Plus rapide
De quelques minutes à quelques millisecondes pour une tâche que la flotte répète sans cesse.
Preuves tirées de cas réels
Des agents qui apprennent à se passer de l'IA
Une flotte Constelio commence par raisonner avec un modèle de langage. Quand une tâche revient régulièrement, le méta-agent transforme ce qui fonctionne en code simple. Voici des mesures issues de nos propres flottes, telles qu'elles ont été enregistrées.
Cas 01
Collecter l'état des serveurs : de 6 minutes à moins d'une seconde
Un agent collecteur rassemble l'état de cinq machines en interrogeant l'agent présent sur chacune. Même tâche, même flotte, à quelques heures d'intervalle.
| Metric | Avant | Après |
|---|---|---|
| Durée | 6 min 42 s | 909 ms |
| Tokens en entrée | 100 460 | 0 |
| Tokens en sortie | 2 408 | 0 |
≈ 440× plus rapide
et plus aucun coût de modèle de langage
Le collecteur utilise son modèle de langage pour planifier la tâche, interroger chaque agent tour à tour et assembler la réponse. Cela fonctionne, mais c'est lent et consomme des tokens à chaque fois.
Le schéma récurrent est devenu une exécution déterministe, collect-host-status. Les mêmes cinq agents sont interrogés, par du code simple, sans aucun modèle de langage.
Extrait du traçage des appels
Moins cher
Zéro token : aucun coût d'inférence et aucun temps GPU pour le travail de routine.
Prévisible et tracé
Les mêmes étapes à chaque fois, et chaque appel reste enregistré : les deux chronologies proviennent du traçage des appels de la flotte.
D'autres cas viendront s'ajouter ici à mesure que nos flottes apprennent.