Créez un agent IA
qui travaille à votre place.
Concevez un assistant autonome qui surveille, décide et agit pour vous — disponible 24/7, à partir de 0 €.
Pourquoi les agents
Un chatbot répond.
Un agent décide et agit.
Agences web
Déléguez la veille SEO, la rédaction et le reporting client. Un agent gère plusieurs sites en parallèle pendant que votre équipe se concentre sur la stratégie.
E-commerce
Mise à jour des fiches produits, réponses au support de niveau 1, surveillance des prix concurrents et relances paniers, automatisées en continu.
Indépendants
Un assistant qui qualifie vos prospects, prépare vos devis et publie sur vos réseaux. L’effet d’une équipe, au prix de quelques euros d’API par mois.
Étape 1
Choisir son API
Trois options gratuites pour démarrer, trois options payantes pour la fiabilité. Pour les agents complexes, Claude API reste la référence grâce à son support natif des tools.
Groq
- Llama 3.3 / Mixtral
- Vitesse imbattable (LPU)
- Limite : ~30 req/min
- Idéal prototypage
Cloudflare AI
- Workers AI inclus
- Modèles open-source
- Edge mondial
- Limite : quota neurons/jour
OpenRouter
- 1 clé → 200+ modèles
- Modèles gratuits dispos
- Bascule facile vers payant
- Limite : rate-limit /jour
Claude API
- ★ Tool use natif & fiable
- Raisonnement long contexte
- Idéal agents complexes
- Le plus stable en boucle
ChatGPT API
- Function calling
- Écosystème large
- Bon multimodal
- Très documenté
Claude Haiku
- Le moins cher d’Anthropic
- Tools supportés
- Rapide pour tâches simples
- Parfait pour boucles longues
Exemple complet
Agent SEO autonome
Cas réel : un agent qui surveille votre SEO, génère des articles et publie automatiquement — sans intervention humaine.
Architecture de l’agent
Tout part d’un objet de configuration. On déclare le modèle, la liste des tools que l’agent a le droit d’utiliser, et un prompt système qui définit sa mission.
{
"model": "claude-3-5-sonnet-20241022",
"max_tokens": 4096,
"tools": [
{ "name": "search_google", "description": "Récupère le top 10 des positions pour un mot-clé" },
{ "name": "analyze_seo", "description": "Analyse un contenu et note ses faiblesses SEO" },
{ "name": "write_article", "description": "Rédige un article optimisé à partir d'un brief" },
{ "name": "publish_to_site", "description": "Publie l'article via l'API WordPress" }
],
"system": "Tu es un agent SEO autonome pour siteenmain.fr..."
}Premier outil : search_google
Un tool est une fonction que l’agent peut appeler. On décrit ses paramètres avec un JSON Schema. Claude lit la description, comprend quand l’utiliser, et renvoie un bloc tool_use avec les bons arguments — c’est à vous (Make) de l’exécuter réellement.
{
"name": "search_google",
"description": "Recherche un mot-clé sur Google et renvoie les positions du domaine.",
"input_schema": {
"type": "object",
"properties": {
"keyword": { "type": "string", "description": "Le mot-clé à suivre" },
"domain": { "type": "string", "description": "Le domaine à surveiller" }
},
"required": ["keyword", "domain"]
}
}Quand l’agent veut connaître sa position, il renvoie un bloc tool_use nommé search_google. Make intercepte ce bloc, appelle une vraie API SERP, puis renvoie le résultat à l’agent.
Deuxième outil : analyze_seo
Ce tool reçoit une URL ou un contenu et retourne un score structuré. La clé d’un bon agent : des sorties structurées que les étapes suivantes peuvent réutiliser.
{
"name": "analyze_seo",
"description": "Analyse une page et renvoie un score SEO + recommandations.",
"input_schema": {
"type": "object",
"properties": {
"url": { "type": "string" },
"keyword": { "type": "string" }
},
"required": ["url"]
}
}# Prompt utilisé par analyze_seo
Évalue la page sur 100 selon : densité du mot-clé,
balises Hn, meta description, maillage interne,
lisibilité et longueur. Renvoie STRICTEMENT du JSON :
{ "score": 73, "faiblesses": ["..."], "actions": ["..."] }Boucle agent (tool_use loop)
C’est le cœur du système. L’agent appelle un outil → Make l’exécute → le résultat est renvoyé → l’agent décide de l’étape suivante → nouvel outil → … jusqu’à ce qu’il renvoie task_complete.
// Pseudo-logique de la boucle dans Make
while (response.stop_reason === "tool_use") {
const tool = getToolUseBlock(response);
const result = executeTool(tool.name, tool.input); // Make Router
messages.push({ role: "user", content: [{
type: "tool_result",
tool_use_id: tool.id,
content: result
}] });
response = callClaude(messages); // on rappelle l'API
}
sendReport(response.text); // task_complete → rapport GmailConnexion Make.com
Voici le scénario Make simplifié : un déclencheur planifié, l’appel HTTP à Claude, un Router qui sépare les réponses texte des réponses tool_use, l’exécution de l’outil, le renvoi du résultat, la boucle, puis le rapport final par Gmail.
