Système multi-agents avec MCP : un exemple de réussite commerciale

Le problème du monde réel

Imaginez ceci : il est 9 heures du matin à la fin du trimestre. Joe, votre chargé de compte, doit préparer un appel de renouvellement avec Acme Corp. Il parcourt un labyrinthe d'onglets : Salesforce pour examiner l'opportunité, Fireflies pour analyser les notes de réunion de la semaine dernière, LinkedIn pour décoder la dynamique des organigrammes et Slack pour recueillir des informations sur la concurrence. Quarante-cinq minutes et trente onglets de navigateur plus tard, Joe n'a toujours pas répondu aux questions cruciales qui pourraient faire ou défaire l'affaire :

• Qui signe réellement le bon de commande maintenant que le CIO d'Acme vient de partir ?
• Des objections en matière de prix ont-elles été soulevées lors du dernier appel client ?
• Un concurrent a-t-il discrètement infiltré cette offre ?
• Quel est le véritable sentiment qui sous-tend leurs « préoccupations budgétaires » ?

Imaginez maintenant que Joe tape une seule question en anglais clair dans une interface Deep Research : « Quels sont les risques actuels pour le renouvellement d'Acme Corp sur la base des récents appels et des changements de direction ? » En 60 secondes, il reçoit un briefing complet avec des citations, une évaluation des risques et des recommandations pour les prochaines actions. Son objectif passe de la « recherche de fragments d'informations » à la « conclusion stratégique de la transaction ».

Cette transformation n'est pas seulement une question de commodité, mais aussi d'avantage concurrentiel. Les équipes qui mettent en œuvre ce flux de travail signalent avoir réduit le temps de préparation de 60 % et accéléré la vitesse du pipeline de 20 %. Mais les ventes ne sont que la première étape. Les équipes financières exigent des pistes d'audit automatisées, les équipes marketing veulent des informations sur les campagnes pilotées par les agents, et les équipes informatiques envisagent des systèmes autonomes de réponse aux incidents. Le besoin d'une recherche intelligente et automatisée couvre toutes les fonctions de l'entreprise.

Le défi consiste à passer d'un prototype à une solution prête à la production qui répond aux normes d'entreprise en matière de sécurité, de gouvernance et d'évolutivité.

Découvrez TrueFoundry, la plateforme d'intelligence artificielle de niveau entreprise qui transforme le développement de systèmes multi-agents en passant de défis d'infrastructure complexes à des solutions rationalisées et prêtes pour la production. Dans les sections suivantes, nous verrons comment la plateforme complète de TrueFoundry répond à l'impératif multi-agents, simplifie le déploiement des serveurs MCP et fournit la gouvernance d'entreprise nécessaire à une transformation réussie de l'IA.

Le mandat multi-agents et MCP pour les entreprises

L'analogie USB : pourquoi nous avons besoin de serveurs MCP

Avant de plonger dans architecture multi-agents, résolvons le problème de connectivité. Imaginez si chaque appareil de votre bureau nécessitait un câble différent : un pour votre écran, un autre pour votre clavier, un troisième pour votre disque dur externe. Le chaos serait accablant. L'USB a résolu ce problème en créant une norme universelle.

L'IA d'entreprise est confrontée au même problème de fragmentation. Les approches traditionnelles nécessitent des intégrations personnalisées pour chaque source de données : code sur mesure pour Salesforce, API spécialisées pour Fireflies, authentification unique pour LinkedIn. Cela crée des cauchemars en matière de maintenance et crée des problèmes de dimensionnement.

Les serveurs MCP (Model Context Protocol) fonctionnent comme « l'USB-C pour l'IA », fournissant des connexions normalisées entre les agents d'IA et les systèmes d'entreprise. Comme Le blog MCP complet de TrueFoundry démontre que les serveurs MCP éliminent le besoin d'intégrations personnalisées en exposant des « ports » standardisés aux applications d'entreprise. Les agents appellent les outils via MCP avec des protocoles cohérents, tout comme les appareils modernes se connectent via des câbles universels.

Les valeurs que TrueFoundry apporte pour l'installation, la configuration et le déploiement de MCP peuvent également être trouvées ici.

