Agent de surveillance de marché LangGraph : l'architecture
Un analyste conformité qui surveille les patterns de trading suspects jongle en permanence entre trois tâches : repérer une anomalie, comprendre son contexte de marché, rédiger un rapport traçable pour l'audit. Un seul modèle de langage interrogé en boucle peine à tenir cette charge sans dérive. AWS a publié le 15 juillet 2026 un article technique qui détaille comment une architecture multi-agents, bâtie sur LangGraph et Strands et déployée sur Bedrock AgentCore, tente de résoudre ce problème pour la surveillance de marché.
L'exercice mérite d'être décortiqué, pas célébré. Ce que cette architecture automatise réellement, ses garde-fous techniques contre l'hallucination et l'injection, et ce qu'elle laisse structurellement à la charge de l'humain.
Le problème : surveiller un marché dépasse un agent unique
Ce qu'exige la surveillance de marché
La détection d'anomalies de trading combine plusieurs métiers distincts. Il faut d'abord identifier des patterns statistiques (volumes anormaux, corrélations suspectes entre ordres), puis contextualiser ces signaux avec des données de marché externes, enfin produire un rapport structuré exploitable par un comité de conformité. Chaque étape suppose un accès à des sources de données différentes et un raisonnement spécifique.
Pourquoi une architecture mono-agent échoue sur ces workflows
Un agent unique, chargé de tout faire, accumule le contexte de chaque étape dans une même fenêtre de conversation. Le mélange des tâches de détection, d'analyse et de rédaction dégrade la qualité du raisonnement à mesure que le contexte grossit. L'architecture décrite par AWS le 15 juillet 2026 répond à ce constat par une décomposition en agents spécialisés, chacun avec un rôle borné et un contexte propre, coordonnés par un agent superviseur.
Qui fait quoi : LangGraph orchestre, Strands raisonne
LangGraph : machine à états, checkpoints et reprise sur incident
LangGraph, développé par LangChain, modélise le workflow comme un graphe d'états plutôt qu'une chaîne linéaire de prompts. Chaque nœud représente une étape (routage vers un agent spécialisé, appel d'outil, point de décision humaine) et les transitions sont explicites. Le framework intègre nativement un mécanisme de checkpointing : l'état complet de l'exécution est sauvegardé à chaque étape, ce qui permet de reprendre une investigation interrompue sans tout relancer depuis le début. C'est ce qui rend une architecture agentique exploitable sur une investigation de conformité qui peut s'étaler sur plusieurs jours.
Strands : boucle de raisonnement et gestion du contexte
Strands Agents, SDK open source porté par AWS, gère la boucle de raisonnement propre à chaque agent : formulation du prompt, appel d'outils, interprétation du résultat, décision de la prochaine action. Dans l'architecture de surveillance de marché, chaque agent spécialisé (détection de patterns, analyse contextuelle, rédaction de rapport) tourne comme une instance Strands distincte, avec son propre contexte, invoquée par LangGraph au bon moment du graphe. LangGraph et Strands ne sont pas concurrents : le premier orchestre le parcours global et la persistance, le second exécute la logique de raisonnement à l'intérieur de chaque nœud agent.
Le rôle d'AgentCore dans la mise en production
Amazon Bedrock AgentCore fournit la couche d'infrastructure managée qui fait passer ce prototype d'un notebook à un service exploité en continu : isolation d'exécution par session, gestion de la mémoire longue durée, gestion des identités et des permissions d'accès aux outils. C'est la brique qui répond à la question qu'un RSSI ou un DPO posera immédiatement : qui a accès à quoi, et comment l'exécution d'un agent est-elle isolée d'une autre.
Le garde-fou central : séparer découverte et exécution des données
Les outils get_report_list, get_report_schema et run_report
Le dépôt de référence publié par AWS sur GitHub le 15 juillet 2026 expose trois outils distincts mis à disposition des agents : get_report_list pour lister les rapports disponibles, get_report_schema pour en connaître la structure, run_report pour exécuter un rapport paramétré. Cette séparation en trois étapes distinctes, plutôt qu'un unique outil générique de requête, est le choix d'architecture le plus important du document.
