Sept révélations des Agents IA : recherche et applications
TechFlow SélectionTechFlow Sélection
Sept révélations des Agents IA : recherche et applications
Ces dernières années, les agents autonomes basés sur de grands modèles linguistiques (LLM) ont connu des progrès constants en matière d'architecture, de mémoire, de perception, de raisonnement et d'action, montrant un potentiel considérable pour redéfinir les possibilités dans de nombreux domaines.
Dédié à des analyses Web3 approfondiesRédaction : Rituals
Traduction : Blockchain Grand Public
Ces dernières années, le concept d'agent a gagné en importance dans des domaines variés tels que la philosophie, les jeux vidéo et l'intelligence artificielle. Traditionnellement, un agent désigne une entité capable d'agir de manière autonome, de prendre des décisions et d'avoir des intentions, des qualités généralement associées aux êtres humains.
Dans le domaine de l'intelligence artificielle, ce concept devient plus complexe. Avec l'émergence d'agents autonomes capables d'observer leur environnement, d'apprendre et d'agir indépendamment, la notion abstraite d'agent prend forme au sein de systèmes informatiques concrets. Ces agents agissent presque sans intervention humaine, démontrant une capacité computationnelle proche de l'intentionnalité — bien qu'elle ne soit pas consciente — leur permettant de prendre des décisions, d'apprendre par expérience et d'interagir avec d'autres agents ou humains de façon de plus en plus sophistiquée.
Cet article explore le domaine émergent des agents autonomes, en particulier ceux basés sur les grands modèles linguistiques (LLM), ainsi que leurs impacts dans divers domaines tels que les jeux, la gouvernance, la science et la robotique. Après avoir présenté les principes fondamentaux des agents, nous analyserons leurs architectures et applications. Cette approche catégorielle permet de mieux comprendre comment ces agents accomplissent des tâches, traitent l'information et évoluent dans leurs cadres opérationnels spécifiques.
Les objectifs de cet article sont les suivants :
-
Fournir une vue d'ensemble systématique des agents d’intelligence artificielle et des bases architecturales, en mettant l’accent sur des composants tels que la mémoire, la perception, le raisonnement et la planification.
-
Explorer les tendances récentes de la recherche sur les agents d’IA, en soulignant des cas d’utilisation qui redéfinissent les limites du possible.
Note : En raison de sa longueur, cet article est une version abrégée de l’original.
1. Tendances de la recherche sur les agents
Le développement d'agents fondés sur de grands modèles linguistiques (LLM) marque une avancée majeure dans la recherche en intelligence artificielle, combinant des progrès issus du raisonnement symbolique, des systèmes réactifs, de l’apprentissage par renforcement jusqu’à l’apprentissage adaptatif.
-
Agents symboliques : Simulent le raisonnement humain via des règles et des connaissances structurées. Adaptés à des problèmes spécifiques (ex. diagnostic médical), mais peu efficaces dans des environnements complexes ou incertains.
-
Agents réactifs : Répondent rapidement à l’environnement via un cycle « perception-action ». Idéal pour les interactions rapides, mais incapable de gérer des tâches complexes.
-
Agents par apprentissage par renforcement : Apprennent par essais-erreurs pour optimiser leurs comportements. Utilisés largement dans les jeux et la robotique, mais nécessitent un temps d’entraînement long, ont une faible efficacité en termes d’échantillonnage et souffrent de stabilité insuffisante.
-
Agents basés sur LLM : Intègrent raisonnement symbolique, retour d’expérience et apprentissage adaptatif. Capables d’apprentissage zéro ou peu d’exemples, ils s’appliquent à des domaines variés comme le développement logiciel ou la recherche scientifique. Adaptés aux environnements dynamiques et capables de collaborer avec d’autres agents.
2. Architecture des agents
L’architecture moderne des agents repose sur plusieurs modules formant un système intégré.
1) Module d’identité
Le module d’identité façonne le comportement de l’agent en lui attribuant un rôle ou une personnalité, assurant une cohérence utile dans les scénarios exigeant une identité stable. Les identités des agents LLM se divisent en trois catégories : rôles démographiques, rôles fictifs et personnalisations individuelles.
