Un principe fondamental de la gestion de produit d'agent IA est de déterminer ce qu'une personne très intelligente - sans aucun contexte initial - aurait besoin pour accomplir la tâche avec succès. Le but est de faire tout ce qui est possible pour obtenir juste les bonnes informations dans la fenêtre de contexte afin de garantir que l'agent ait accès aux données et outils les plus pertinents pour exécuter. Chaque fois que nous essayons de comprendre pourquoi quelque chose fonctionne ou ne fonctionne pas avec un agent, cela revient généralement au fait qu'un humain aurait besoin d'un contexte totalement différent ou significativement plus riche pour exécuter la même action. En général, le problème réside alors quelque part dans l'utilisation des outils par l'agent (comme la recherche), ou dans le fait de ne pas donner à l'agent suffisamment de données pour travailler, ou parfois d'en donner trop, ou de ne pas expliquer correctement la tâche ou l'objectif, et ainsi de suite. La bonne nouvelle est que chacun de ces problèmes est traitable. Les modèles continueront simplement à s'améliorer sur chacun de ces points. Et vous pouvez toujours allouer plus de puissance de calcul au problème sous n'importe quelle forme (plus de raisonnement, plus de planification, plus de données récupérées, etc.) - il s'agit simplement d'un compromis coût/vitesse. Un domaine très intéressant à développer.