Group Chat
Aussi appelé : multi-agent conversation, selector team, round-robin team, roundtable, managed conversation, GroupChat / GroupChatManager (AutoGen, AG2), group chat orchestration (Semantic Kernel, Microsoft Agent Framework)
Intention
Placer quelques agents spécialisés dans un même fil de messages partagé, en ajout seul, que chacun d'eux lit. Après chaque message, un sélecteur placé hors des agents en désigne exactement un pour parler ensuite. La boucle tourne jusqu'à ce qu'une condition d'arrêt se déclenche : un mot-clé, un plafond de messages, un budget ou un arrêt venu de l'extérieur.
Problème
Vous construisez un assistant qui répond à des questions de statistiques sportives. Un utilisateur demande la variation en pourcentage du total de rebonds, entre deux saisons, du joueur du Miami Heat qui a marqué le plus de points en 2006–07. Une question de ce type sert d'exemple fil rouge au tutoriel SelectorGroupChat d'AutoGen (paraphrasé ici), et elle demande trois sortes de travail : de la planification, des recherches web (plusieurs) et un calcul.
Vous répartissez le travail entre un planificateur, un agent de recherche web et un analyste de données, et vous les branchez en chaîne fixe : planifier, chercher, calculer, répondre. La chaîne casse dès que la tâche exige des allers-retours :
- La chaîne ne peut pas revenir en arrière. La première recherche trouve le meilleur marqueur, mais pas ses rebonds. L'analyste n'a rien à calculer, et aucune arête ne renvoie le travail à la recherche.
- Le nombre de tours n'est pas connu d'avance. L'agent de recherche peut avoir besoin de deux ou trois tours d'affilée. Une séquence fixe doit deviner, et elle se trompe sur certaines questions.
- Chacun a besoin de ce que les autres ont trouvé. L'analyste doit utiliser les chiffres exacts publiés par l'agent de recherche. Si vous reliez plutôt chaque paire d'agents directement, les liaisons se multiplient vite : le billet de blog AutoGen sur FSM GroupChat note que les transitions possibles croissent à peu près comme N parmi 2.
L'autre option naïve consiste à réunir les trois rôles dans un seul agent doté de tous les outils. Son prompt doit alors contenir tous les rôles, et rien ne lui indique quand un type de travail est terminé.
Solution
Gardez les trois agents, mais remplacez le câblage fixe par un fil partagé et une seule décision par tour : qui parle ensuite. Chaque message est ajouté au fil et transmis à tous les participants. Un sélecteur lit le fil et les courtes descriptions des participants, puis renvoie un nom. L'agent désigné lit tout le fil et répond ; sa réponse est diffusée à tous. Le code vérifie les conditions d'arrêt après chaque réponse.
- Amorce. La question de l'utilisateur devient le premier message du fil, et chaque agent la reçoit.
- Sélection. Le sélecteur voit les rôles et l'historique. Une règle dit que PlanningAgent parle en premier : c'est donc lui qui est choisi.
- Prise de parole et diffusion. Le planificateur écrit deux lignes : « WebSearchAgent : trouver le meilleur marqueur du Heat en 2006–07 et ses rebonds sur les deux saisons » et « DataAnalystAgent : calculer la variation en pourcentage ». Tout le monde les voit.
- Nouvelle sélection. Le sélecteur choisit WebSearchAgent, qui exécute sa propre courte boucle d'outils (une boucle ReAct à l'intérieur de son tour) et publie les chiffres. S'il en manque un, le sélecteur peut le choisir de nouveau ou revenir au planificateur.
- Retour au planificateur. Après le compte rendu d'un spécialiste, le sélecteur revient au planificateur, qui attribue la tâche suivante encore ouverte. L'analyste lit les deux totaux de rebonds directement dans le fil et publie le pourcentage.
- Arrêt. Le planificateur écrit un court résumé qui se termine par
TERMINATE. Une condition d'arrêt repère le mot-clé et met fin à l'exécution, en renvoyant la transcription et le motif d'arrêt. Un plafond de messages et un budget de tokens l'arrêtent de toute façon si le mot-clé n'arrive jamais.