Au-delà des limites liées à un seul agent

Un LLM monolithique qui gère des études de vente complexes, c'est comme s'attendre à ce qu'un seul couteau suisse puisse construire une maison, ce qui est théoriquement possible, mais pratiquement insuffisant.

Cette approche multi-agents offre plusieurs avantages essentiels par rapport aux solutions monolithiques :

1. Expertise spécialisée : chaque agent est optimisé pour des tâches spécifiques, ce qui se traduit par des résultats de meilleure qualité
2. Traitement parallèle : plusieurs agents peuvent travailler simultanément, ce qui réduit considérablement les temps de réponse
3. Tolérance aux pannes : si un agent tombe en panne, les autres peuvent poursuivre le traitement
4. Évolutivité : les agents individuels peuvent être dimensionnés indépendamment en fonction de la demande
5. Maintenabilité : les agents ciblés sont plus faciles à déboguer, à mettre à jour et à améliorer

Nous utiliserons LangGraph pour l'orchestration des agents, comme indiqué dans Guide de déploiement de LangGraph de TrueFoundry. Alors que d'autres frameworks tels que LLamaIndex, AutoGen ou Dynamiq offrent des fonctionnalités similaires, LangGraph fournit une orchestration robuste de niveau entreprise grâce à l'intégration de la plateforme TrueFoundry. TrueFoundry publiera des comparaisons de modèles complètes dans les prochains articles de blog, explorant diverses architectures multi-agents et leurs cas d'utilisation optimaux.

La révolution des serveurs MCP

Le Protocole de contexte du modèle représente bien plus qu'une simple norme d'API, c'est une évolution fondamentale vers des systèmes d'IA interopérables. Les approches traditionnelles obligent les équipes à créer des connecteurs personnalisés pour chaque source de données, ce qui entraîne une dette technique et des frais de maintenance. Les serveurs MCP offrent plusieurs avantages en termes de transformation :

• Productivité des développeurs : au lieu de passer des semaines à créer des intégrations personnalisées, les développeurs peuvent lancer des serveurs MCP en quelques minutes. Le terrain de jeu AI Gateway de TrueFoundry permet de tester immédiatement les connexions MCP, ce qui permet un prototypage et une validation rapides.
• Réutilisabilité : le même outil « CustomerSentiment » qui alimente les études commerciales peut répondre instantanément aux besoins de veille concurrentielle du marketing ou aux flux de travail d'évaluation des risques du secteur financier. Cette réutilisabilité accélère les cycles de développement et réduit les doublons.
• Sécurité et gouvernance : les serveurs MCP mettent en œuvre une sécurité au niveau de l'entreprise grâce à une transmission de données cryptée, à des contrôles d'accès basés sur les rôles et à une journalisation complète des audits. Ils répondent aux exigences de résidence des données et fournissent une gestion précise des autorisations.
• Testabilité : le terrain de jeu AI Gateway de TrueFoundry permet aux développeurs de tester les interactions des serveurs MCP dans un environnement contrôlé, en validant les fonctionnalités avant le déploiement en production.

Gouvernance d'entreprise : le fondement non négociable

Les DSI d'entreprise évaluent d'abord les solutions d'IA sous l'angle de la gouvernance. Les capacités techniques sont importantes, mais la sécurité, la conformité et l'observabilité déterminent le succès de l'adoption. TrueFoundry répond à ces exigences de manière exhaustive :

• Garde-corps et application des politiques : des filtres de conformité asynchrones analysent les sorties avant leur livraison, garantissant ainsi le respect de la réglementation sans dégradation des performances. Des politiques personnalisées peuvent être mises en œuvre pour répondre à des exigences spécifiques au secteur, telles que la loi HIPAA, la SOX ou le RGPD.
• Contrôle d'accès basé sur les rôles (RBAC) : les autorisations granulaires déterminent quels utilisateurs peuvent accéder à des sources de données, à des agents ou à des fonctionnalités de recherche spécifiques. Cela permet des déploiements multi-locataires sécurisés dans les grandes entreprises.
• Résidence et confidentialité des données : TrueFoundry prend en charge le déploiement sur site et les exigences de résidence des données spécifiques au cloud, garantissant ainsi que les informations sensibles ne dépassent jamais les limites autorisées.
• Observabilité et surveillance : des tableaux de bord complets fournissent une visibilité en temps réel sur les performances des agents, la répartition des coûts et l'état du système. Cela permet une optimisation proactive et une résolution rapide des problèmes.