Extrait de l'article « From Roles to Personalization »
Impact du rôle sur les performances : Attribuer un rôle améliore significativement les capacités de réponse et de raisonnement de l’agent. Par exemple, un LLM incarnant un expert produit des réponses plus approfondies et contextuellement pertinentes. Dans les systèmes multi-agents, l’alignement des rôles favorise la collaboration, augmentant le taux d’accomplissement des tâches et la qualité des interactions.
Méthodes de création d’identité : L’identité d’un agent LLM peut être construite via :
-
Conception manuelle : Définition humaine des traits de personnalité.
-
Génération par LLM : Expansion automatique du profil par un modèle linguistique.
-
Alignement sur jeu de données : Construction basée sur des données réelles, améliorant l’authenticité des interactions.
2) Module de mémoire
La mémoire est au cœur des agents LLM, soutenant la planification adaptative et la prise de décision. Sa structure s’inspire du fonctionnement humain et se divise principalement en deux types :
-
Mémoire unifiée : Mémoire à court terme traitant les informations récentes. Optimisée par troncature textuelle, résumé ou ajustement du mécanisme d’attention, mais limitée par la fenêtre contextuelle.
-
Mémoire hybride : Combine mémoire courte et longue durée. La mémoire longue est stockée dans une base externe pour faciliter la récupération efficace.
Formats courants de stockage en mémoire :
-
Langage naturel : Flexible et riche en sémantique.
-
Vecteurs d’incorporation (embeddings) : Permettent une recherche rapide.
-
Bases de données : Stockage structuré supportant des requêtes.
-
Listes structurées : Organisation sous forme de listes ou hiérarchique.
Opérations sur la mémoire : Les agents interagissent avec la mémoire via :
-
Lecture : Récupération d’informations pertinentes pour une décision éclairée.
-
Écriture : Enregistrement de nouvelles données, évitant doublons et débordements.
-
Réflexion : Synthèse des expériences pour renforcer le raisonnement abstrait.
Basé sur le contenu de l'article « Generative Agents »
Enjeux et défis de recherche
Bien que les systèmes de mémoire améliorent les capacités des agents, ils posent des défis :
-
Extensibilité et efficacité : Le système doit gérer de grandes quantités d’information tout en assurant une récupération rapide. L’optimisation de la recherche en mémoire longue reste un axe clé de recherche.
-
Gestion des limitations contextuelles : Les LLM actuels sont limités par la taille de leur fenêtre contextuelle, rendant difficile la gestion de vastes mémoires. Des recherches explorent des mécanismes d’attention dynamique et des techniques de résumé pour étendre cette capacité.
-
Biais et dérive en mémoire longue : Des biais peuvent conduire à une priorisation erronée d’informations et à une dérive progressive. Une mise à jour régulière et une correction des biais sont nécessaires pour maintenir l’équilibre de l’agent.
-
Oubli catastrophique : De nouvelles données peuvent effacer des informations anciennes cruciales. Des techniques comme la relecture d’expérience (experience replay) ou la consolidation de la mémoire permettent de renforcer les souvenirs importants.
3) Capacités perceptives
Les agents LLM améliorent leur compréhension de l’environnement en traitant diverses sources de données, simulant ainsi les entrées sensorielles humaines. La perception multimodale, combinant texte, vision et audition, renforce leur capacité à exécuter des tâches complexes. Voici les principaux types d’entrée et leurs applications :
Entrées textuelles
Le texte est le principal mode de communication des agents LLM. Bien qu’ils possèdent de solides compétences linguistiques, comprendre les intentions implicites derrière les instructions reste un défi.
-
Compréhension implicite : Ajustement des préférences via l’apprentissage par renforcement pour interpréter des instructions floues.
-
Capacité zéro ou peu d’exemples : Capacité à répondre à de nouvelles tâches sans entraînement supplémentaire, idéal pour des interactions variées.
Entrées visuelles
La perception visuelle permet à l’agent de comprendre les objets et leurs relations spatiales.
-
Image vers texte : Génération de descriptions textuelles facilitant le traitement des données visuelles, mais pouvant perdre des détails.
-
Codage basé sur Transformer : Comme Vision Transformers, transforme les images en tokens compatibles avec les modèles textuels.
-
Outils ponts : BLIP-2 et Flamingo utilisent des couches intermédiaires pour optimiser l’interface entre visuel et texte.
Entrées auditives
La perception auditive permet à l’agent de reconnaître sons et voix, cruciale dans les interactions ou scénarios à haut risque.