Qui décide du déroulement : chaque agent ne décide que de ce qu'il dit. Le sélecteur décide, à chaque tour, qui parle ensuite. Les agents peuvent influencer ce choix, par exemple en nommant l'agent suivant dans leur texte, mais ils ne le font pas eux-mêmes. Le code décide quand s'arrêter. Le développeur fixe la liberté du sélecteur : rotation fixe, règle, graphe de transitions autorisées ou LLM qui choisit librement.
Le voisin le plus proche est le Supervisor. Un group chat dont le sélecteur revient toujours au planificateur ressemble à un superviseur, mais les workers d'un superviseur ne partagent pas un même fil : chacun reçoit une instruction et rend compte seul au centre. Dans un group chat, chaque message atteint chaque participant. Dans Swarm / Handoffs, il n'y a pas du tout de sélecteur extérieur : l'agent actif passe lui-même la main à un pair.
Analogie
Une petite réunion de travail avec un président de séance. Tout le monde dans la salle entend tout ce qui se dit, mais une seule personne parle à la fois, et le président décide qui prend la parole ensuite. Le président ne fait pas le travail : il regarde l'ordre du jour et ce qui vient d'être dit, puis désigne la personne qui doit répondre. La réunion se termine quand le point est clos, ou quand le temps est écoulé.
L'analogie s'arrête au jugement du président. Un président humain remarque quand la réunion tourne en rond. Un sélecteur LLM ne voit que la transcription et les descriptions que vous avez écrites, et il continuera volontiers à donner la parole tant que vous ne lui fixez pas de règles et une limite stricte.
Structure
- Participants. Chaque agent a un nom unique, une courte description que lit le sélecteur, un prompt système qui fixe son rôle et son format de sortie, et éventuellement quelques outils. Il ne répond que lorsqu'il est choisi, et peut exécuter sa propre boucle d'outils pendant ce tour.
- Fil partagé. Une liste ordonnée de messages (source, contenu, type) qui fait seule foi. Physiquement, les frameworks diffèrent : AutoGen Core diffuse sur un topic partagé et chaque agent garde sa propre copie ; Microsoft Agent Framework synchronise la session de chaque agent avant son tour. Logiquement, tout le monde voit le même historique.
- Sélecteur (manager). Choisit exactement un prochain orateur parmi les candidats. Ce peut être une rotation fixe, une fonction, un graphe de transitions autorisées, un LLM ou une personne. Certains managers décident aussi quand solliciter un humain et comment filtrer le résultat final.
- Conditions d'arrêt. Du code qui examine chaque nouvelle réponse : un mot-clé comme
TERMINATEouAPPROVE, un plafond de messages, un budget de tokens ou de temps, ou un bouton d'arrêt externe. Les conditions se combinent avec ET et OU. - Participant humain (facultatif). Une personne qui approuve ou réoriente le travail en tant que membre ordinaire, un point de validation que le manager consulte, ou le sélecteur lui-même en mode manuel.
- Résultat. La transcription accompagnée du motif d'arrêt, ou une réponse filtrée : le dernier message, le message final d'un agent désigné, ou une passe de résumé.
Générateur de prompt
Décrivez la mission de l'équipe et chaque participant : son nom, la description que lira le sélecteur, ses outils et qui peut parler après lui. Le générateur écrit un préfixe commun, un prompt système par participant, la spécification de sélection de l'orateur (un prompt de sélecteur LLM, une règle ou une rotation) et une checklist d'exécution pour la boucle. Les prompts fonctionnent avec n'importe quel runtime de group chat (group chats AutoGen ou AG2, Semantic Kernel, Microsoft Agent Framework) ou avec votre propre boucle ; la checklist s'adresse à votre code.
Prompt généré
Le texte surligné vient du formulaire. Le texte [entre crochets] reste à remplir.
