Comment Construire Votre Premier Agent IA en 15 Minutes

Table des matières

Mis à jour juin 2026.

TL;DR : Vous n’avez pas besoin d’un framework, d’une formation ni d’un doctorat. Vous avez besoin de Node.js, du SDK Anthropic et de 25 lignes de TypeScript. Ce tutoriel construit un agent réel et fonctionnel — un résumeur de contenu structuré que vous pouvez déployer sur Cloudflare dans la même session. Le seul prérequis est une clé d’API gratuite.

[Lecture de l’opérateur] Ce que j’entends le plus souvent de la part des fondateurs qui veulent automatiser avec l’IA, c’est « je dois d’abord en apprendre davantage ». C’est faux. Le pattern d’agent est simple, et le moyen le plus rapide de le comprendre est d’en construire un. Voici le chemin exact que je prendrais si je repartais de zéro aujourd’hui.

Pourquoi la plupart des tutoriels « construisez un agent IA » vous laissent tomber

Soit ils utilisent Python (parfait pour les ingénieurs ML, source de friction pour tous les autres), soit ils cachent le vrai code derrière un framework comme LangChain, soit ils construisent quelque chose de trop abstrait pour le relier à votre travail réel.

Ce tutoriel fait trois choses différemment :

1. TypeScript uniquement — si vous avez déjà écrit du JavaScript, vous pouvez suivre
2. Sans framework — vous verrez chaque ligne de code qui touche le modèle
3. Un résultat utile — vous construirez un résumeur structuré que vous pourrez réellement utiliser sur des e-mails clients, des avis ou des notes de réunion

Ce que vous allez construire

Un agent résumeur de contenu : collez n’importe quel bloc de texte, et recevez en retour un résumé structuré dans un format cohérent. Une requête HTTP en entrée, un résumé propre en sortie.

Pourquoi celui-ci comme premier projet : le pattern — prompt système + entrée utilisateur → sortie structurée — est le fondement de chaque agent que j’exécute. Changez le prompt système et vous obtenez un répondeur de questions, un réécrivain de ton, un classificateur ou un générateur de brouillons. Apprenez ceci une fois et vous aurez appris 80 % de ce que font réellement les agents en production.

Prérequis (2 minutes)

• Node.js 18+ — vérifiez avec node --version. Installez depuis nodejs.org si nécessaire.
• Une clé d’API Anthropic — inscrivez-vous sur Claude, récupérez une clé depuis la console. Le palier gratuit fonctionne.
• Un terminal et un éditeur de texte.

Pas de Docker. Pas d’environnement virtuel. Pas de pip install quoi que ce soit.

Étape 1 : Créer le projet (2 minutes)

mkdir my-first-agent && cd my-first-agent
npm init -y
npm install @anthropic-ai/sdk
npm install -D tsx typescript

Ajoutez un script à package.json pour pouvoir exécuter l’agent facilement :

{
  "scripts": {
    "agent": "tsx agent.ts"
  }
}

Étape 2 : Écrire l’agent (5 minutes)

Créez agent.ts et collez ceci :

import Anthropic from "@anthropic-ai/sdk";

const client = new Anthropic({
  apiKey: process.env.ANTHROPIC_API_KEY,
});

const SYSTEM_PROMPT = `You are a precise content summarizer. When given any block of text, return a structured summary in this exact format:

**One-line summary:** <the core point in one sentence>

**Key points:**
- <point 1>
- <point 2>
- <point 3 if applicable>

**Action item (if any):** <one concrete next step, or "None">

Be specific. No filler. Under 150 words total.`;

async function summarize(text: string): Promise<string> {
  const message = await client.messages.create({
    model: "claude-haiku-4-5",
    max_tokens: 512,
    system: SYSTEM_PROMPT,
    messages: [{ role: "user", content: text }],
  });

  const block = message.content[0];
  if (block.type !== "text") throw new Error("Unexpected response type");
  return block.text;
}

const sample = `
  Hey team — following up on the Q2 review meeting.
  We agreed to push the launch to July 15th instead of June 30th
  due to the payment integration delay. Marketing needs the new
  landing page copy by June 20th or we can't start the email campaign.
  Budget for the launch campaign is confirmed at $8,000.
  Please confirm receipt.
`;

const result = await summarize(sample);
console.log(result);

Étape 3 : L’exécuter (1 minute)

ANTHROPIC_API_KEY=sk-ant-... npm run agent

Sortie attendue :

**One-line summary:** Launch pushed to July 15th due to payment delay; landing page copy needed by June 20th to unblock email campaign.

