Tout ce dont vous avez besoin pour orchestrer l'IA

EDDI fournit une plateforme complète et prête pour la production permettant de construire, déployer et gérer des agents d'IA, sans écrire de code standard.

Démarrer →Voir sur GitHub ↗

Le déroulement d'un tour de conversation

Sélectionnez une étape pour voir ce qu'elle fait, sa configuration et ce qu'elle écrit.

Input

Ce qui se passe ici

Un message arrive depuis le chat, Slack, l'API ou un client MCP. Le texte brut devient la première entrée d'une nouvelle étape dans la Conversation memory. Aucun task n'a encore été exécuté : cette étape montre donc l'étape de mémoire et non une entrée d'audit.

Valeurs d'exemple à titre d'illustration

Conversation memory

{
  "key": "input",
  "value": "What is the weather?"
}

Parser

Ce qui se passe ici

Le parser normalise le texte et le cherche dans les dictionnaires de l'agent, transformant mots et phrases en expressions sémantiques comme trigger(current_weather). C'est une recherche, pas un appel à un modèle : le même texte donne toujours les mêmes expressions.

Chaque task du pipeline écrit une entrée : signée par HMAC, en ajout seul, avec contrôle de séquence.

Valeurs d'exemple à titre d'illustration

Configuration

{
  "words": [
    {
      "word": "weather",
      "expressions": "trigger(current_weather)",
      "frequency": 0
    }
  ],
  "phrases": [
    {
      "phrase": "what is the weather",
      "expressions": "trigger(current_weather)"
    }
  ]
}

Exemple d'entrée d'audit

{
  "id": "0b5e9a0c-6f3d-4b1e-9d57-2c1f8a7e4d10",
  "conversationId": "6650f1c2a7b94e0012ab34cd",
  "agentId": "support-agent",
  "agentVersion": 1,
  "userId": "user-4711",
  "environment": "production",
  "stepIndex": 0,
  "taskId": "ai.labs.parser",
  "taskType": "expressions",
  "taskIndex": 0,
  "durationMs": 3,
  "input": {
    "input": "What is the weather?"
  },
  "output": {
    "expressions": [
      "trigger(current_weather)"
    ]
  },
  "actions": [],
  "cost": 0,
  "timestamp": "2026-10-14T09:12:41.208Z",
  "hmac": "v4:a3f1c09e5b7d2468a3f1c09e5b7d2468a3f1c09e5b7d2468a3f1c09e5b7d2468",
  "agentSignature": "MEUCIQDk3x…9fQ==",
  "sequence": 0
}

Behavior Rules

Ce qui se passe ici

Les Behavior Rules sont des conditions SI-ALORS portant sur les expressions et la Conversation memory. Chaque règle qui correspond émet des actions. Le routage relève de la configuration et non du code : la même entrée suit donc toujours le même chemin.

Chaque task du pipeline écrit une entrée : signée par HMAC, en ajout seul, avec contrôle de séquence.

Valeurs d'exemple à titre d'illustration

Configuration

{
  "behaviorGroups": [
    {
      "name": "",
      "behaviorRules": [
        {
          "name": "Ask for City",
          "actions": [
            "ask_for_city"
          ],
          "conditions": [
            {
              "type": "inputmatcher",
              "configs": {
                "expressions": "trigger(current_weather)"
              },
              "conditions": []
            }
          ]
        }
      ]
    }
  ]
}

Exemple d'entrée d'audit

{
  "id": "0b5e9a0c-6f3d-4b1e-9d57-2c1f8a7e4d10",
  "conversationId": "6650f1c2a7b94e0012ab34cd",
  "agentId": "support-agent",
  "agentVersion": 1,
  "userId": "user-4711",
  "environment": "production",
  "stepIndex": 0,
  "taskId": "ai.labs.behavior",
  "taskType": "behavior_rules",
  "taskIndex": 1,
  "durationMs": 1,
  "input": {
    "expressions": [
      "trigger(current_weather)"
    ]
  },
  "output": {
    "behavior_rules:success": [
      "Ask for City"
    ]
  },
  "actions": [
    "ask_for_city"
  ],
  "cost": 0,
  "timestamp": "2026-10-14T09:12:41.208Z",
  "hmac": "v4:a3f1c09e5b7d2468a3f1c09e5b7d2468a3f1c09e5b7d2468a3f1c09e5b7d2468",
  "agentSignature": "MEUCIQDk3x…9fQ==",
  "sequence": 1
}