Un sélecteur LLM choisit à partir des noms et des descriptions que vous lui donnez : des descriptions vagues ou qui se chevauchent produisent de mauvais choix. Rédigez chaque description en disant ce que fait l'agent et ce qu'il ne fait jamais, et gardez le prompt du sélecteur court. La documentation d'AutoGen donne le même conseil, et ajoute qu'avec des modèles de raisonnement, les prompts du sélecteur comme ceux des agents doivent rester courts et directs.
Quand l'utiliser
À utiliser quand
- Le travail exige des allers-retours entre quelques rôles. Un rédacteur et un relecteur, ou un codeur, un exécutant et un critique, quand vous ne pouvez pas savoir à l'avance combien de tours il faudra.
- L'ordre des contributions est inconnu, mais les rôles sont connus et peu nombreux. Le sélecteur gère l'ordre ; vous ne définissez que la composition de l'équipe.
- Chaque participant gagne à voir tout le travail déjà fait. L'analyste a besoin des chiffres exacts de l'agent de recherche, et le critique du code exact du codeur.
- L'exécution doit être facile à auditer. Une seule transcription montre toute la collaboration, et un humain peut la suivre ou s'y joindre.
- Vous voulez prototyper rapidement une idée multi-agent. L'article AutoGen rapporte que le code du workflow OptiGuide est passé de plus de 430 lignes à 100 avec le style de conversation multi-agent d'AutoGen (une configuration Commander, Writer et Safeguard, plus proche d'une conversation orchestrée que d'un group chat libre).
À éviter quand
- Une séquence fixe ou une répartition unique suffit. Utilisez Prompt Chaining ou Routing, ou un Supervisor pour une délégation simple.
- La latence compte. Les tours s'exécutent un par un, et un sélecteur LLM ajoute un appel de modèle à chacun.
- Les sous-tâches sont indépendantes. Exécutez-les en même temps avec Parallelization ; un group chat n'a qu'un orateur par tour.
- Rien ne permet de savoir objectivement que le travail est fini. L'Azure Architecture Center cite ce cas comme une raison d'éviter le pattern : la conversation se terminera sur un plafond, pas sur un succès.
- Il vous faut plus d'une poignée d'agents. Azure recommande trois agents au plus ; le contrôle devient plus difficile à chaque agent ajouté.
- La tâche est ouverte et longue. Préférez une conception Orchestrator–Workers avec planification et suivi de l'avancement (voir l'ablation de Magentic-One dans Avantages et inconvénients).
- Les agents lisent du contenu non fiable comme des pages web ou des e-mails, sauf si vous le filtrez, car ce qu'un agent lit, tous les agents le lisent.
Mise en œuvre
- Commencez avec un seul agent. Ne passez à une équipe que lorsqu'un agent doté d'outils s'avère insuffisant. Le tutoriel sur les équipes d'AutoGen et l'Azure Architecture Center le disent tous les deux.
- Définissez de deux à quatre rôles qui ne se recouvrent pas. Donnez à chacun un nom unique (sans espaces, c'est plus sûr), une description nette pour le sélecteur et un format de sortie fixe dans son prompt système, par exemple « attribuer les tâches sous la forme
<agent> : <task>». - Choisissez la politique de sélection la plus faible qui fonctionne. À peu près dans cet ordre : round-robin, puis une règle ou un graphe de transitions autorisées, puis un sélecteur LLM avec un filtre de candidats, puis un sélecteur LLM libre. Les règles ne coûtent rien et se testent ; un LLM coûte un appel par tour et peut se tromper.
- Validez la réponse du sélecteur. Le comportement d'AutoGen mérite d'être copié : comptez les mentions en mot entier de chaque nom de candidat ; s'il n'y en a aucune ou plusieurs, réessayez avec une correction (trois tentatives par défaut dans AgentChat), puis rabattez-vous sur un choix fixe et journalisez un avertissement. Sautez l'appel quand il ne reste qu'un candidat.
