si l'agent retrouve le paragraphe approprié au sein de la base.
• Respect des garde-fous : Interrogez l'agent sur des fonctions fictives pour vous assurer qu'il refuse d'extrapoler conformément aux consignes.
• Déclenchement des plugins : Formulez une requête nécessitant un calcul ou un appel API pour examiner les journaux d'exécution des outils.

Étape 6 : Publication, partage et intégration opérationnelle

1. Cliquez sur Publier pour enregistrer la configuration finale.
2. Définissez les droits d'accès :
   • Privé : Pour un usage personnel dédié à votre propre productivité.
   • Espace de travail d'équipe : Accessible à tous les membres du département afin d'uniformiser les pratiques.
   • Lien public : Partageable pour des démonstrations ou des points de contact clients externes.
3. Pour une intégration plus poussée dans le système d'information de l'entreprise, récupérez l'identifiant App ID et utilisez le SDK DashScope pour intégrer l'agent dans DingTalk, des portails intranet ou des interfaces web métier.

Trois modèles d'agents prêts pour le monde professionnel

Modèle 1 : Auditeur de conformité et réponses aux appels d'offres (RFP)

• Utilisateurs cibles : Ingénieurs avant-vente, directeurs de propositions commerciales.
• Rôle prioritaire : Comparer point par point les exigences des cahiers des charges avec les certifications de l'entreprise.
• Base de connaissances : Rapports SOC2, certificats ISO27001, accords de niveau de service (SLA) et spécifications techniques.
• Plugins : Interpréteur de code (pour calculer les taux de disponibilité et les barèmes tarifaires).
• Livrable type : Grille d'évaluation de conformité (Conforme, Partiellement Conforme, Non Conforme) avec renvois aux pages des rapports.

Modèle 2 : Assistant d'analyse budgétaire et de contrôle financier

• Utilisateurs cibles : Contrôleurs de gestion, directeurs administratifs et financiers.
• Rôle prioritaire : Rapprochement rigoureux des dépenses, identification des écarts budgétaires et signalement des anomalies.
• Base de connaissances : Politique de voyages et notes de frais, budget prévisionnel annuel et plan comptable analytique.
• Plugins : Interpréteur de code (analyse de fichiers CSV de transactions) et Recherche Web (taux de change en temps réel).
• Livrable type : Rapport d'écarts budgétaires avec synthèses des dépassements et recommandations d'ajustement.

Modèle 3 : Stratège en marketing de contenu multicanal

• Utilisateurs cibles : Responsables éditoriaux, community managers, chefs de produit.
• Rôle prioritaire : Production de contenus conformes à la charte de marque, adaptés à chaque support de communication.
• Base de connaissances : Guide de style de marque, archives des campagnes performantes et études de personas.
• Plugins : Recherche Web (suivi des tendances sectorielles) et Wanx (conception de maquettes visuelles).
• Livrable type : Kit de contenus complet comprenant trames d'articles de blog, publications pour réseaux sociaux et résumés pour newsletters.

Bonnes pratiques et pièges à éviter

1. Nettoyer les documents sources avant importation : Des fichiers PDF scannés de médiocre qualité ou des tableaux contenant des cellules fusionnées perturbent le découpage sémantique. Reformatez les tableaux complexes en Markdown ou en fichiers CSV propres avant de les injecter dans la base.
2. Décrire les paramètres d'API avec précision : Le modèle décide d'exécuter un appel de fonction d'après les explications des paramètres. Explicitez les contraintes de format (par exemple : "date au format AAAA-MM-JJ") pour prévenir les erreurs de syntaxe.
3. Prévoir un message de repli systématique : Définissez explicitement la formule à employer en l'absence d'information dans la base. En entreprise, affirmer clairement qu'un élément n'est pas documenté est infiniment plus sûr et professionnel qu'une réponse fictive séduisante.
4. Assurer le cycle de vie de la base de connaissances : L'actualisation d'une grille tarifaire ou d'une procédure interne exige la mise à jour immédiate des fichiers associés. Désignez un référent pour maintenir la documentation à jour et garantir la fiabilité continue de l'agent.

Références

• 千问-阿里 AI 助手
• 通义实验室
• Qwen offers comprehensive functionality spanning chatbot, image and video understanding, image generation, document processing, web search integration, tool utilization, and artifacts.
• GitHub - QwenLM/Qwen-Agent: Agent framework and applications built upon Qwen>=3.0, featuring Function Calling, MCP, Code Interpreter, RAG, Chrome extension, etc.