Tous ces aspects sont, de par leur conception, bien couverts par TrueFoundry, comme indiqué dans son Fonctionnalités du Trust Center.

Key Metrics for Evaluating Gateway

Criteria	What should you evaluate ?	Priority	TrueFoundry
Latency	Adds <10ms p95 overhead for time-to-first-token?	Must Have	✅ Supported
Data Residency	Keeps logs within your region (EU/US)?	Depends on use case	✅ Supported
Latency-Based Routing	Automatically reroutes based on real-time latency/failures?	Must Have	✅ Supported
Key Rotation & Revocation	Rotate or revoke keys without downtime?	Must Have	✅ Supported
Key Rotation & Revocation	Rotate or revoke keys without downtime?	Must Have	✅ Supported
Key Rotation & Revocation	Rotate or revoke keys without downtime?	Must Have	✅ Supported
Key Rotation & Revocation	Rotate or revoke keys without downtime?	Must Have	✅ Supported
Key Rotation & Revocation	Rotate or revoke keys without downtime?	Must Have	✅ Supported

MCP Gateway Evaluation Checklist

A practical guide used by platform & infra teams

Architecture de solution par TrueFoundry : recherche approfondie multi-agents de niveau entreprise

Vue d'ensemble du système

Notre architecture d'entreprise met en œuvre un système multi-agents (MAS) sophistiqué orchestré via LangGraph, avec un accès standardisé aux données via des serveurs MCP et une gouvernance complète grâce aux fonctionnalités de la plateforme TrueFoundry :

Analyse approfondie de la mise en œuvre

Orchestration des agents LangGraph

En suivant les modèles décrits dans Guide de déploiement de LangGraph de TrueFoundry, notre mise en œuvre tire parti du modèle superviseur-travailleur pour une efficacité maximale :

async def create_fireflies_agent():
   """Create Fireflies agent with MCP tools."""
   client = MultiServerMCPClient({
       "fireflies": {
           "url": "https://ml.tfy-eo.truefoundry.cloud/fireflies-mcp-deep-research-8000/mcp",
           "transport": "streamable_http",
           "headers": {
               "Authorization": f"Bearer {os.getenv('FIREFLIES_KEY')}"
           },
       }
   })
  
   tools = await client.get_tools()
  
   return create_react_agent(
       model=llm,
       tools=tools,
       prompt=(
           "You are a Fireflies meeting assistant.\n\n"
           "INSTRUCTIONS:\n"
           "- Assist ONLY with meeting-related tasks such as summarizing discussions, extracting action items, and identifying speakers\n"
           "- Use tools to transcribe, analyze, and summarize conversations from platforms like Google Meet\n"
           "- After completing your task, submit the summary directly to the meeting organizer or designated stakeholder\n"
           "- Respond ONLY with the meeting summary or key outcomes, do NOT include ANY extra commentary or unrelated content."
       ),
       name="fireflies_agent",
   )
async def create_supervisor_with_salesforce_and_fireflies():
   """Create supervisor that manages all four agents."""
   salesforce_agent = await create_salesforce_agent()
   fireflies_agent = await create_fireflies_agent()
  
   return create_supervisor(
       model=llm,
       agents=[research_agent, math_agent, salesforce_agent, fireflies_agent],
       prompt=(
           "You are a supervisor managing three agents:\n"
           "- a research agent. Assign research-related tasks to this agent\n"
           "- a math agent. Assign math-related tasks to this agent\n"
           "- a salesforce agent. Assign Salesforce/CRM-related tasks to this agent\n"
           "- a fireflies agent. Assign Fireflies meeting-related tasks to this agent\n"
           "Assign work to one agent at a time, do not call agents in parallel.\n"
           "Do not do any work yourself."
       ),
       add_handoff_back_messages=True,
       output_mode="full_history",
   ).compile()

‍

Utilisation du serveur MCP pour les agents

Comme souligné dans Documentation MCP de TrueFoundry, nous pourrions déployer des serveurs MCP sur TrueFoundry ; une fois le déploiement effectué, les tests, l'évaluation et le déploiement des serveurs MCP deviennent simples avec TrueFoundry :

Vous pouvez accéder à « Playground » de la passerelle AI de TrueFoundry, cliquer sur « Serveurs MCP » et activer les outils d'activation et de désactivation pour chaque serveur MCP :

et mettez-les à disposition dès que possible :

L'interaction avec le terrain de jeu indique également quels outils sont invoqués dans un véritable chat IA, ce qui aide les développeurs à avoir une vue d'ensemble de l'ensemble du flux.

