MiroFlow : un framework multi-agents haute performance publié par l'équipe MiroMind 94

MiroFlow est un framework multi-agents haute performance rendu public par l'équipe MiroMind. Il permet à divers grands modèles de langage de devenir des assistants IA capables de mener des recherches approfondies, à l'image d'Openai Deep Research. En termes simples, il permet au modèle de planifier ses propres étapes, d'utiliser des outils, de vérifier les résultats et d'accomplir des tâches complexes en plusieurs étapes, tout comme le ferait un humain menant une recherche.

Capacités principales de MiroFlow

• Collaboration multi-outils : il peut combiner la recherche web, l'exécution Python, la lecture de fichiers, l'appel de code, le dessin de graphiques et d'autres outils, le tout utilisable dans l'ensemble du flux.

• Répartition des rôles entre agent principal et sous-agents : l'agent principal décompose la tâche et la répartit entre les sous-agents spécialisés dans la navigation, l'écriture de code ou les calculs, puis rassemble les résultats. Cela permet de mener plusieurs tâches en parallèle et de manière plus spécialisée.

• Haute concurrence et tolérance aux pannes : grâce à une file d'attente asynchrone associée à des mécanismes de nouvelle tentative, de délai d'attente et de retour en arrière, le système peut mener à bien ses tâches même en cas de blocage d'une interface ou d'instabilité du réseau.

• Transparence et explicabilité : un tableau de bord web permet de visualiser en temps réel, à gauche, le raisonnement du modèle et les outils utilisés, et à droite, la réponse finale, facilitant ainsi le débogage et l'instauration d'un climat de confiance.

• Sortie en streaming : le raisonnement du modèle, la progression des outils et les résultats intermédiaires s'affichent immédiatement, pour une expérience similaire au mode avancé de ChatGPT.

Indicateurs clés

• Sur le test de recherche approfondie GAIA, le taux de réussite atteint 72,2 % à 82,4 %, ce qui constitue la meilleure performance reproductible actuellement pour un framework d'agent open source.

• Coût de déploiement réduit : grâce au modèle open source MiroThinker, une seule carte RTX 4090 suffit pour faire tourner l'ensemble du service, sans avoir besoin d'acheter des modèles fermés et payants.

Cas d'utilisation de MiroFlow

• Recherche académique : recherche automatique de littérature, extraction des points clés, rédaction de synthèses et aide à la réalisation d'expériences.

• Analyse commerciale : combinaison de rapports financiers, d'actualités et de données issues des réseaux sociaux pour produire des rapports d'investissement ou des analyses concurrentielles.

• Éducation ou programmation : aide aux devoirs, rédaction et correction de code, création de graphiques de données.

Écosystème de MiroFlow

MiroFlow fait partie de l'écosystème MiroMind AI, qui comprend également d'autres éléments :

• MiroThinker : un modèle de base open source capable nativement de raisonner en combinaison avec des outils.

• MiroVerse : un jeu de données d'entraînement open source de haute qualité contenant 147 000 entrées, dédié à la recherche sur l'entraînement des agents.

• MiroTrain / MiroRL : outils dédié à l'entraînement et à la stabilisation des modèles d'agents.

Démarrage rapide de MiroFlow

1. Clonez le dépôt et configurez l'environnement :

git clone https://github.com/MiroMindAI/MiroFlow && cd MiroFlow
uv sync

2. Configurez les clés d'API :

cp .env.template .env
# Modifiez le fichier .env et ajoutez OPENROUTER_API_KEY

3. Lancez votre premier agent :

uv run main.py trace --config_file_name=agent_quickstart_reading --task="What is the first country listed in the XLSX file that have names starting with Co?" --task_file_name="data/FSI-2023-DOWNLOAD.xlsx"

Dépôt GitHub : https://github.com/MiroMindAI/Miroflow

Démonstration : https://miromindai.github.io/MiroFlow/