-
Reconnaissance et synthèse vocale : Outils comme Whisper (voix vers texte) et FastSpeech (texte vers voix).
-
Traitement des spectrogrammes : Transformation des signaux audio en images pour améliorer l’analyse.
Défis et considérations en perception multimodale
-
Alignement et intégration des données : Nécessité d’un alignement efficace des données multimodales pour éviter erreurs de perception ou de réponse. La recherche vise à optimiser les Transformers multimodaux et les couches d’attention croisée.
-
Extensibilité et efficacité : Le traitement multimodal est coûteux, surtout pour des images haute résolution ou des flux audio. Développer des modèles peu gourmands en ressources mais extensibles est crucial.
-
Oubli catastrophique : Les agents multimodaux y sont sujets ; des stratégies comme la relecture prioritaire ou l’apprentissage continu sont nécessaires pour préserver les informations clés.
-
Génération de réponses sensibles au contexte : Prioriser les données sensorielles selon le contexte reste un défi, notamment dans des environnements bruyants ou dominés par la vision.
4) Raisonnement et planification
Le module de raisonnement et planification aide l’agent à résoudre efficacement des tâches complexes en les décomposant. À l’instar des humains, il peut élaborer un plan structuré, soit dès le départ, soit en l’ajustant dynamiquement selon les retours. Les méthodes de planification se classent selon le type de retour :
-
Certains agents élaborent un plan complet avant exécution, sans modification ultérieure (chemin unique ou multiples options).
-
D’autres ajustent leur stratégie en temps réel dans des environnements dynamiques.
Planification sans retour
Sans retour, l’agent établit un plan complet dès le départ et l’exécute sans ajustement. Inclut :
-
Planification unidirectionnelle : Exécution séquentielle étape par étape.
-
Planification multidirectionnelle : Exploration simultanée de plusieurs options pour choisir le meilleur chemin.
Raisonnement unidirectionnel
Décomposition de la tâche en étapes séquentielles :
-
Chaîne de pensée (CoT) : Guide l’agent à résoudre un problème étape par étape grâce à quelques exemples, améliorant la qualité de sortie.
-
Zero-shot CoT : Sans exemples préalables, utilise des prompts comme « pense étape par étape » pour le raisonnement, adapté à l’apprentissage zero-shot.
-
Re-prompting : Découverte automatique de prompts CoT efficaces, sans intervention humaine.
Extrait de l'article CoT
5) Raisonnement multidirectionnel
À la différence du raisonnement unidirectionnel, celui-ci permet à l’agent d’explorer simultanément plusieurs chemins, générant et évaluant plusieurs solutions potentielles pour sélectionner le meilleur itinéraire. Adapté aux problèmes complexes où plusieurs approches sont envisageables.
Exemples :
-
CoT auto-cohérent (CoT-SC) : Échantillonne plusieurs chaînes de raisonnement issues du prompt CoT, choisit les étapes les plus fréquentes, réalisant une « auto-intégration ».
-
Arbre de la pensée (ToT) : Stocke les étapes logiques sous forme d’arbre, évalue la contribution de chaque « pensée » à la solution, utilise des recherches en largeur ou en profondeur.
-
Grille de la pensée (GoT) : Extension du ToT en graphe, où les pensées sont des sommets et les dépendances des arêtes, offrant une flexibilité accrue.
-
Raisonnement par planification (RAP) : Utilise la recherche arborescente Monte Carlo (MCTS) pour simuler plusieurs plans. Le LLM construit l’arbre de raisonnement et fournit aussi des retours.
6) Planificateurs externes
Lorsque les LLM rencontrent des défis spécifiques de planification, des planificateurs externes apportent un soutien en intégrant des connaissances spécialisées absentes du LLM.
-
LLM+P : Convertit la tâche en langage de définition de domaine de planification (PDDL), résolu par un planificateur externe, aidant le LLM à accomplir des tâches complexes.
-
CO-LLM : Collaboration entre modèles générant du texte, alternant la production de tokens, permettant à la meilleure synergie d’émerger naturellement.
Planification avec retour
Permet à l’agent d’ajuster ses actions en temps réel selon les changements de l’environnement, adapté aux scénarios imprévisibles ou complexes.
-
ReAct : Combine raisonnement et action dans le prompt, créant un plan ajustable lors de l’interaction.
-
DEPS : Révise le plan pendant la tâche, gère les sous-objectifs inachevés.