Bien entendu, nous pourrions également revenir à « Déploiement » pour vérifier et modifier à nouveau les paramètres de déploiement du serveur MCP :

Comme prévu, nous voyons que dans le code Python ci-dessus, le point de terminaison du serveur MCP pour l'instanciation des agents est juste celui qui est déployé. Ce faisant, nous avons vraiment une bonne capacité de réutilisation des serveurs MCP testés existants.

 client = MultiServerMCPClient({
       "fireflies": {
           "url": "https://ml.tfy-eo.truefoundry.cloud/fireflies-mcp-deep-research-8000/mcp",
           "transport": "streamable_http",
           "headers": {
               "Authorization": f"Bearer {os.getenv('FIREFLIES_KEY')}"
           },
       }
   })

Une autre chose à noter est que nous devons parfois reconfigurer les variables d'environnement en ajoutant de nouvelles informations d'identification, nous pourrions enrichir la liste de variables d'environnement existante et l'ajouter au code pour l'appeler. Par exemple, dans le code Python ci-dessus :

 "Authorization": f"Bearer {os.getenv('FIREFLIES_KEY')}" 

dans les en-têtes sert à cela et on peut trouver la variable « CLÉ_LUCIOLES » sous « Modifier le service ».

Une expérience rapide sur un système multi-agents

Nous pourrions rapidement créer un système à 3 agents dans lequel un agent superviseur superviserait deux agents ouvriers : un agent Salesforce et un agent Fireflies. Avec cela, nous pourrions créer un service TrueFoundry encapsulé autour du code Python de Langgraph, et nous pouvons tester ce service particulier dans l'interface utilisateur TrueFoundry :

Avec la sortie :

Cela montre que l'agent superviseur identifie correctement l'intention de l'invite : il récupère les scripts des appels commerciaux, puis il délègue de la bonne manière à l'agent Fireflies pour obtenir la réponse à l'utilisateur.

Exemples de résultats issus de la recherche approfondie à part entière

‍

Deep Research Analysis: Acme Corp Q3 Renewal
Deal Health Score: 68% (At-Risk)
Key Findings:
Pricing Sensitivity: Negative sentiment detected in 2 of last 3 calls regarding cost concerns
Leadership Change: New interim CFO announced via LinkedIn (July 14, 2025)
Competitive Pressure: Competitor "TechRival" mentioned 3 times in recent calls
Support Health: Zero critical support tickets in past 90 days (positive indicator)
Risk Factors:
Budget Constraints (High Risk): CFO transition may delay decision-making
Competitive Evaluation (Medium Risk): Active comparison with alternative solutions
Stakeholder Alignment (Medium Risk): Key champion (CTO) availability uncertain
Supporting Evidence:
Fireflies Call [July 10]: "Budget is tighter than expected this quarter" (Sentiment: -0.7)
LinkedIn Post [July 14]: "Acme Corp appoints Bill Johnson as interim CFO"
Salesforce Opportunity: Stage=Negotiation, Amount=$850K, Close Date=July 31
Generated: July 16, 2025, 7:30 PM PST | Confidence: 87% | Processing Time: 2.3 seconds

Résumé : L'avantage de TrueFoundry pour l'IA d'entreprise

Les systèmes multi-agents représentent un changement fondamental dans la façon dont les organisations abordent les flux de travail complexes liés à l'IA, en passant de solutions monolithiques à des systèmes intelligents spécialisés et collaboratifs.

La plateforme indépendante du cloud de TrueFoundry, associée à des modèles d'orchestration multi-agents sophistiqués et à une prise en charge complète des serveurs MCP, crée une base unique de niveau entreprise pour créer des architectures multi-agents évolutives, sécurisées, maintenables et hautement efficaces.