- Définissez l'arrêt par couches. Un arrêt sémantique (mot-clé ou approbation) que seul un agent désigné peut émettre, un plafond strict de messages et un budget de tokens ou de temps. Ajoutez un arrêt externe pour les interfaces. Traitez tout arrêt autre que l'arrêt sémantique comme une exécution en échec.
- Décidez de ce qui est partagé. Les appels d'outils et les résultats bruts doivent-ils entrer dans le fil, ou seulement le texte de l'orateur ? Faut-il résumer les anciens tours ? Le sélecteur ne doit-il voir que les derniers messages ? Microsoft Agent Framework (Python) retire par défaut le contenu des outils avant la diffusion.
- Choisissez la sortie et journalisez chaque sélection. Renvoyez le dernier message, le message final d'un agent désigné ou une passe de résumé. Journalisez pour chaque exécution les candidats, l'orateur choisi, la raison, les nouvelles tentatives, les tokens par message et le motif d'arrêt.
| Framework | Forme que prend ce pattern |
|---|---|
| AutoGen AgentChat (0.4+) | RoundRobinGroupChat, SelectorGroupChat (avec selector_prompt, selector_func, candidate_func, allow_repeated_speaker=False par défaut) et MagenticOneGroupChat. Les classes d'arrêt comme TextMentionTermination et MaxMessageTermination se combinent avec | et &. |
| AutoGen 0.2 / AG2 | GroupChat plus GroupChatManager, avec speaker_selection_method réglé sur auto (par défaut), round_robin, random, manual ou une fonction, et allowed_or_disallowed_speaker_transitions pour un graphe. max_round vaut 10 par défaut. AG2 ajoute AutoPattern, RoundRobinPattern et des patterns fondés sur des handoffs. |
| Semantic Kernel | GroupChatOrchestration avec un RoundRobinGroupChatManager ou un GroupChatManager personnalisé qui redéfinit les hooks de sélection de l'orateur, d'arrêt, de saisie humaine et de filtrage du résultat. Marqué expérimental. |
| Microsoft Agent Framework | GroupChatBuilder (Python) avec une fonction de sélection ou un agent orchestrateur, et une condition d'arrêt ; des builders .NET et Go existent. Décrit comme une topologie en étoile, avec des sessions par agent synchronisées avant chaque tour. |
| LangGraph | Pas de classe dédiée. L'exemple « multi-agent collaboration » fait partager aux agents une même liste de messages dans l'état du graphe, avec un routeur à base de règles qui lit la dernière sortie. |
| CAMEL | RolePlaying : un utilisateur IA et un assistant IA en alternance stricte, avec un plafond de messages, un token de fin et une détection d'inversion des rôles. |
Réserve. D'après son README GitHub, le dépôt AutoGen est archivé et en mode maintenance, et Microsoft Agent Framework y est désigné comme son successeur ; un billet de blog Microsoft date Agent Framework 1.0 du 3 avril 2026. La date d'octobre 2025 pour le passage d'AutoGen en mode maintenance ne provient que de sources secondaires et n'est pas vérifiée. AG2 est le fork communautaire qui conserve l'API GroupChat de style 0.2. Les valeurs par défaut comme max_round=10 ou les trois tentatives du sélecteur ont été relevées au moment de la recherche et peuvent changer ; les détails d'API de Semantic Kernel et d'Agent Framework n'ont pas été revérifiés.
Variantes
Round-robin team
Une rotation fixe, sans appel de sélecteur. Le cas minimal est un rédacteur et un relecteur qui parlent à tour de rôle ; l'exemple de Semantic Kernel les fait tourner pendant cinq tours, et sa documentation conseille un nombre impair pour que le rédacteur ait le dernier mot. Peu coûteux et prévisible, mais chaque agent parle même quand il n'a rien à ajouter.
Selector group chat
Un LLM lit les rôles et l'historique et nomme le prochain orateur, éventuellement aidé par une fonction qui impose certains choix (par exemple « après n'importe quel spécialiste, revenir au planificateur ») ou réduit la liste des candidats. C'est l'exemple fil rouge de cette page.