-
SayPlan : Affine la stratégie via des graphes de scène et transitions d’état, améliorant la perception situationnelle.
Extrait de l'article « ReAct »
7) Retour humain
L’interaction avec les humains aide l’agent à s’aligner sur les valeurs humaines et à éviter les erreurs. Exemple :
-
Monologue intérieur : Intègre le retour humain dans la planification de l’agent, assurant l’alignement entre actions et attentes humaines.
Retour du modèle
Des retours provenant de modèles pré-entraînés aident l’agent à s’auto-vérifier et optimiser son raisonnement et ses actions. Exemples :
-
SelfCheck : Vérificateur zero-shot en plusieurs étapes, détecte automatiquement les erreurs dans la chaîne de raisonnement et évalue sa justesse.
-
Reflexion : L’agent réfléchit en enregistrant des signaux de retour, favorisant l’apprentissage à long terme et la correction d’erreurs.
Extrait de l'article « SelfCheck »
Défis et axes de recherche en raisonnement et planification
Bien que ces modules améliorent les capacités des agents, des défis persistent :
-
Extensibilité et besoins computationnels : Des méthodes complexes comme ToT ou RAP demandent beaucoup de ressources. Améliorer l’efficacité reste un axe clé.
-
Complexité de l’intégration des retours : Intégrer efficacement des retours multiples sans surcharge d’information est crucial pour maintenir performance et adaptabilité.
-
Biais dans la décision : Donner trop de poids à certaines sources ou chemins peut introduire des biais. Combiner avec des techniques d’élimination de biais est essentiel pour un équilibre optimal.
8) Action
Le module d’action constitue la dernière étape du processus décisionnel de l’agent, comprenant :
-
Objectif d’action : L’agent poursuit divers buts : accomplissement de tâches, communication ou exploration de l’environnement.
-
Génération d’action : Création d’actions via rappel ou planification, comme celles basées sur la mémoire ou un plan prédéfini.
-
Espace d’action : Inclut les connaissances internes et outils externes (API, bases de données, modèles externes). Ex. HuggingGPT et ToolFormer exploitent des API ou modèles externes pour exécuter des tâches.
-
Bases de données et bases de connaissances : ChatDB utilise des requêtes SQL pour extraire des informations spécifiques. MRKL combine systèmes experts et outils de planification pour un raisonnement complexe.
-
Modèles externes : L’agent peut dépendre de modèles non-API pour des tâches spécialisées. Ex. ChemCrow utilise plusieurs modèles pour la découverte de médicaments ; MemoryBank améliore la recherche textuelle via deux modèles.
Impact des actions : Classées selon leurs résultats :
-
Changement environnemental : Ex. collecte de ressources ou construction dans Voyager et GITM.
-
Auto-impact : Ex. mise à jour de la mémoire ou création d’un nouveau plan chez Generative Agents.
-
Effet domino : Certaines actions en déclenchent d’autres, ex. construction après collecte de ressources dans Voyager.
-
Extension de l’espace d’action : Concevoir des agents IA exige une architecture robuste et des compétences spécifiques. Deux voies d’acquisition de compétences : fine-tuning ou sans fine-tuning.
Acquisition de compétences par fine-tuning
-
Jeu de données annoté manuellement : Ex. RET-LLM et EduChat, améliorent les performances du LLM via annotation humaine.
-
Jeu de données généré par LLM : Ex. ToolBench, utilise un LLM pour générer des instructions afin de fine-tuner LLaMA.
-
Jeu de données du monde réel : Ex. MIND2WEB et SQL-PaLM, améliorent les agents via des données d’application réelles.
Acquisition de compétences sans fine-tuning
Quand le fine-tuning n’est pas faisable, l’agent peut améliorer ses capacités via l’ingénierie des prompts et des mécanismes.
Ingénierie des prompts
Concevoir des prompts pour guider le comportement du LLM et améliorer la performance.
-
Chaîne de pensée (CoT) : Ajout d’étapes intermédiaires de raisonnement pour aider à résoudre des problèmes complexes.
-
SocialAGI : Ajuste le dialogue selon l’état psychologique de l’utilisateur.
-
Retroformer : Optimise les décisions en combinant des réflexions sur des échecs passés.
Ingénierie des mécanismes
Renforce les capacités de l’agent via des règles et mécanismes spécialisés.