**Key points:**
- Launch date moved from June 30th to July 15th
- Landing page copy deadline: June 20th (blocks email campaign)
- Campaign budget confirmed at $8,000

**Action item (if any):** Confirm receipt and deliver landing page copy by June 20th.

Voilà un agent IA fonctionnel. Entrée réelle, prompt système personnalisé, sortie structurée. Le tout fait 30 lignes de code.

Étape 4 : Personnalisez-le pour votre cas d’usage

Le prompt système est la seule chose qui rend cet agent vôtre. Voici trois alternatives prêtes à l’emploi :

Classificateur d’avis clients :

Classify this customer review as POSITIVE, NEGATIVE, or MIXED.
Then extract the main complaint or praise in one sentence.
Format: SENTIMENT: <label>
RESUME: <one sentence>

Transcription de réunion → tâches à faire :

Extract all action items from this meeting transcript.
Format each as: [OWNER if mentioned] [ACTION] by [DEADLINE if mentioned]
If owner or deadline is not stated, leave those fields blank.
Return a numbered list. No preamble.

Réécrivain de ton pour les réseaux sociaux :

Rewrite this text in a direct, confident, first-person tone for LinkedIn.
Remove hedging language ("I think", "maybe", "sort of").
Keep it under 200 words. Return only the rewritten text, no commentary.

Chacun d’eux est le même agent de 30 lignes avec un prompt système différent. Vous n’avez pas besoin d’un nouveau projet pour chacun — il suffit de mettre à jour SYSTEM_PROMPT et de relancer.

Étape 5 : Déployer en production

Un script local est un prototype. Un agent en production s’exécute selon une planification ou en réponse à des événements. Le chemin que j’utilise : Cloudflare Workers.

Les Workers sont gratuits jusqu’à 100k requêtes/jour, se déploient en quelques secondes et vous offrent des déclencheurs cron, du stockage KV et des files d’attente sans gérer la moindre infrastructure.

Installez Wrangler et générez l’ossature d’un Worker :

npm install -g wrangler
wrangler init my-agent-worker --template worker-typescript
cd my-agent-worker
npm install @anthropic-ai/sdk

Stockez votre clé d’API en tant que secret (jamais dans le code) :

wrangler secret put ANTHROPIC_API_KEY

Remplacez src/index.ts par :

import Anthropic from "@anthropic-ai/sdk";

export default {
  async fetch(request: Request, env: Env): Promise<Response> {
    const { text } = await request.json<{ text: string }>();

    const client = new Anthropic({ apiKey: env.ANTHROPIC_API_KEY });
    const message = await client.messages.create({
      model: "claude-haiku-4-5",
      max_tokens: 512,
      system: YOUR_SYSTEM_PROMPT,
      messages: [{ role: "user", content: text }],
    });

    const block = message.content[0];
    if (block.type !== "text") return Response.json({ error: "Bad response" }, { status: 500 });
    return Response.json({ summary: block.text });
  },
};

Déployez :

wrangler deploy

Vous disposez maintenant d’un point de terminaison d’API en direct à https://my-agent-worker.<your-subdomain>.workers.dev. Appelez-le depuis Zapier, un script Google Sheets, une application mobile — depuis n’importe quel endroit capable d’envoyer une requête HTTP.

Quoi construire ensuite

Une fois le pattern de base en place, la complexité arrive sous trois formes :

Utilisation d’outils (tool use) — laissez le modèle décider quand appeler des API externes. Au lieu d’exécuter toujours la même logique, le modèle choisit quel outil invoquer selon l’entrée. C’est ainsi que vous construisez des agents qui font des recherches, écrivent dans des bases de données ou envoient des notifications.

Chaînage (chaining) — passez la sortie d’un agent comme entrée d’un autre. Un classificateur achemine vers un répondeur ; un résumeur alimente un traducteur. La plupart des agents que j’exécute en production sont des chaînes de deux ou trois étapes, pas des appels uniques.

Déclencheurs cron — ajoutez [triggers] crons = ["0 8 * * *"] à wrangler.toml et votre agent s’exécute selon une planification. Pas de polling, pas de serveur toujours allumé. C’est ainsi que fonctionne le pipeline de contenu que j’utilise pour faire tourner ce site.

J’ai couvert ces trois patterns avec du code TypeScript complet dans Le stack d’agents que j’utilise pour faire tourner plus de 30 agents en production — cet article reprend là où celui-ci s’arrête.

Le bilan de l’opérateur

L’écart entre « penser à construire un agent » et « avoir un agent déployé » est d’environ 15 minutes et 30 lignes de code. Le prompt système est le produit — concentrez votre énergie là, pas sur le choix d’un framework. Si l’agent vous fait gagner une heure par semaine, cela représente 50 heures par an. Construisez d’abord la version simple, voyez si elle gagne sa place, puis ajoutez de la complexité uniquement quand le cas d’usage l’exige.