Agent Swarm

Le 27 janvier 2026, Moonshot AI a lancé Kimi K2.5, introduisant Agent Swarm. Le 20 avril 2026, Moonshot AI a publié et rendu open source Kimi K2.6, apportant des améliorations majeures à l'architecture Agent Swarm :

• Jusqu'à 300 sous-agents travaillant simultanément
• Plus de 4 000 appels d'outils par tâche
• 4,5× plus rapide qu'une exécution séquentielle par agent unique

Agent Swarm est désormais propulsé par Kimi K3 (K3 Swarm), améliorant encore la recherche parallèle à grande échelle et le traitement par lots.

L'histoire derrière le projet

En 2025, le récit dominant du secteur de l'IA portait sur la mise à l'échelle verticale — des modèles plus grands, davantage de paramètres. Mais cette approche se heurte à un plafond structurel : le goulot d'étranglement de l'exécution séquentielle unique.

Agent Swarm est né d'une situation bien réelle : lorsqu'une membre de l'équipe a tenté d'automatiser la collecte quotidienne d'informations boursières et s'est retrouvée avec 100 lignes de code if-else, elle a compris : « J'écris à la main un système multi-agents. » Si les modèles savent utiliser des outils, pourquoi ne pourraient-ils pas s'auto-architecturer ?

Agent Swarm est une structure organisationnelle auto-conçue — conçue par l'IA, et non par des humains. L'Agent principal (l'orchestrateur) dirige de façon autonome jusqu'à 300 sous-agents, exécutant jusqu'à 4 000 étapes de workflow en parallèle.

Agent Swarm s'appuie sur la méthode d'entraînement PARL (Parallel-Agent Reinforcement Learning). Comparée aux approches par agent unique, elle réduit les étapes critiques d'un facteur 3 à 4,5 dans les scénarios de recherche à grande échelle.

Comment l'utiliser ?

Points d'accès :

• Web : kimi.com/agent-swarm
• Mobile : ouvrez l'application Kimi et sélectionnez le modèle K3 Swarm dans le bouton de changement de modèle

Agent Swarm est réservé aux membres Moderato, Allegretto, Allegro et Vivace. Les tâches consomment nettement plus de crédits (credits) que les tâches Agent standard.

Étapes :

1. Décrivez votre tâche et envoyez-la (par exemple, « Rassembler plus de 200 articles de Paul Graham »)
2. Suivez la progression en temps réel : création de la liste de tâches, génération des sous-agents, exécution parallèle
3. Recevez les livrables : projets de code, dossiers de fichiers, analyses de données, documents Office
4. Prévisualisez, téléchargez ou partagez les résultats
5. Lors des échanges suivants, Kimi orchestre automatiquement le passage entre la conversation et l'Agent selon la tâche — aucun basculement manuel n'est nécessaire

Cas d'usage

Découverte à grande échelle

Cas 1 : les 3 meilleurs créateurs dans 100 niches YouTube

Agent Swarm a créé 300 sous-agents pour effectuer une recherche en parallèle, générant des tableaux structurés avec les noms de chaînes, le nombre d'abonnés et les descriptions.

Voir le résultat

Cas 2 : rassembler plus de 200 articles de Paul Graham

Agent Swarm a déployé des sous-agents pour rechercher, télécharger, classer et résumer plus de 200 articles dans des dossiers thématiques.

Voir le résultat

Production à grande échelle

Cas : une revue de littérature de 100 pages à partir de 40 PDF

Agent Swarm a déployé plusieurs sous-agents spécialisés dans la rédaction, chacun responsable d'un chapitre. Résultat final : un document académique de 100 pages avec citations, graphiques méthodologiques et analyse du réseau de citations.

Pluralité des perspectives à grande échelle

Cas : revue d'experts sur une stratégie de lancement produit Agent Swarm a déployé des sous-agents experts aux points de vue variés (chef de produit, investisseur, Customer Success) pour examiner une stratégie de lancement.

Voir le résultat

Cas : Le Problème à trois corps réécrit dans 20 styles littéraires 20 sous-agents « écrivains » ont composé indépendamment dans des styles distincts — de Virginia Woolf à Borges en passant par Kafka.

Voir le résultat

Plongée technique

Architecture centrale : commandant + spécialistes

• Orchestrateur = entraîneur/commandant : voit l'ensemble, définit la stratégie
• Sous-agents = joueurs : chacun concentré sur un rôle précis

Principe clé : figer les joueurs, n'entraîner que l'entraîneur

Tous les sous-agents conservent leurs capacités existantes ; seul l'orchestrateur s'améliore grâce au reinforcement learning. Cela offre une responsabilité claire et une stabilité d'entraînement.

Prévenir la « paresse » :

• Effondrement séquentiel : l'orchestrateur confie tout à un seul sous-agent
• Fausse parallélisation : des sous-tâches dénuées de sens pour fausser les métriques

Solution : un mécanisme de récompense tridimensionnel

1. Qualité du résultat final
2. Véritable parallélisme atteint
3. Taux d'achèvement des sous-tâches

Métrique des étapes critiques

Agent Swarm calcule le temps du sous-agent le plus lent à chaque étape. Cela impose une véritable optimisation du processus plutôt qu'un découpage aveugle des tâches.

Context sharding

Chaque sous-agent se concentre sur son propre « carnet de notes », consignant les détails pertinents de façon indépendante. Seules les conclusions clés sont remontées à l'orchestrateur — préservant le raisonnement sans saturer la mémoire.

Résultats concrets

Sur le benchmark BrowseComp :

• Précision : 15,9 % (agent unique) → 33,3 %
• Étapes critiques réduites d'environ 40 %

Scénarios d'application

Agent Swarm est particulièrement adapté aux cas suivants :

1. Recherche d'informations à grande échelle : collecte massive de données sur Internet
2. Téléchargements en masse : collecte de fichiers et de ressources à grande échelle
3. Lecture à large spectre : traitement de plus de 100 documents
4. Rédaction longue : contenus dépassant 100 000 mots
5. Programmation complexe : développement frontend, revue de code, refactorisation
6. Automatisation bureautique : documents professionnels, feuilles de calcul, présentations

Pour aller plus loin :

• Kimi Agent Swarm : 100 sous-agents à grande échelle
• Kimi K2.5 : intelligence agentique visuelle​
• Kimi K2.6 : faire progresser le codage open source
• Kimi K3