-
DEPS : Optimise la planification, améliore la correction d’erreurs via description du processus, retour et choix d’objectifs.
-
RoCo : Méthode zero-shot de collaboration multi-robots, combinant raisonnement linguistique et planification de mouvement, vérifie la faisabilité via l’environnement.
-
Mécanisme de débat : Atteint un consensus via collaboration.
Accumulation d’expérience
-
GITM : Mécanisme de mémoire textuelle améliorant apprentissage et généralisation.
-
Voyager : Optimise l’exécution des compétences via retour personnel.
Évolution autonome
-
LMA3 : Prend en charge le reclassement des objectifs et la fonction de récompense, permettant à l’agent d’apprendre des compétences dans des environnements sans tâche spécifique.
Extrait de l'article « Voyager »
Le fine-tuning améliore fortement les performances sur des tâches spécifiques, mais nécessite un modèle open-source et consomme beaucoup de ressources. L’ingénierie des prompts et des mécanismes convient aux modèles ouverts et fermés, mais est limitée par la fenêtre contextuelle d’entrée et demande une conception minutieuse.
3. Architectures de systèmes multi-agents
Les architectures multi-agents répartissent les tâches entre plusieurs agents, chacun spécialisé dans un aspect différent, améliorant ainsi la robustesse et l’adaptabilité. La collaboration et les retours entre agents renforcent l’efficacité globale, et le nombre d’agents peut être ajusté dynamiquement. Toutefois, ces architectures rencontrent des défis de coordination, où la communication est essentielle pour éviter pertes ou malentendus d’information.
Pour favoriser la communication et la coordination, deux structures organisationnelles sont étudiées :
-
Structure horizontale : Tous les agents partagent et optimisent conjointement les décisions, agrégant les décisions individuelles. Adaptée aux scénarios de consultation ou d’utilisation d’outils.
-
Structure verticale : Un agent propose une solution initiale, les autres fournissent des retours ou un superviseur dirige. Adaptée aux tâches nécessitant une solution affinée, comme la résolution de problèmes mathématiques ou le développement logiciel.
Extrait de l'article « ChatDev »
1) Structure organisationnelle hybride
DyLAN combine les structures verticale et horizontale en une approche mixte : les agents collaborent horizontalement au sein d’un même niveau, tout en échangeant des informations entre pas de temps. DyLAN introduit un modèle de classement et un système de notation d’importance, évaluant dynamiquement les agents les plus pertinents pour continuer la collaboration. Les agents moins performants sont désactivés, formant une structure hiérarchique. Les agents hautement classés jouent un rôle clé dans les tâches et la composition de l’équipe.
Les cadres multi-agents coopératifs maximisent l’efficacité en partageant l’information, coordonnant les actions et tirant parti des forces individuelles pour une coopération complémentaire.
Extrait de l'article « Agentverse »
Les interactions coopératives se divisent en deux types :
-
Coopération désordonnée : Plusieurs agents interagissent librement, sans ordre fixe, similaire à un brainstorming. Chaque agent donne un retour, et le système coordonne les entrées pour organiser la réponse, souvent via un mécanisme de vote majoritaire pour atteindre un consensus.
-
Coopération ordonnée : Les agents interagissent selon un ordre défini, suivant un processus structuré. Chaque agent traite la sortie du précédent, assurant une communication efficace. Les tâches sont accomplies rapidement, mais nécessitent une validation croisée ou une intervention humaine pour éviter l’amplification d’erreurs.
Extrait de l'article MetaGPT
Les cadres adversariaux : Alors que les cadres coopératifs améliorent l’efficacité, les cadres adversariaux font évoluer les agents par confrontation. Inspirés par la théorie des jeux, les interactions adversariales encouragent les agents à s’améliorer via retour et réflexion. Ex. AlphaGo Zero s’améliore par auto-affrontement ; les systèmes LLM utilisent le débat ou la stratégie « œil pour œil » pour améliorer la qualité de sortie. Bien que cette méthode favorise l’adaptabilité, elle implique des coûts computationnels et des risques d’erreur.
Comportements émergents
Dans les systèmes multi-agents, trois types de comportements émergents peuvent apparaître :
-
Comportement volontaire : L’agent contribue activement à des ressources ou aide d’autres agents.
-
Comportement de conformité : L’agent ajuste son comportement pour s’aligner aux objectifs de l’équipe.
