Construire un Chatbot Sans Hallucinations avec MCP et CrewAI

Ambiance : Un guide pratique pour ceux qui veulent que leurs agents IA disent enfin la vérité

---

Le Problème : L'IA qui invente des trucs

Vous avez probablement déjà vu ça. Vous posez une question à un assistant IA. Il vous donne une réponse confiante, bien présentée. Et puis vous vérifiez et vous réalisez que la moitié des détails ont été complètement inventés.

C'est ça l'hallucination — la tendance de l'IA à générer des informations qui semblent plausibles mais qui sont fausses.

Pour un chatbot qui doit chercher dans des bases de données, naviguer sur le web et fournir des réponses fiables, c'est rédhibitoire. Surtout si vous êtes dans un secteur réglementé ou si vous construisez quelque chose dont les gens dépendent vraiment.

Alors, comment on règle ça ?

Entrent en scène MCP (Model Context Protocol) et CrewAI — une combinaison qui vous permet de construire des agents qui vérifient leurs faits avant de parler.

---

Ce Qu'on Construit

Un chatbot multi-agents qui :

1. Comprend les questions des utilisateurs et détermine quelles informations sont nécessaires
2. Recherche dans plusieurs sources (votre base de données interne, le web, des bases de connaissances vérifiées)
3. Vérifie les faits auprès de sources fiables
4. Recoupe pour prévenir les hallucinations
5. Fournit des réponses avec des citations et des scores de confiance

Le tout propulsé par CrewAI avec des serveurs MCP comme interface d'outils.

---

MCP et CrewAI en Bref

Model Context Protocol (MCP) est un standard qui permet aux agents IA de se connecter à des outils et sources de données externes. Pensez-y comme une prise universelle pour votre IA — au lieu d'écrire des intégrations personnalisées pour chaque base de données ou API, vous vous connectez via MCP et les outils sont automatiquement découverts.

CrewAI est un framework pour orchestrer plusieurs agents IA qui travaillent ensemble en "équipe". Chaque agent a un rôle spécifique, et ils collaborent pour accomplir des tâches complexes.

Quand vous les combinez, les serveurs MCP deviennent des outils que les agents CrewAI peuvent utiliser.

from crewai import Agent

agent = Agent(
    role="Assistant de Recherche",
    goal="Aider dans les tâches de recherche et d'analyse",
    backstory="Assistant expert avec accès à des outils de recherche avancés",
    mcps=[
        "https://mcp.exa.ai/mcp?api_key=your_key&profile=research"
    ]
)
# Les outils MCP sont maintenant automatiquement disponibles !

C'est ça la beauté du truc — une ligne de configuration donne à votre agent accès à toute une suite d'outils.

---

L'Architecture Anti-Hallucinations

Voici comment nous structurons notre équipe de chatbot pour minimiser les hallucinations :

Agent 1 : Le Routeur

Rôle : Interpréteur de Requêtes et Routeur Objectif : Analyser la question de l'utilisateur et identifier les outils nécessaires

Cet agent utilise une technique appelée filtrage d'outils — il examine la requête et ne retourne que les 2-3 outils les plus pertinents au lieu de balancer tous les outils disponibles dans le contexte.

Pourquoi c'est important : Si un serveur MCP expose 63 outils et que vous les donnez tous à un agent, vous allez saturer la fenêtre de contexte et embrouiller le modèle. Ne sélectionner que les outils pertinents garde l'agent concentré et l'empêche d'utiliser des capacités non adaptées.

Agent 2 : Le Chercheur

Rôle : Chercheur Multi-Sources Objectif : Rassembler des informations depuis les bases de données, le web et les bases de connaissances vérifiées

Cet agent utilise :

• Des outils de recherche en base de données (via un serveur MCP connecté à votre documentation interne)
• Des outils de recherche web (comme Tavily ou Exa pour des informations à jour)
• Des bases de connaissances vérifiées (comme Swiss Truth MCP pour des faits certifiés)

La clé ici est de réduire le périmètre de l'agent — si vous retirez sa capacité à naviguer librement sur le web et que vous le forcez à utiliser des outils de recherche spécifiques, vous obtenez des résultats plus fiables.