Tasks

Ce qui se passe ici

Les tasks écoutent les actions : un appel à un LLM, un appel HTTP, un outil MCP ou une recherche dans une base de connaissances. Chaque task écrit une entrée d'audit signée avec ce qu'il a lu, ce qu'il a produit, ainsi que les détails du modèle et des outils.

Chaque task du pipeline écrit une entrée : signée par HMAC, en ajout seul, avec contrôle de séquence.

Valeurs d'exemple à titre d'illustration

Configuration

{
  "tasks": [
    {
      "actions": [
        "send_message"
      ],
      "id": "simpleChat",
      "type": "anthropic",
      "description": "Answers weather questions",
      "parameters": {
        "apiKey": "${vault:anthropic-key}",
        "modelName": "claude-sonnet-5-5",
        "systemMessage": "You are a helpful assistant",
        "addToOutput": "true"
      }
    }
  ]
}

Exemple d'entrée d'audit

{
  "id": "0b5e9a0c-6f3d-4b1e-9d57-2c1f8a7e4d10",
  "conversationId": "6650f1c2a7b94e0012ab34cd",
  "agentId": "support-agent",
  "agentVersion": 1,
  "userId": "user-4711",
  "environment": "production",
  "stepIndex": 0,
  "taskId": "ai.labs.llm",
  "taskType": "langchain",
  "taskIndex": 2,
  "durationMs": 1840,
  "input": {
    "input": "What is the weather in Vienna?",
    "actions": [
      "send_message"
    ]
  },
  "output": {
    "text": "Vienna: 14 °C, light rain."
  },
  "llmDetail": {
    "modelName": "claude-sonnet-5-5",
    "inputTokens": 412,
    "outputTokens": 18
  },
  "toolCalls": {
    "name": "get_weather",
    "args": {
      "city": "Vienna"
    },
    "result": "14 °C, light rain"
  },
  "actions": [
    "send_message"
  ],
  "cost": 0.0016,
  "timestamp": "2026-10-14T09:12:41.208Z",
  "hmac": "v4:a3f1c09e5b7d2468a3f1c09e5b7d2468a3f1c09e5b7d2468a3f1c09e5b7d2468",
  "agentSignature": "MEUCIQDk3x…9fQ==",
  "sequence": 2
}

Output

Ce qui se passe ici

Les modèles d'Output transforment les actions émises en réponse : texte et quick replies. La réponse est stockée en mémoire et renvoyée au canal d'où venait le message.

Valeurs d'exemple à titre d'illustration

Configuration

{
  "outputSet": [
    {
      "action": "ask_for_city",
      "timesOccurred": 0,
      "outputs": [
        {
          "valueAlternatives": [
            {
              "type": "text",
              "text": "Which city would you like to know the weather of?"
            }
          ]
        }
      ],
      "quickReplies": []
    }
  ]
}

Conversation memory

{
  "key": "output",
  "value": [
    "Which city would you like to know the weather of?"
  ]
}

Tool boundary

Ce qui se passe ici

Tout appel d'outil, quelle que soit sa source, franchit la même frontière. Les appels qui correspondent à un motif de toolApprovals sont mis en pause jusqu'à la décision d'un humain, et cette décision est écrite dans le ledger sous forme d'entrée hitl.approval. Les identifiants viennent du vault sous forme de références ${vault:keyName}.

Chaque task du pipeline écrit une entrée : signée par HMAC, en ajout seul, avec contrôle de séquence.

