← Retour aux produits
products / agentdeckBientôt

aperçu console — schéma illustratif

AgentDeck

Shippez des agents AI de production sur vos propres données

AgentDeck, c'est la tuyauterie que les équipes réécrivent autour de chaque agent LLM — tools typés, retrieval sur vos index, evals, guardrails, tracing — packagée pour que vous shippiez l'agent, pas la plomberie. Model-agnostic, branché sur la data que vous streamez déjà.

Être prévenuTourne dans votre cloud · pricing défini avec les design partners

Phase design-partner — une poignée d'équipes, ouverture bientôt

01Problème

Pourquoi ce produit existe

L'agent de démo prend un week-end ; l'agent de production prend un trimestre. Entre les deux : contrats de tools, fraîcheur du retrieval, suites d'evals, guardrails, contrôle des coûts et tracing — une infrastructure que chaque équipe reconstruit de zéro, sous deadline. Et rien de tout ça n'est votre produit.

02Capacités

Ce que ça fait aujourd'hui

/01

Orchestration de tools typés

Les tools sont des contrats typés avec retries, timeouts et budgets de coût intégrés — l'agent ne peut faire que ce que vous avez déclaré.

/02

RAG sur données vivantes

Retrieval branché sur Elasticsearch et OpenSearch, rafraîchi par vos streams Kafka — des réponses fondées sur la data de maintenant, pas sur le dernier batch.

/03

Les evals comme gates de CI

Des suites d'evals issues de traces réelles tournent à chaque changement, dans GitHub Actions ou votre CI, et bloquent les régressions avant le deploy.

/04

Guardrails & plafonds de coût

Politiques d'entrée/sortie, allow-lists de tools et plafonds de dépense par run — un run déviant échoue proprement au lieu de vous surprendre sur la facture.

/05

Tracing de bout en bout

Chaque plan, tool call et token compté dans des traces OpenTelemetry — débuggez un agent comme vous débuggez un service.

/06

Model-agnostic by design

Utilisez votre propre API key LLM — les couches tools, evals et tracing fonctionnent à l'identique quel que soit le provider.

intégrationsLLM APIsElasticsearchOpenSearchApache KafkaOpenTelemetryGitHub ActionsGitLab CI

03Comment ça marche

De la connexion à la production

  1. 01

    Déclarez tools & data

    Décrivez vos tools comme des contrats typés et branchez le retrieval sur vos index Elasticsearch ou OpenSearch — maintenus à jour par les streams que vous opérez déjà.

  2. 02

    Composez la boucle

    Assemblez des agents plan–act–observe à partir de ces tools, avec retries, timeouts, budgets et guardrails en configuration plutôt qu'en code custom.

  3. 03

    Verrouillez avec les evals

    Enregistrez de vraies traces, transformez-les en suites d'evals et exécutez-les en CI. Un changement qui fait régresser l'agent n'atteint jamais la production.

  4. 04

    Shippez & observez

    Déployez derrière une API simple. Chaque étape de chaque run est tracée et exportée via OpenTelemetry, à côté du reste de votre stack.

04Cas d'usage

Là où ça s'insère

Équipes d'ingénierie qui veulent des agents AI en production sans réécrire la plomberie.

Eng lead qui shippe un copilot interne

Un assistant support ou ops sur les docs et tickets internes. AgentDeck fournit retrieval, guardrails et evals — le code de votre équipe, c'est le workflow, pas le framework.

Équipe platform qui automatise ses runbooks

Un agent qui surveille vos streams, rédige le diagnostic et exécute les étapes sûres du runbook — chaque action typée, budgétée et tracée.

Le prototype qui doit devenir un produit

L'agent du notebook fonctionne ; la production est un autre métier. Gardez vos prompts et votre logique, adoptez tools, evals et tracing d'AgentDeck au lieu de les construire.

FAQ

FAQ produit

Quels modèles sont supportés ?

AgentDeck est model-agnostic — vous utilisez votre propre API key LLM, et les couches tools, evals et tracing fonctionnent avec n'importe quel provider.

SaaS ou self-hosted ?

Conçu pour tourner dans votre propre cloud, à côté de votre data et de vos clés. C'est le déploiement que nous validons avec les design partners ; une option managée viendra peut-être ensuite.

Comment tournent les evals concrètement ?

Vous enregistrez de vraies traces d'agent, vous les organisez en suites de scénarios, et AgentDeck les rejoue en CI à chaque changement — en scorant les outputs et en faisant échouer la pipeline en cas de régression.

Ça veut dire quoi, « design partner » ?

Une poignée d'équipes qui construisent de vrais agents avec nous avant le lancement : onboarding main dans la main, itérations hebdomadaires et un vrai poids sur ce qui sort en premier.

Construisez-le avec nous

Un petit groupe de design partners a un accès direct au fondateur et un vrai poids sur ce qui sort en premier. Si le problème décrit plus haut est le vôtre, parlons-en.

Être prévenuÉdité par MC-AI-DATA