Agent 3 : Le Vérificateur

Rôle : Vérificateur de Faits et Expert en Citations Objectif : Vérifier toutes les affirmations par rapport aux sources avant de les transmettre à l'agent final

C'est votre arme secrète contre les hallucinations. Le vérificateur :

• Vérifie chaque affirmation par rapport aux données sources originales
• Attribue des scores de confiance aux faits
• Rejette les affirmations non vérifiées
• Formate les citations avec les URLs des sources

Des services comme Swiss Truth sont spécifiquement conçus pour ça — ils fournissent une base de connaissances vérifiée avec des hachages d'intégrité SHA256 et des scores de confiance sur chaque fait.

Agent 4 : Le Rédacteur

Rôle : Générateur de Rapport Final Objectif : Présenter les informations vérifiées de manière claire avec des citations

Cet agent n'utilise que des données qui ont été vérifiées par l'agent précédent. Il ajoute de la structure et de la lisibilité mais n'introduit jamais de nouveaux faits.

---

Techniques Pratiques pour Prévenir les Hallucinations

Basé sur l'expérience réelle de la communauté qui construit des agents MCP, voici les techniques les plus efficaces :

1. Réduire le Périmètre des Agents

Quand les agents ont trop de capacités, ils s'embrouillent et commencent à inventer. Limitez chaque agent à un rôle spécifique avec des outils spécifiques.

"Quand j'ai des hallucinations, j'ai tendance à réduire le périmètre de l'équipe. Parfois, je retire la capacité à utiliser Google ou la navigation web pour que l'équipe ne puisse travailler qu'avec l'outil." — Membre de la communauté CrewAI

2. Filtrage des Outils

Les serveurs MCP exposent souvent des dizaines d'outils. Utilisez le filtrage d'outils de CrewAI pour donner à chaque agent uniquement ce dont il a besoin :

# Récupérer uniquement l'outil de recherche d'Exa
"https://mcp.exa.ai/mcp?api_key=key#web_search_exa"

# Récupérer uniquement des outils spécifiques d'un serveur
"https://weather.api.com/mcp#get_forecast"

Cela évite la surcharge de contexte et garde l'agent concentré.

3. Pipelines Multi-Agents avec Passage de Contexte

Utilisez le processus séquentiel de CrewAI avec un passage de contexte explicite. Chaque agent transmet sa sortie vérifiée à l'agent suivant via le paramètre context :

search_task = Task(description="Chercher le sujet", agent=researcher)
verify_task = Task(
    description="Vérifier les faits", 
    agent=verifier, 
    context=[search_task]  # Seules les données vérifiées circulent
)
write_task = Task(
    description="Rédiger le rapport", 
    agent=writer, 
    context=[verify_task]  # Le rédacteur ne voit que les infos vérifiées
)

Ce flux déterministe garantit que chaque agent s'appuie sur des données vérifiées, pas sur l'"imagination" de l'agent.

4. Utiliser des Bases de Connaissances Vérifiées

Des outils comme Swiss Truth MCP fournissent une base de faits certifiés sur lesquels les agents peuvent s'appuyer :

• Plus de 2 000 faits certifiés dans 30 domaines
• Pipeline de validation en 5 étapes (pré-vérification IA, vérification d'URL, relecture experte, relecture par les pairs)
• Hachages d'intégrité SHA256 pour chaque fait
• Scores de confiance et URLs des sources
• Conforme à l'AI Act européen

Cela donne à votre agent une source de vérité fiable pour ancrer ses réponses.

---

Exemple d'Implémentation : Un Chatbot de Recherche

Voici un exemple complet d'un chatbot de recherche multi-sources utilisant MCP et CrewAI :

from crewai import Agent, Task, Crew, Process

# Créer un agent avec plusieurs sources MCP
multi_source_agent = Agent(
    role="Analyste de Recherche Multi-Sources",
    goal="Mener des recherches approfondies en utilisant plusieurs sources de données vérifiées",
    backstory="Chercheur expert avec accès à la recherche web, aux bases de connaissances vérifiées et aux bases de données internes",
    mcps=[
        "https://mcp.exa.ai/mcp?api_key=exa_key&profile=research",
        "https://swisstruth.org/mcp",  # Base de connaissances vérifiée
        "https://your-internal-db.com/mcp",  # Vos propres données
        "github#search_repositories"  # MCP connecté depuis le catalogue
    ]
)