{
"name": "Agent SEO Autonome",
"flow": [
{ "module": "schedule:Trigger", "when": "lundi 08:00" },
{ "module": "http:ActionSendData", "to": "api.anthropic.com/v1/messages" },
{ "module": "builtin:Router", "routes": ["tool_use", "text"] },
{ "module": "builtin:ExecuteTool", "route": "tool_use" },
{ "module": "builtin:ReturnResult" },
{ "module": "builtin:Repeater", "loop": "until stop_reason=end_turn" },
{ "module": "gmail:SendEmail", "route": "text", "subject": "Rapport SEO hebdo" }
]
}Prompt complet de l’agent
Le prompt système est ce qui transforme un modèle en agent. Il fixe la mission, le rythme et l’ordre d’utilisation des outils.
Tu es un agent SEO autonome pour [AGENCE].
Ta mission, chaque lundi :
1. Tu surveilles les positions Google des mots-clés cibles.
2. Tu identifies 3 opportunités de contenu à fort potentiel.
3. Tu rédiges 1 article optimisé (800–1200 mots).
4. Tu le publies sur le site via l'API WordPress.
5. Tu envoies un rapport clair par email.
Tu utilises tes outils DANS CET ORDRE :
search_google → analyze_seo → write_article → publish_to_site
Règles :
• Une seule action à la fois, attends le résultat avant de continuer.
• Si un outil échoue 2 fois, passe à l'opportunité suivante.
• Ne publie jamais sans avoir analysé la concurrence d'abord.
• Termine toujours par un résumé : positions, article publié, prochaines actions.
Quand tout est fait, réponds en texte (sans tool) : c'est ton rapport final.Aller plus loin
3 agents qui changent la donne
Agent SEO
Surveille les positions, détecte les opportunités, rédige et publie des articles optimisés tout seul.
Agent Social
Analyse les tendances de votre niche, crée des posts et les programme sur vos réseaux automatiquement.
Agent Commercial
Qualifie les leads entrants, envoie des relances personnalisées et produit un rapport pipeline chaque jour.
100% local · 0 €
Faire tourner ton agent en local — 0 €
Ollama dans Docker = un agent qui tourne 24/7 sans dépendre d’une API externe ni payer au token.
Installer Docker Desktop
Téléchargez-le depuis le site officiel Docker et lancez-le.
Pull l’image Ollama
Récupérez l’image officielle du runtime Ollama.
Démarrer le container
Lancez Ollama en arrière-plan avec un volume persistant sur le port 11434.
Pull un modèle
Choisissez un modèle léger comme llama3.2 ou mistral.
Appeler depuis Make
Pointez le module HTTP vers l’endpoint local du container.
# 1. Récupérer le runtime Ollama
docker pull ollama/ollama
# 2. Démarrer le container (volume persistant + port)
docker run -d -v ollama:/root/.ollama \
-p 11434:11434 --name ollama ollama/ollama
# 3. Télécharger un modèle dans le container
docker exec -it ollama ollama pull llama3.2// Appel depuis Make (module HTTP)
"url": "http://localhost:11434/api/chat",
"method": "POST",
"body": {
"model": "llama3.2",
"messages": [{ "role": "user", "content": "Analyse ce mot-clé..." }],
"stream": false
}Déployer sur un VPS
Pour un agent disponible 24/7, déployez sur un VPS Hostinger ou OVH avec ce docker-compose.yml :
services:
ollama:
image: ollama/ollama
container_name: ollama
restart: unless-stopped
ports:
- "11434:11434"
volumes:
- ollama:/root/.ollama
tunnel: # expose l'agent en HTTPS
image: cloudflare/cloudflared
command: tunnel run
environment:
- TUNNEL_TOKEN=${CF_TUNNEL_TOKEN}
depends_on: [ollama]
volumes:
ollama:FAQ
Questions fréquentes
Un chatbot génère du texte en réponse à une question. Un agent reçoit une mission, choisit lui-même les outils à utiliser, les exécute dans l’ordre, lit les résultats et enchaîne les étapes jusqu’à accomplir l’objectif — sans qu’on lui repose une question à chaque fois.
Pour un vrai agent qui enchaîne des outils, Claude API est plus fiable grâce à son tool use natif et son raisonnement long. Groq est excellent pour prototyper gratuitement et pour les tâches rapides, mais montre ses limites sur les boucles complexes.
Un agent SEO hebdomadaire avec Claude Haiku coûte généralement quelques euros par mois. Avec Sonnet pour des tâches plus exigeantes, comptez 10 à 30 € selon le volume. En local avec Ollama : 0 € de tokens, juste le coût du VPS (~5 €/mois).
Avec les API officielles, les données transitent de façon chiffrée et ne sont pas utilisées pour l’entraînement par défaut. Pour une confidentialité totale, l’option locale (Ollama) garde tout sur votre machine ou votre VPS : aucune donnée ne sort.
On prévoit des garde-fous : limite d’itérations, gestion d’erreur par outil (2 essais puis on passe), et un email d’alerte. Make conserve l’historique d’exécution, donc on rejoue facilement un scénario échoué sans repartir de zéro.
Il ne réapprend pas au sens de l’entraînement, mais on lui donne une mémoire contextuelle : on stocke ses résultats passés (positions, articles publiés) dans une base, et on les réinjecte dans le prompt. Il s’améliore ainsi de semaine en semaine.
Votre premier agent IA
en 3h.
Réservez votre place : on construit ensemble votre premier agent autonome, prêt à travailler pour vous.