Valeurs d'exemple à titre d'illustration

Configuration

{
  "hitlConfig": {
    "toolApprovals": {
      "requireApproval": [
        "mcp:*",
        "delete_*",
        "transfer_funds"
      ],
      "exempt": [
        "mcp:read_*"
      ],
      "approvalTimeout": "PT30M",
      "timeoutPolicy": "AUTO_REJECT",
      "pauseReason": "Approval required for {toolNames}"
    }
  }
}

Exemple d'entrée d'audit

{
  "id": "0b5e9a0c-6f3d-4b1e-9d57-2c1f8a7e4d10",
  "conversationId": "6650f1c2a7b94e0012ab34cd",
  "agentId": "support-agent",
  "agentVersion": 1,
  "userId": "user-4711",
  "environment": "production",
  "stepIndex": -1,
  "taskId": "hitl.approval",
  "taskType": "hitl",
  "taskIndex": -1,
  "durationMs": 0,
  "input": {},
  "output": {
    "verdict": "APPROVED",
    "decidedBy": "slack:U04EXAMPLE",
    "automated": false,
    "pauseType": "TOOL_CALL",
    "toolDecisions": [
      {
        "callId": "call_01",
        "toolName": "transfer_funds",
        "verdict": "APPROVED",
        "amended": false,
        "argsDigest": "sha256:9c1d…e407"
      }
    ]
  },
  "actions": [],
  "cost": 0,
  "timestamp": "2026-10-14T09:12:41.208Z",
  "hmac": "v4:a3f1c09e5b7d2468a3f1c09e5b7d2468a3f1c09e5b7d2468a3f1c09e5b7d2468",
  "agentSignature": "MEUCIQDk3x…9fQ==",
  "sequence": 3
}

Conversation memory

Ce qui se passe ici

La Conversation memory conserve chaque étape (input, expressions, actions, output) et des propriétés limitées à l'étape, à la conversation ou à l'utilisateur (longTerm). L'état de la conversation (READY, IN_PROGRESS, ENDED, AWAITING_HUMAN ou ERROR) y est enregistré.

Valeurs d'exemple à titre d'illustration

Conversation memory

{
  "conversationState": "READY",
  "conversationSteps": [
    {
      "data": [
        {
          "key": "input",
          "value": "What is the weather?"
        },
        {
          "key": "expressions",
          "value": [
            "trigger(current_weather)"
          ]
        },
        {
          "key": "actions",
          "value": [
            "ask_for_city"
          ]
        },
        {
          "key": "output",
          "value": [
            "Which city would you like to know the weather of?"
          ]
        }
      ]
    }
  ],
  "conversationProperties": {
    "chosenCity": "Vienna"
  }
}

Chaque tour exécute le même pipeline. Les règles de comportement décident de ce qui se passe en émettant des actions, et les tâches les écoutent : un appel LLM, un appel HTTP, un outil MCP, une recherche dans une base de connaissances. Chaque appel d'outil franchit la même frontière gouvernée, et la mémoire transporte ce qui compte d'un tour, et d'une conversation, à l'autre.

Plateforme centrale

Les capacités essentielles qui font d'EDDI une plateforme complète d'orchestration d'IA.

🖥️ EDDI Manager

Une interface React prête pour la production pour construire, déployer et superviser vos agents visuellement, avec i18n en 11 langues, débogage de chat en direct et tableaux de bord d'audit.

⚙️ Config-as-Code

La logique de l'agent est une configuration JSON, pas du code compilé. Les ingénieurs de prompts itèrent instantanément, aucun redéploiement nécessaire.

🔌 Serveur MCP (84 outils)

Contrôle natif complet de l'IA via le Model Context Protocol. Claude Desktop, Cursor et les clients personnalisés gèrent les agents de manière programmatique.

🔐 Sécurité intrinsèque

Aucun eval(), intégration Vault, protection contre le path traversal, OIDC/Keycloak, espaces de travail par utilisateur, pistes d'audit cryptographiques.

✋ Humain dans la boucle

Mettez un tour en pause, contrôlez un appel d'outil ou exigez la validation d'une phase. Workflows d'approbation avec politiques de délai, cartes Slack et état résistant aux redémarrages.