Les principaux facteurs de différenciation de la plateforme sont les suivants :

• Efficacité économique : réduction substantielle des coûts d'infrastructure grâce à une gestion intelligente des ressources
• Déploiement rapide : les cycles de développement ont été réduits de plusieurs semaines à plusieurs jours grâce à des modèles prédéfinis et à un déploiement automatisé
• Sécurité de l'entreprise : gouvernance, conformité et observabilité complètes intégrées à chaque composant
• Productivité des développeurs : aucune dépendance vis-à-vis des fournisseurs, API unifiées et outils complets pour un développement rapide
• Excellence opérationnelle : mise à l'échelle, surveillance et maintenance automatisées réduisant les frais d'exploitation

L'avenir de l'IA d'entreprise ne réside pas dans le déploiement de modèles individuels, mais dans des écosystèmes d'agents collaboratifs qui combinent des capacités spécialisées avec une conformité et une gouvernance de haut niveau.

La plateforme TrueFoundry jette les bases de cet avenir, en permettant aux entreprises de créer, déployer et gérer des systèmes multi-agents sophistiqués en toute confiance et efficacité.

Questions fréquemment posées

Qu'est-ce que l'architecture MCP multi-agents ?

Une architecture MCP multi-agents utilise le protocole Model Context pour connecter plusieurs agents d'IA spécialisés à des outils et à des données partagés. Cette configuration permet à différents agents de collaborer en accédant à un ensemble unifié de ressources. TrueFoundry simplifie cela en fournissant un hub central où tous les agents découvrent et utilisent en toute sécurité les fonctionnalités de l'entreprise.

Comment le MCP permet-il la communication entre plusieurs agents d'IA ?

Le framework MCP multi-agents fournit un langage standardisé permettant aux agents de partager le contexte et les résultats des outils. En utilisant un protocole commun, les agents peuvent transmettre des informations dans les deux sens sans intégrations personnalisées. Cela crée un flux de données fluide, permettant à des flux de travail complexes de passer efficacement d'un agent spécialisé à un autre.

Quels sont les avantages de l'utilisation de systèmes multi-agents avec MCP ?

L'utilisation d'un système multi-agents avec MCP réduit la complexité liée à la gestion de connexions uniques pour chaque agent individuel. Il garantit la cohérence de la sécurité, de la découverte et de l'exécution des outils pour l'ensemble de l'équipe d'agents. Cette standardisation accélère le temps de développement et permet aux organisations de faire évoluer leur automatisation de l'IA sans réécrire le code d'intégration.

Comment gérez-vous la coordination entre plusieurs agents MCP ?

La gestion d'une configuration MCP multi-agents implique l'utilisation d'une passerelle ou d'un orchestrateur central pour suivre l'état des agents et les appels d'outils. TrueFoundry fournit l'observabilité nécessaire pour surveiller la façon dont les différents agents interagissent avec les serveurs MCP partagés. Cette vue centralisée aide les développeurs à affiner le processus de transfert et garantit que les agents travaillent vers un objectif commun.

Comment éviter les conflits dans un système MCP multi-agents ?

Dans un environnement MCP multi-agents, vous évitez les conflits en mettant en œuvre des contrôles d'accès stricts basés sur les rôles et le verrouillage des ressources. Ces politiques garantissent que deux agents ne tentent pas de modifier les mêmes données simultanément. La passerelle de TrueFoundry applique ces autorisations, garantissant ainsi la stabilité, la prévisibilité et l'absence d'erreurs d'exécution de vos flux de travail multi-agents.

Quels sont les modèles MCP multi-agents courants ?

Les modèles courants d'un système multi-agents avec MCP incluent le modèle « Router-Worker », dans lequel un superviseur délègue des tâches, et les « chaînes séquentielles ». Un autre modèle MCP multi-agents efficace est l' « évaluateur parallèle », dans lequel les agents interrogent simultanément différents serveurs. TrueFoundry orchestre ces modèles en fournissant l'infrastructure nécessaire pour gérer des flux de travail complexes de partage d'outils.

Quels sont les frameworks MCP multi-agents ?

Les principaux frameworks pour un système MCP multi-agents incluent LangGraph, PydanticAI et CrewAI. Ils fournissent la logique d'orchestration, tandis que MCP fait office d'interface standardisée pour les outils. La mise en œuvre d'une configuration MCP multi-agents dans ces frameworks permet aux développeurs de créer des agents modulaires qui sont facilement découplés des intégrations spécifiques.