-
Comportement destructeur : L’agent adopte des comportements extrêmes pour atteindre rapidement un objectif, pouvant poser des risques sécuritaires.
Benchmarking et évaluation
Les benchmarks sont des outils clés pour évaluer les agents. Plateformes courantes : ALFWorld, IGLU, Minecraft, testant la planification, la collaboration et l’exécution de tâches. L’évaluation de l’utilisation d’outils et des compétences sociales est également cruciale, avec des plateformes comme ToolBench et SocKET mesurant respectivement l’adaptabilité et la compréhension sociale.
Applications dans les jeux numériques
Les jeux numériques sont devenus une plateforme clé pour la recherche en IA. Les agents de jeu basés sur LLM mettent l’accent sur les capacités cognitives, stimulant la recherche en AGI.
Extrait de l'article « Survey on Large Language Model-Based Game Agents »
Perception des agents dans les jeux vidéo
Les agents perçoivent l’état du jeu via un module de perception. Trois méthodes principales :
-
Accès aux variables d’état : Via API du jeu, accès à des données symboliques. Adapté aux jeux peu exigeants en visuel.
-
Encodeur visuel externe : Utilise un encodeur visuel (ex. CLIP) pour transformer les images en texte, aidant l’agent à comprendre l’environnement.
-
Modèle linguistique multimodal : Combine données visuelles et textuelles pour renforcer l’adaptabilité, ex. GPT-4V.
Études de cas d’agents de jeu
Cradle (jeu d’aventure) : Ce jeu exige que l’agent comprenne l’intrigue, résolve des énigmes et s’oriente. Il fait face à des défis liés au support multimodal, à la mémoire dynamique et à la prise de décision. L’objectif de Cradle est d’atteindre un contrôle informatique universel (GCC), permettant à l’agent d’exécuter n’importe quelle tâche informatique via entrées visuelles et audio, avec une universalité accrue.
PokémonLLMon (jeu compétitif)
Les jeux compétitifs, dotés de règles strictes et mesurables par taux de victoire contre des humains, servent de référence pour tester le raisonnement et la planification. Plusieurs cadres multi-agents ont montré des performances compétitives. Par exemple, un agent LLM dans « Playing StarCraft II with Large Language Models: Benchmark and Chain-of-Summary Approach » affronte une IA intégrée via une version textuelle de StarCraft II. PokéLLMon est le premier agent LLM à atteindre un niveau humain dans un jeu tactique Pokémon, avec 49 % de victoires en classement et 56 % en tournoi amical. Ce cadre évite les hallucinations et les boucles de panique dans la chaîne de pensée grâce à une génération de connaissances enrichie et une action cohérente. L’agent convertit les journaux d’état du serveur de combat en texte, assurant la continuité des tours et un raisonnement basé sur la mémoire.
L’agent renforce son apprentissage via quatre types de retour : changement de points de vie, effets des compétences, estimation de la rapidité d’action, effets d’état des compétences — optimisant sa stratégie et évitant les boucles d’utilisation inefficace.
PokéLLMon utilise des ressources externes (ex. Bulbapedia) pour acquérir des connaissances (faiblesses/types, effets de compétences), aidant à utiliser précisément des compétences spéciales. L’évaluation de CoT, Self-Consistency et ToT montre que Self-Consistency améliore nettement le taux de victoire.
ProAgent (jeu coopératif)
Les jeux coopératifs exigent de comprendre les intentions des coéquipiers et de prédire leurs actions, via coopération explicite ou implicite. La coopération explicite est efficace mais moins flexible ; l’implicite repose sur la prédiction de stratégie pour une interaction adaptable. Dans Overcooked, ProAgent démontre la coopération implicite via un processus en cinq étapes :
-
Collecte de connaissances et transformation d’état : Extraction des connaissances liées à la tâche et génération d’une description textuelle.
-
Planification des compétences : Infère les intentions du coéquipier et élabore un plan d’action.
-
Correction de croyance : Met à jour dynamiquement sa compréhension du comportement du coéquipier, réduisant les erreurs.
-
Validation et exécution des compétences :
Bienvenue dans la communauté officielle TechFlow
Groupe Telegram :https://t.me/TechFlowDaily
Compte Twitter officiel :https://x.com/TechFlowPost
Compte Twitter anglais :https://x.com/BlockFlow_News
@accelxr