🚀 Performance

Runtime d'entreprise avec des millions de threads légers pour les charges de travail LLM liées aux E/S.

🤖 Multi-agents

Découverte basée sur les intentions, conversations gérées et collaboration de groupe avec vote, artefacts partagés et humains comme membres.

Capacités IA

Fonctionnalités IA avancées qui rendent les agents EDDI plus intelligents, rapides et économiques.

🧠 Mémoire et Contexte

Mémoire persistante, consolidation onirique, résumés continus et fenêtrage sensible aux tokens. Des agents qui se souviennent.

📚 Connaissances & RAG

Explorez un site web ou importez des fichiers PDF, Word, Excel et PowerPoint dans une base de connaissances, actualisée selon un planning. 8 fournisseurs d'embedding, 6 stockages vectoriels. Recherche de connaissances entreprise prête à l'emploi.

📈 Cascade de Modèles

Routage multi-modèle optimisé avec stratégies de confiance. Les déploiements publiés de ce modèle font état de coûts d'inférence inférieurs de 31 à 58% à qualité égale (preuves).

🧭 19 fournisseurs LLM

Claude, GPT, Gemini, Grok, DeepSeek, Kimi, Qwen, GLM, Mistral, Llama et d'autres, hébergés ou locaux. Le catalogue de modèles montre les points forts de chacun et comment l'exécuter.

⏰ Planification et Heartbeats

Déclencheurs cron, réveils heartbeat, cycles oniriques. Agents proactifs qui agissent de manière autonome.

Outils d'Agent Intégrés

EDDI est livré avec 12 outils prêts à l'emploi que les agents peuvent appeler pendant les conversations, sans configuration externe.

🔍Recherche WebDuckDuckGo ou Google Custom Search

🧮CalculatriceParser mathématique sandbox (sans eval())

🌐Web ScraperExtraction de contenu protégée contre SSRF

📄Lecteur PDFExtraction de documents protégée contre SSRF

☁️MétéoDonnées météo en temps réel

🕐Date/HeureDate et heure actuelles

📊FormateurTransformation de données structurées

📝Résumé de texteRésumé alimenté par LLM

🔌Appels HTTPExposer les APIs REST comme outils LLM

🧠Mémoire utilisateurLire/écrire/chercher la mémoire persistante

🔙RappelExplorer l'historique résumé

📎MultimodalImage, PDF, audio, vidéo via routage MIME

Config et Portabilité

Les configurations d'agents sont portables, composables et prêtes pour la synchronisation, déplacez les agents entre environnements sans friction.

📤 Import / Export

Agents portables en fichiers ZIP avec nettoyage automatique des secrets. L'import fusionne ou écrase, sans conflits de version.

🔄 Agent Sync

Synchronisation en direct entre instances avec correspondance structurelle, diff de contenu et sélection sélective de ressources.

📝 Prompt Snippets

Blocs de prompts système réutilisables et versionnés. Référence via {{snippets.safety_rules}}.

Fonctionnalités

Entreprise

Cloud managé et support entreprise

Ressources

Tout ce dont vous avez besoin pour orchestrer l'IA

Le déroulement d'un tour de conversation

Input

Parser

Behavior Rules

Tasks

Output

Tool boundary

Conversation memory

Plateforme centrale

🖥️ EDDI Manager

⚙️ Config-as-Code

🔌 Serveur MCP (84 outils)

🔐 Sécurité intrinsèque

✋ Humain dans la boucle

🚀 Performance

🤖 Multi-agents

Capacités IA

🧠 Mémoire et Contexte

📚 Connaissances & RAG

📈 Cascade de Modèles

🧭 19 fournisseurs LLM

⏰ Planification et Heartbeats

Outils d'Agent Intégrés

Config et Portabilité

📤 Import / Export

🔄 Agent Sync

📝 Prompt Snippets

Excellence d'ingénierie

📊 Observabilité

🧪 Qualité du code

🧩 Prêt pour l'IA