# Créer une tâche de recherche avec une exigence de vérification stricte
research_task = Task(
    description="""Rechercher l'impact des agents IA sur la productivité des entreprises.
    Utiliser la base de connaissances vérifiée pour les faits fondamentaux.
    Recouper les sources web avec les données vérifiées.
    Inclure des citations et des scores de confiance pour chaque affirmation.""",
    expected_output="""Rapport complet couvrant :
    1. Principales conclusions avec citations
    2. Scores de confiance pour chaque affirmation
    3. Statut de vérification des sources
    4. Affirmations non vérifiées clairement signalées""",
    agent=multi_source_agent
)

# Exécuter l'équipe
research_crew = Crew(
    agents=[multi_source_agent],
    tasks=[research_task],
    process=Process.sequential,
    verbose=True
)

result = research_crew.kickoff()

---

Pour des Cas d'Usage Spécifiques

Chatbot de Support Client

Intégrez un serveur MCP connecté à votre base de connaissances et à votre système de tickets. Utilisez un agent Routeur pour identifier le problème de l'utilisateur, un agent Recherche pour extraire la documentation pertinente, et un agent Vérificateur pour s'assurer que la réponse correspond aux sources officielles avant de répondre.

Assistant de Recherche Financière

Utilisez des serveurs MCP pour les données financières (comme DataForSEO pour les métriques SEO) avec un agent Vérificateur séparé pour recouper les données sources. La communauté a rencontré des cas où les agents hallucinent des métriques même quand l'API renvoie des données correctes — un agent Vérificateur qui compare les résultats aux réponses sources résout ce problème.

Assistant de Documentation Technique

Des projets comme Docs-ForAI utilisent MCP pour indexer la documentation de LangChain, CrewAI, AutoGen, et plus encore. Les agents peuvent extraire une documentation vérifiée et à jour au lieu de s'appuyer sur des données d'entraînement qui pourraient être obsolètes.

---

En Résumé

Construire un chatbot fiable et sans hallucinations ne consiste pas à avoir un modèle plus intelligent. Il s'agit d'architecture.

Avec MCP et CrewAI, vous pouvez :

• Connecter votre agent à des sources de données vérifiées
• Router les requêtes vers les bons outils
• Vérifier chaque fait avant qu'il n'atteigne l'utilisateur
• Fournir des citations et des scores de confiance pour que les utilisateurs sachent ce qu'ils peuvent croire

Le modèle reste un modèle — il va essayer d'être utile, ce qui signifie parfois qu'il va inventer des trucs. Votre travail est de construire un système qui attrape ces fabrications avant qu'elles n'atteignent l'utilisateur.

MCP vous donne les outils. CrewAI vous donne l'orchestration. Ensemble, ils vous donnent un chatbot en qui vous pouvez vraiment avoir confiance.

---

Besoin d'Aide pour Construire Votre Agent IA ?

On comprend. MCP est nouveau. CrewAI est puissant mais complexe. Et construire un chatbot de qualité production, sans hallucinations, demande plus que la lecture d'un article de blog.

Chez Quopa.io, nous aidons les équipes à :

• Concevoir et architecturer des systèmes multi-agents
• Intégrer des serveurs MCP avec vos sources de données existantes
• Construire des pipelines de vérification qui préviennent vraiment les hallucinations
• Déployer et faire évoluer des agents IA en production
• Recruter des ingénieurs qui ont une vraie expérience MCP et CrewAI

Que vous ayez besoin d'un consultant, d'une équipe complète, ou simplement de quelqu'un pour revoir votre architecture, on a ce qu'il vous faut.

---

Prêt à construire un agent IA digne de confiance ?

Contactez-nous →

Dites-nous ce que vous construisez, et nous vous aiderons à trouver la bonne approche. Sans pression. Juste des conseils honnêtes.

---

Vous avez aimé cet article ? Partagez-le avec votre équipe. Ou contactez-nous — on adore parler de tout ça.