Group chat contraint par un graphe
Un graphe de transitions autorisées indique qui peut suivre qui, et le LLM ne choisit que parmi les prochains orateurs permis. Le billet de blog AutoGen sur FSM GroupChat insiste sur le fait que le graphe et les descriptions des agents forment ensemble la machine à états : les descriptions disent quand chaque arête doit être empruntée. StateFlow généralise cette idée en workflows pilotés par états ; ses gains par rapport à ReAct portent sur des résultats à workflow unique, pas sur des benchmarks de group chat.
Boucle maker-checker
Un « maker » propose et un « checker » approuve ou renvoie un retour, jusqu'à l'approbation ou jusqu'à un plafond d'itérations. L'Azure Architecture Center la traite comme un cas particulier, au tour par tour, du group chat. En tant que boucle à deux rôles, c'est la même idée qu'Evaluator–Optimizer.
Jeu de rôle à deux agents (CAMEL)
Un « utilisateur IA » donne des instructions et un « assistant IA » les exécute, en alternance stricte, après qu'un prompt de spécification de la tâche et deux prompts de rôle ont mis les choses en place. CAMEL utilisait cinq règles d'arrêt, dont un token de fin de tâche, la détection d'inversion des rôles et un plafond de 40 messages fixé pour maîtriser le coût.
Chat chain (ChatDev)
Une suite de conversations à deux agents regroupées en phases comme la conception, le codage et les tests. Seules les solutions des phases précédentes sont transmises, pas les transcriptions complètes : cette variante se situe donc entre le group chat et Prompt Chaining.
Group chat orchestré (Magentic-One)
Un manager qui planifie, tient un registre des tâches et un registre de l'avancement, détecte les blocages, choisit l'agent suivant et lui rédige en plus une instruction. AutoGen l'expose sous le nom MagenticOneGroupChat, qui remplace directement un selector group chat. Son fonctionnement interne est décrit sur la page Orchestrator–Workers.
Humain dans le groupe
Une personne participe en tant que membre ordinaire, en tant que point de validation que le manager consulte avant un tour, ou en tant que sélecteur. Une forme courante passe la main à l'humain juste après le planificateur et revient au planificateur sauf si la réponse est « APPROVE ». Voir Human-in-the-Loop.
Pool de messages en publish-subscribe (MetaGPT)
Les agents publient des documents structurés dans un pool partagé et s'abonnent selon leur rôle, de sorte que chacun ne lit que ce qui le concerne. MetaGPT soutient que tout partager surcharge les agents. C'est la passerelle vers le pattern Blackboard.
Group chats imbriqués
Une équipe entière joue le rôle d'un seul participant dans une conversation plus large. Voir Hierarchical teams.
Avantages et inconvénients
Avantages
- Peu de code d'orchestration : vous définissez les rôles, une politique de sélection et des conditions d'arrêt, et la boucle fait le reste.
- Une seule transcription lisible montre toute la collaboration, ce qui aide au débogage et aux audits.
- Tous les agents travaillent à partir des mêmes faits : l'analyste utilise les chiffres exacts de l'agent de recherche.
- Le nombre de tours s'adapte à la tâche : un chiffre manquant entraîne un tour de recherche supplémentaire plutôt qu'une réponse fausse.
- Un humain peut se joindre comme participant, comme point de validation ou comme sélecteur sans changer la structure.
- La politique de sélection peut passer du libre au contrôlé (LLM, graphe, règle, rotation) sans réécrire les agents.
Inconvénients
- Le contexte grossit à chaque tour et chaque orateur relit tout le fil : les tokens d'entrée augmentent donc plus vite que le nombre de tours. (Les notes de recherche estiment une croissance à peu près quadratique ; c'est leur propre raisonnement, pas une mesure.)
- Les tours sont séquentiels, et un sélecteur LLM ajoute un appel de modèle par tour, sans compter les nouvelles tentatives.
