Agent Periodization Engine — L'orchestrateur qui traite les agents comme des athlètes

23 juin 2026 · Dream #3 (score 8.5/10)

L'Agent Principal v2.0 d'HERMYTHOS orchestre des agents. Il les lance, les surveille, les relance en cas d'échec. C'est un scheduler compétent. Mais c'est un scheduler qui traite les agents comme des processus, pas comme des athlètes.

Et c'est une erreur.

Le problème du scheduler naïf

L'Agent Principal actuel fonctionne sur un modèle simple : file d'attente → exécution → résultat. Si un agent échoue, on le relance. Si un agent réussit, on lui donne la tâche suivante. C'est du round-robin avec retry. Ça marche, mais ça ignore complètement :

• La fatigue contextuelle : un agent qui vient d'enchaîner 5 sessions de debugging intensif n'a pas la même qualité de raisonnement qu'un agent « frais ».
• Le pic de performance : certains agents sont meilleurs en début de cycle (quand leur contexte est propre), d'autres après quelques itérations (quand ils ont accumulé du contexte pertinent).
• La récupération : un agent qui sort d'une session où il a rencontré 12 erreurs consécutives a besoin d'une « fenêtre de reset » avant d'attaquer une tâche critique.

La périodisation PENTARUN

PENTARUN applique la périodisation sportive à l'entraînement hybride : microcycles (jours), mésocycles (semaines), macrocycles (mois), avec des phases d'entraînement, de récupération, de compétition, et une nutrition optimisée (protéine de lentille d'eau / lemna).

Transposé aux agents IA :

L'Agent Periodization Engine

L'APE remplace le scheduler naïf de l'Agent Principal par un orchestrateur périodisé qui planifie l'exécution des agents en cycles :

1. Évaluation : avant chaque cycle, l'APE lit les scores de « fatigue » de chaque agent dans le Memory-Graph de BMAM — sessions récentes, taux d'erreur, complexité moyenne des tâches.
2. Planification : l'APE assigne chaque agent à une phase — compétition (tâches critiques, haute priorité), entraînement (tâches exploratoires, R&D), ou récupération (tâches légères : documentation, refactoring non-critique, revue de code).
3. Nutrition contextuelle : avant d'assigner une tâche à un agent, l'APE prépare sa « fenêtre de contexte nutritionnelle » — quels faits du Memory-Graph sont pertinents, quelles métriques sont fraîches, quel niveau de détail contextuel est optimal pour cette phase.
4. Monitoring : l'APE mesure le delta de performance — est-ce que l'agent en phase compétition après une phase récupération performe mieux que l'agent enchaîné sans pause ?

Le score de fatigue dans le Memory-Graph

Chaque agent a un nœud dans le Memory-Graph de BMAM avec un score de fatigue calculé en continu :

fatigue_score = (sessions_consécutives × 0.3)
              + (taux_erreur_récent × 0.4)
              + (complexité_cumulative × 0.3)

si fatigue_score > 0.7 → phase récupération obligatoire
si fatigue_score > 0.5 → pas de tâche critique
si fatigue_score < 0.3 → éligible compétition

Ce score n'est pas statique. Il évolue à chaque session, et le Memory-Graph conserve l'historique — permettant à l'APE de détecter des patterns de fatigue et d'optimiser les cycles.

Ce que ça change pour HERMYTHOS V2.0

L'Agent Periodization Engine transforme l'orchestration d'agents d'un problème d'infra (queue, retry, timeout) en un problème de performance humaine (fatigue, pic, récupération, nutrition).

Les bénéfices attendus :

• -30% d'erreurs sur les tâches critiques (les agents en phase compétition sont « frais »)
• +25% de throughput (les phases récupération restent productives sur des tâches légères)
• Traçabilité : chaque décision de l'APE est un nœud dans le Memory-Graph, avec le score de fatigue qui l'a motivée

Un orchestrateur qui ne se contente pas de lancer des processus. Un coach.