Aller au contenu
Alexandre Mahe
Tous les billets

Le contexte d'un agent : savoir client, mémoire et autorisations

L'agent explore seul le code. Affiner son contexte, c'est lui apporter ce qu'il ne trouve pas : le savoir sur le client, une mémoire de ses sessions et des autorisations autour, dosés selon la confidentialité et la conformité.

Catégorie
Note
Publié
Temps de lecture
5 min de lecture
Étiquettes
#agents#context-engineering#mcp#rag#memory

Lire en anglais (traduction IA)

La codebase, l'agent l'explore seul : il choisit les commandes, sait où chercher, lit l'historique git, lance les tests et, intégré à l'éditeur, utilise les mêmes outils que le développeur, jusqu'au contrôle d'un navigateur ou aux captures d'écran avec Playwright MCP. Cette part du contexte relève de l'agent et du harness. Ce qui reste à affiner, c'est ce qu'il ne trouvera dans aucun fichier.

Prototyper une page, rédiger un texte d'interface, générer un document aux couleurs de l'entreprise : chacune de ces tâches demande de connaître sa charte. Sans elle, l'agent produit quelque chose de correct, mais d'anonyme. Connaître les intérêts du client, son positionnement et ses priorités donne aussi des tâches mieux découpées, avec des jalons qui ont du sens pour lui, et pas seulement pour le code.

Entraîner un modèle ouvert sur les données de l'entreprise pourrait donner de meilleurs résultats, mais c'est un projet à part entière, rarement à la portée d'un freelance. Le freelance se distingue ailleurs : un agent bien outillé, tout le monde peut en avoir un ; une connaissance fine du métier et du client, beaucoup moins.

Ce savoir fait la différence, mais ce qu'on donne à l'agent, et la façon dont il y accède, dépendent de la confidentialité, de la conformité et des autorisations.

L'ontologie, derrière un accès autoriséLien vers cette section

Ce corpus de connaissances (l'activité du client, sa marque, sa structure, sa gouvernance, ses intérêts, son positionnement, sa vision) porte un nom : l'ontologie. C'est souvent le contexte le plus utile qu'on puisse donner à un agent, et le plus sensible.

Entreprise du client Freelance le contexte choisi MCP autorisé RAG tracé recherche et introspection Agent et sous-agents Fournisseur du LLM Ontologie Grand corpus Code, tickets,archive des sessions Skills et préférences

Je garde l'ontologie à part, souvent dans un dépôt privé, et l'agent y accède à travers un serveur MCP, protégé par l'autorisation du protocole quand il est distant, par les droits du système quand il est local. L'agent n'obtient que la partie de l'ontologie que sa tâche justifie, au lieu de tout le corpus collé dans son prompt, et le savoir du client reste sous son contrôle.

Le RAG devient utile dans deux cas : quand le corpus est trop gros pour être parcouru, comme des années de documentation ou de comptes rendus, et quand chaque accès d'un agent à une donnée doit être autorisé et tracé. La recherche passe alors par un service qui vérifie les droits avant de répondre.

Doser selon la sensibilitéLien vers cette section

Les couleurs, la typographie et le ton de la marque sont souvent publics : un fichier court dans le dépôt suffit, et l'agent le lit à chaque tâche. Les intérêts du client, ses priorités et sa feuille de route sont confidentiels : ils passent par le MCP autorisé, et seulement pour les tâches qui en ont besoin. Les données personnelles de ses utilisateurs n'ont rien à faire dans l'ontologie : si une tâche en a besoin, elles sont anonymisées avant de quitter la machine, ou traitées par un modèle local, comme dans le billet sur la vérification.

Le même savoir emprunte donc trois chemins différents. Le choix ne dépend pas de ce qui serait le plus pratique pour l'agent, mais de ce que le client a autorisé.

Ce qui entre dans le contexte peut aussi porter des instructions. Un document du corpus, une réponse d'un serveur MCP ou une ancienne session peut contenir une injection de prompt ; une source n'entre dans le contexte que si on lui fait confiance, ou après filtrage par le proxy.

Une mémoire pour l'introspectionLien vers cette section

Revenir sur une session précédente aide l'agent à retrouver une tâche oubliée ou un avertissement de sécurité resté sans suite. Encore faut-il que cette mémoire existe, et qu'on ne mélange pas tout.

L'archive des sessions. Chaque session laisse une trace : le prompt, la réponse, les tokens consommés, l'horodatage. Je la range avec le projet du client, dans git ou dans un dossier ignoré par git quand elle ne doit pas quitter la machine : elle contient ses données, et part avec le reste en fin de mission. Quand ces fichiers se multiplient, une base PostgreSQL prend le relais : le même contenu, mais interrogeable, et protégé par les droits d'accès de la base.

Le contexte partagé entre agents. Un agent et ses sous-agents ont besoin d'une base commune, qui peut vivre dans cette même base. Placée en tête des requêtes, elle profite du cache de prompt, dont la durée de vie se compte en minutes.

Le suivi de la tâche. Des cases à cocher dans les tickets et des statuts qui évoluent : l'agent sait où il en est, le développeur aussi, et la session suivante reprend sans réexpliquer.

L'ontologie, elle, reste à part, avec son accès restreint : ce n'est pas une mémoire de travail, c'est un savoir de référence.

Une ontologie en trois fichiersLien vers cette section

Sans serveur MCP ni RAG, quelques fichiers courts suffisent pour commencer. Le dossier public vit dans le dépôt ; le confidentiel, ailleurs, derrière un accès autorisé :

client/
  marque.md       couleurs, typographie, ton
  activite.md     ce qu'il fait, ce qu'il défend, ce qu'il refuse
  priorites.md    confidentiel : feuille de route, intérêts, à servir par MCP

Le fichier confidentiel passe par le serveur MCP de référence, limité à son dossier, avec ses outils d'écriture interdits dans les permissions de l'agent :

claude mcp add ontologie -- npx -y @modelcontextprotocol/server-filesystem ~/clients/acme/ontologie
"deny": ["mcp__ontologie__write_file", "mcp__ontologie__edit_file", ...]

Et un ticket que l'agent tient à jour lui-même, pour que la session suivante reprenne sans réexpliquer :

- [x] Parser l'export CSV
- [ ] Ajouter les tests des dates invalides
- [ ] Valider le format avec le client

Ces fichiers restent courts : l'étude de l'ETH Zurich citée dans le billet sur le harness a montré que des fichiers de contexte générés automatiquement dégradent légèrement les résultats tout en augmentant le coût. Le reste s'ajoute quand le projet le demande, en commençant par ce que le client a autorisé.