- La sélection libre est faible sur les tâches ouvertes. Dans l'article Magentic-One, remplacer l'orchestrateur planificateur par une simple sélection de l'orateur façon group chat a fait baisser les performances sur le jeu de validation GAIA d'environ 31 % (en relatif). Cette référence utilisait une sélection de style AutoGen 0.2 ; un sélecteur bien contraint pourrait combler une partie de l'écart, ce qui n'est pas vérifié.
- Sans plafonds ni agent désigné pour conclure, les conversations bouclent, dérivent ou se terminent trop tôt.
- La critique entre pairs peut nuire aux modèles plus faibles : dans AgentVerse, les groupes GPT-3.5 ont fait moins bien que des agents seuls sur deux tâches, tandis que les groupes GPT-4 ont fait légèrement mieux.
- Tout ce qu'un agent voit, tous les agents le voient, y compris les secrets, les sorties d'outils et les instructions injectées depuis des pages web.
Modes de défaillance
- Boucles et bavardage
-
Les agents échangent des politesses (« merci », « je vous en prie ») ou répètent le même échange. CAMEL a observé des boucles de messages sans progrès, et dans l'étude MAST sur des traces multi-agents en échec, la répétition d'étapes était le mode de défaillance le plus fréquent (15,7 %). Vous le repérez aux exécutions qui se terminent sur le plafond de messages.
Parade : des plafonds stricts plus un budget de tokens, une règle qui revient au planificateur après chaque spécialiste, une détection des blocages avec replanification, et une ligne explicite « pas de bavardage » dans chaque prompt.
- Erreurs de sélection de l'orateur
-
Le sélecteur ne nomme aucun agent, en nomme deux, nomme un agent qui n'existe pas ou le mauvais expert, ou bien un agent finit par monopoliser la conversation.
Parade : validez et réessayez avec un retour, puis rabattez-vous sur un choix par défaut. Réduisez les candidats avec une fonction ou un graphe de transitions, interdisez les répétitions immédiates, et utilisez des noms et des descriptions bien distincts. Laisser le planificateur nommer l'agent suivant et router sur ce nom avec une règle supprime la plupart des choix faits par le LLM.
- Arrêt prématuré ou manqué
-
Le mot-clé d'arrêt n'est jamais écrit, est écrit trop tôt, ou apparaît dans un texte cité. MAST rapporte des agents ignorant les conditions d'arrêt dans 12,4 % des échecs, et un arrêt prématuré dans 6,2 %.
Parade : donnez à un seul agent le pouvoir d'arrêter, et vérifiez à la fois la source et le texte. Utilisez un token distinctif, ajoutez toujours des plafonds, et prévoyez un tour de vérification final avant l'arrêt.
- Vérification faible ou absente
-
La réponse finale n'est jamais vérifiée. Dans l'exemple d'exécution
candidate_funcdu tutoriel AutoGen lui-même, le résumé du planificateur donnait un pourcentage différent de celui que l'analyste avait calculé (un tutoriel avec des outils factices, donc une illustration, pas un taux mesuré).Parade : un vérificateur avec des critères concrets, des outils ancrés dans le réel comme l'exécution de code ou des tests, et une étape finale qui recoupe les chiffres avec le fil.
- Dérive des rôles et réponses creuses
-
Un assistant se met à donner des instructions, des agents font le travail des autres, ou un agent écrit « Je vais chercher... » et s'arrête sans agir. CAMEL a documenté à la fois l'inversion des rôles et ces « flake replies ».
Parade : des prompts système stricts (« n'inversez jamais les rôles »), des préfixes de sortie fixes, des jeux d'outils restreints par agent, une règle qui impose que l'action ait lieu dans le message même qui l'annonce, et un arrêt en cas de violation de rôle.
- Écho et conformisme
-
Les agents approuvent ou paraphrasent le message précédent, ou abandonnent une bonne réponse après une critique erronée. Dans AgentVerse, environ 10 % des erreurs de GPT-3.5 sur MGSM venaient exactement de cela.
Parade : donnez aux critiques des critères d'acceptation explicites, demandez des preuves plutôt que des opinions, utilisez des modèles plus forts pour les critiques, et ajoutez un vérificateur qui n'est pas un LLM. Dans l'exemple d'échecs d'AutoGen, retirer l'agent plateau qui validait les coups a entraîné des coups illégaux.
