La Centrale has overhauled its generative AI platform, transitioning from a monolithic, single-agent architecture to a flexible multi-agent system built on AWS's AgentCore and the open-source Strands Agents SDK. This shift addresses limitations in the original platform, which, while successfully deploying about twenty use cases—such as generating vehicle descriptions and aiding professional sellers with pricing—proved inadequate for multi-agent workflows and was cumbersome for multi-provider integration, requiring significant effort to connect directly with services like OpenAI outside the AWS Bedrock ecosystem.

According to Fabien Roussel, Head of Architecture at Groupe La Centrale, the initial platform's relevance diminished as market frameworks matured. The new v2 architecture leverages AgentCore for orchestration and Strands Agents for its native integrations with LLM providers and pre-built components like memory management, eliminating the need for custom collaboration code.

A key application is the enhanced vehicle search assistant, which employs an "agent as tool" pattern. A primary orchestrator agent qualifies user requests, responds if possible, or delegates to specialized agents treated as tools. These include Caraguide, which provides automotive advice using a RAG system based on editorial content from Caradisiac, and Free Text Search, which normalizes vehicle data and calls the search API. Each agent runs in its own runtime with dedicated short and long-term memory.

Another significant use case involves transforming Caradisiac's editorial content for integration onto La Centrale, both to aid user decision-making and improve search engine positioning. This process utilizes about twenty collaborating agents within a shared runtime, taking roughly ten minutes per article at an approximate cost of $1 for LLM usage, with compute costs deemed negligible.

For tool integration, La Centrale uses managed MCP (Model Context Protocol) servers deployed via AgentCore Gateway, adopting a one-server-per-domain model to balance context management and scalability. Authentication is handled via OAuth 2 with AWS Cognito for agents, while gateway-to-tool authentication varies, employing API keys or IAM roles for Lambda functions. The system also supports managing external agents beyond those deployed in the AgentCore Runtime.

DynamoDB pour gérer le contexte, S3 pour centraliser les configurations d’agents, Lambda pour orchestrer les outils et l’observabilité… À l’origine, il y avait un peu de tout ça dans la plate-forme GenAI de La Centrale.

Cette v1 a permis la mise en prod d’une vingtaine de cas d’usage. Parmi eux, la création de descriptions à partir des données de véhicules pour rendre les annonces plus attractives. Ou l’aide au pricing pour les vendeurs professionnels. Elle s’est cependant révélée inadaptée pour faire du multi-agent. Et, dans une certaine mesure, du multifournisseur. Il fallait en tout cas un certain « effort d’implémentation » pour sortir de l’écosystème Bedrock et se brancher en direct avec OpenAI, par exemple.

Quoique flexible (couche applicative au-dessus de l’API Converse), cette plate-forme était par ailleurs de moins en moins pertinente à mesure que les frameworks du marché gagnaient en maturité, selon Fabien Roussel, head of architecture chez Groupe La Centrale.

Des agents en tant qu’outils

Pour la v2, La Centrale a basculé sur AgentCore, en y associant Strands Agents, un SDK open source (Python, NodeJS) made in AWS.

Fabien Roussel – © DR

« On peut faire du multi-agent sans faire nous-mêmes le code de collaboration », explique Fabien Roussel. Il ajoute que Strands Agents fournit des intégrations natives avec OpenAI & Cie. Ainsi qu’avec AgentCore (exemple avec la brique de gestion de la mémoire : « Ce n’est pas nous qui allons coder le GET et le PUT »).

Ce socle a permis d’améliorer l’assistant de recherche de véhicules que La Centrale avait déployé en 2024. Notamment grâce au pattern agent as tool : Strands Agents peut encapsuler des agents en tant qu’outils.

Sur cet assistant de recherche, l’agent principal (l’orchestrateur) qualifie la demande de l’utilisateur, y répond s’il le peut et délègue sinon à des agents spécialisés… traités, donc, en tant qu’outils. D’une part, Caraguide, spécialisé dans le conseil auto, à l’appui d’un RAG basé sur Caradisiac, le site éditorial du groupe. De l’autre, Free Text Search, qui normalise les données véhicule puis appelle l’API de recherche.

Chaque agent est déployé dans son runtime, avec une mémoire à court et long termes.

« Environ 1 $ » pour adapter des articles

Caradisiac porte un autre cas d’usage : la transformation de son contenu éditorial pour l’intégrer sur La Centrale. À la fois pour l’aide à la décision des utilisateurs en début de parcours et pour améliorer le positionnement sur les moteurs de recherche.

Le processus implique une vingtaine d’agents. Il prend environ 10 minutes par article. Coûts LLM : environ 1 $ (les coûts de compute sont négligeables, affirme Fabien Roussel).

Les agents travaillant ensemble, ils partagent un runtime.

Les deux cas d’usage exploitent des serveurs MCP managés déployés avec AgentCore Gateway.

La Centrale a opté pour un serveur MCP par domaine. Une gateway pour tous les outils n’était pas envisageable (« On explose le contexte »). Une gateway par outil ne l’était pas non plus (« C’est trop fin, trop petit, on ne peut pas scaler »).

Pour l’authentification des agents, c’est de l’OAuth 2 avec Cognito derrière. Pour l’authentification entre la passerelle et les outils, cela dépend : clés pour les API, IAM pour les fonctions Lambda.

Au-delà des déploiements dans AgentCore Runtime, le système gère aussi les agents externes.

Illustration principale générée par IA

The post Comment La Centrale a passé sa plate-forme GenAI du mono au multi-agent appeared first on Silicon.fr.