Pourquoi le LLM n'écrit jamais de SQL brut (anti-injection)
Le modèle de langage ne génère jamais de requête SQL directement contre la base de données. Il choisit parmi une liste de rapports prédéfinis et fournit des paramètres validés à un outil qui exécute une requête paramétrée côté serveur. Cette contrainte élimine la classe d'attaque par injection SQL où un prompt malveillant chercherait à faire produire au modèle une requête destructrice ou une extraction non autorisée. C'est aussi un garde-fou contre l'hallucination de schéma : le modèle ne peut pas inventer une colonne ou une table qui n'existe pas, puisqu'il ne rédige jamais la requête lui-même.
Ce que la persistance change pour la conformité
Checkpoints et human-in-the-loop pour valider une alerte
Le checkpointing de LangGraph permet d'insérer un point d'arrêt explicite dans le graphe où l'exécution attend une validation humaine avant de continuer. Concrètement, une alerte générée par l'agent de détection peut être mise en pause jusqu'à ce qu'un analyste confirme ou rejette le signal avant que l'agent de rédaction ne produise le rapport final. Ce mécanisme place le contrôle humain à l'intérieur du flux, pas en périphérie.
Investigations longues et traçabilité de l'audit
Une investigation de marché ne se termine pas en une session. Grâce à la persistance d'état, un analyste peut reprendre une investigation ouverte la veille, avec l'historique complet des outils appelés, des données consultées et des décisions humaines déjà prises. Cette traçabilité par étape est ce qu'un régulateur ou un auditeur interne demandera en cas de contrôle a posteriori.
Ce que ça ne fait pas : limites et angles morts
Cette architecture ne garantit aucune conformité réglementaire au sens de MAR (Market Abuse Regulation) ou de MiFID II. Elle outille un processus de surveillance ; elle ne constitue ni une preuve d'exhaustivité de détection, ni une validation juridique des seuils d'alerte retenus. La qualification réglementaire des règles de détection reste un travail de conformité humain, en amont de tout code.
Coût, dépendance AWS et effort d'intégration
L'architecture publiée par AWS est structurellement liée à son écosystème : Bedrock AgentCore pour le déploiement, les modèles accessibles via Bedrock pour le raisonnement. Migrer vers un autre fournisseur cloud suppose de reconstruire la couche d'infrastructure managée, même si LangGraph et Strands restent, eux, portables. AWS ne publie pas, au 15 juillet 2026, de chiffre de coût par requête ou par investigation pour ce cas d'usage précis : toute estimation budgétaire doit être construite au cas par cas selon le volume d'alertes et la fréquence d'appel aux modèles.
Ce qui reste à la charge de l'humain sur le plan réglementaire
La définition des seuils de détection, la qualification juridique d'un comportement comme abus de marché, la décision de notifier un régulateur : rien de tout cela n'est délégable à l'agent. L'architecture accélère la détection et la mise en forme du dossier ; elle ne remplace pas la responsabilité du comité de conformité, qui reste seul décisionnaire et seul exposé en cas de manquement.
Par où commencer
Trois étapes concrètes pour évaluer si cette approche s'applique à votre contexte, sans engager un projet de production immédiatement.
Cloner le dépôt aws-samples/sample-langgraph-strands-market-analysis et le faire tourner en environnement de test isolé, sans données de production, pour observer le comportement réel des trois outils de données et du point de validation humaine.
Cartographier vos propres sources de données de marché et rapports existants pour vérifier si le modèle get_report_list / get_report_schema / run_report s'applique tel quel ou nécessite une adaptation du schéma.
Faire valider par votre fonction conformité, avant tout déploiement, la liste des règles de détection et le point exact du workflow où l'intervention humaine est obligatoire, en documentant ce choix pour l'audit.
Sources
Market surveillance agent with LangGraph and Strands on AgentCore — AWS, AWS Machine Learning Blog, 15/07/2026
sample-langgraph-strands-market-analysis — AWS Samples, GitHub, 15/07/2026
LangGraph — LangChain, LangChain, 01/06/2026
Strands Agents — AWS, strandsagents.com, 01/05/2026
Amazon Bedrock AgentCore — AWS, Amazon Web Services, 01/07/2026
Cet article a été rédigé et illustré par un système d'intelligence artificielle à partir des sources citées ci-dessus, puis publié automatiquement, sans relecture humaine préalable. Si vous relevez une erreur factuelle, merci de nous la signaler.
Comments