- Explosion du contexte
-
De longs fils, des déversements de sorties d'outils et des captures d'écran dépassent la fenêtre de contexte ou font sortir la tâche du champ d'attention.
Parade : retirez les contenus d'outils de la diffusion, résumez ou compactez entre les tours, ne donnez au sélecteur que les derniers messages, ou ne transmettez que les solutions comme le fait ChatDev. AgentPrune rapporte une réduction des tokens de 28,1 à 72,8 % en élaguant les messages redondants.
- Prompt injection propagée par le fil
-
Un agent qui lit le web colle des instructions malveillantes, et tous les autres agents les lisent ensuite. Le guide de Magentic-One met en garde contre la prompt injection venant de contenus web.
Parade : citez ou assainissez le contenu externe, diffusez des résumés plutôt que les sorties brutes des agents à risque, exigez une approbation humaine avant toute exécution de code, et isolez l'exécution dans un bac à sable.
Liens avec les autres patterns
- Supervisor : souvent confondu avec le group chat. Un sélecteur qui revient toujours au planificateur ressemble à un superviseur, mais les workers d'un superviseur ne partagent pas un même fil : chacun reçoit une instruction et rend compte seul.
- Swarm / Handoffs : l'agent actif décide lui-même de passer la main, sans sélecteur extérieur. Le
Swarmd'AutoGen réutilise la mécanique du group chat avec une sélection fondée sur les handoffs. - Orchestrator–Workers : Magentic-One est la forme orchestrée du group chat, qui ajoute planification, suivi de l'avancement et instructions par agent ; l'ablation de 31 % montre ce que coûte leur suppression.
- Council / Debate : des tours structurés où plusieurs agents répondent à la même question, puis critiquent ou votent. Le group chat est une prise de parole ouverte, à tour de rôle, sur une tâche. Azure emploie « debate » et « council » comme synonymes de group chat ; ce site les distingue.
- Blackboard : un espace de travail partagé organisé par contenu plutôt qu'un journal de conversation chronologique. Le pool de messages à abonnement de MetaGPT se situe entre les deux.
- Evaluator–Optimizer : la boucle maker-checker à deux rôles. Une conversation en round-robin entre un rédacteur et un relecteur est une façon de la construire.
- ReAct (tool-use loop) : ce qui se passe à l'intérieur du tour de chaque orateur quand il utilise des outils.
- Hierarchical teams : un group chat entier peut être un participant, ou une équipe, au sein d'une structure plus large.
- Prompt Chaining : un ordre fixe sans conversation partagée. La chat chain de ChatDev est un pipeline dont les étapes sont de petites conversations.
- Human-in-the-Loop : un humain comme participant, point d'approbation ou sélecteur manuel.
Pour aller plus loin
Toutes les sources ci-dessous sont en anglais.
- Selector Group Chat (documentation AutoGen) : l'exemple Planner, WebSearch et DataAnalyst utilisé sur cette page, avec
selector_func,candidate_funcet un flux d'approbation humaine. - FSM GroupChat (blog AutoGen, 2024) : contraindre la sélection de l'orateur avec un graphe de transitions autorisées, et pourquoi les descriptions servent de conditions de transition.
- AI agent orchestration patterns (Azure Architecture Center) : quand utiliser ou éviter le group chat, la variante maker-checker et le conseil de garder des groupes restreints.
- AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation (Wu et al., arXiv) : la boucle originale du group chat manager, le prompt de sélection par jeu de rôle et un petit essai pilote comparant des conceptions de sélecteur.
- Magentic-One (Fourney et al., arXiv) : une équipe orchestrée, et l'ablation face à une simple sélection de l'orateur façon group chat.
- Why Do Multi-Agent LLM Systems Fail? (Cemri et al., arXiv) : la taxonomie MAST de 14 modes de défaillance, utile pour étiqueter les transcriptions en échec.