Le Problème
Quand plusieurs agents IA travaillent ensemble dans un pipeline — l'un planifie, l'autre construit, un autre vérifie — ils ont besoin du contexte des étapes précédentes. Mais :
- Transmettre tous les artefacts (code, docs) entre chaque étape coûte trop de tokens
- Même avec les artefacts complets, les agents manquent le pourquoi — les décisions et contraintes derrière le travail
Sans un mécanisme de transmission structuré, les agents répètent le travail ou contredisent des décisions antérieures.
La Solution
Le baton est un petit objet JSON (~1 000 tokens) qui voyage entre les étapes. Chaque agent le lit avant de commencer et le met à jour quand il a terminé.
Pensez-y comme un témoin de course de relais — sauf que celui-ci porte des notes.
Structure
| Champ | Objectif |
|---|---|
goal | Objectif en une phrase |
current_state | Ce qui est vrai maintenant |
decision_log | Décisions prises (ajout uniquement) |
constraints | Règles à respecter |
open_questions | Questions non résolues |
work_scope | Fichiers/modules concernés |
artifacts | Références aux sorties produites |
acceptance | Tests/vérifications à passer |
Comment ça marche
1. Initialiser
Le baton commence avec un objectif et un état initial.
2. Injecter
Avant chaque étape, le baton est injecté dans le prompt de l'agent en markdown.
3. Patcher
Après exécution, l'agent retourne un baton_patch — seuls les champs modifiés sont mis à jour.
4. Répéter
Le baton mis à jour alimente l'étape suivante jusqu'à la fin du workflow.
Baton vs. Artefacts
| Baton | Artefacts | |
|---|---|---|
| Taille | ~1 000 tokens | 1k–100k+ tokens |
| Contenu | Décisions, état, contraintes | Code, plans, docs |
| Inclus | Toujours | Sélectivement |
| Objectif | Pourquoi et ce qui compte | Ce qui a été produit |
Le baton dit à l'agent suivant ce qui s'est passé et pourquoi. Les artefacts sont le produit du travail.
Choix de Conception
Décisions en ajout uniquement. Les décisions antérieures ne sont jamais effacées. Cela évite les contradictions.
Remplacement pour l'état. current_state est remplacé à chaque fois — il reflète la vérité actuelle, pas l'historique.
Économe en tokens. À ~1 000 tokens, le baton tient toujours dans le contexte.
Traçabilité complète. Chaque patch est enregistré avec un horodatage et un identifiant d'étape.
Quand l'utiliser
Le baton pattern fonctionne pour tout pipeline IA multi-étapes où :
- Les agents ont besoin du contexte des étapes précédentes
- Les budgets de tokens sont limités
- Les décisions doivent être cohérentes entre les étapes
- Vous devez tracer l'évolution du contexte
C'est volontairement simple — juste un objet JSON avec des mises à jour merge-patch.