Chainbase × GPT‑6 Astra : connecter les agents au monde et concrétiser les tâches

Envisagez ce qu’un agent d’IA doit réellement faire lorsqu’on lui demande de faire des recherches sur un secteur et de proposer les priorités produit du mois suivant.

Il doit repérer les tendances émergentes, lire les sources primaires, comparer les retours d’utilisateurs sur différentes plateformes, valider les indicateurs clés et transformer ses conclusions en un rapport, un jeu de données et un plan sur lequel l’équipe peut agir. En cours de route, un fournisseur de données peut tomber en panne, l’utilisateur peut modifier le cahier des charges, et de nouveaux éléments peuvent remettre en cause l’hypothèse de départ.

C’est le type de travail soutenu pour lequel GPT‑6 Astra devient pertinent. OpenAI le positionne pour le raisonnement complexe, le code, l’utilisation de l’ordinateur, la recherche et la création de documents, avec une emphase sur les flux de travail en plusieurs étapes couvrant le code, les navigateurs et les logiciels professionnels. Pour les développeurs, la question pratique est de savoir si un agent peut continuer à travailler vers un objectif tout en coordonnant recherche, analyse et livraison. Recommandations de modèle OpenAI

Le portefeuille de produits de Chainbase répond à plusieurs exigences de ce flux de travail. Son infrastructure onchain rend les données de blockchain exploitables. Tops organise l’information en signaux dignes d’investigation. AgentKey donne aux agents accès à un éventail plus large de services de données. Ensemble, ils offrent des moyens complémentaires de relier le raisonnement d’un agent au monde qu’il cherche à comprendre.

Cet article s’appuie sur une revue complète des billets de blog Chainbase publiquement accessibles et de la documentation publique d’OpenAI, vérifiée le 11 septembre 2026. Astra désigne le modèle GPT‑6 Astra ; les fonctionnalités d’API évoquées nécessitent un environnement applicatif compatible. « × » décrit une combinaison technique proposée. Les flux de travail ci-dessous sont des exemples d’architecture, et non l’annonce d’un produit conjoint officiel.

De l’ingénierie des données onchain aux services de données pour les agents

Lu chronologiquement, le blog de Chainbase révèle un objectif constant : rendre utiles les données fragmentées et raccourcir le chemin entre leur source et leur consommateur.

En 2024, ses écrits techniques se sont concentrés sur un réseau de données omnichain, une architecture à quatre couches, EigenLayer AVS et Manuscript comme moyen de définir le traitement des données. Le problème sous-jacent était concret. Les blockchains ont des structures de données et des modèles d’exécution différents, ce qui oblige les développeurs à construire à plusieurs reprises des pipelines d’indexation, de nettoyage et de transformation. Chainbase visait à standardiser ces processus et à rendre leurs sorties plus faciles à combiner. Architecture à quatre couches de Chainbase

Cette année a également vu naître Theia, une initiative de modèle spécifique à un domaine. La version publiée de Theia‑Llama‑3.1‑8B utilisait Llama‑3.1‑8B‑Instruct comme base, appliquait un réglage fin LoRA avec des données axées crypto et proposait une version quantifiée. Cet historique montre que les travaux d’IA de Chainbase portaient déjà sur la manière dont les données entrent dans les modèles et soutiennent des connaissances spécialisées. Publication open source de Theia

En 2025, Manuscript, la plateforme de données et Tops ont étendu ces travaux vers des pipelines programmables et des produits d’information. En 2026, Tops a introduit un accès pour agents, puis AgentKey, qui a élargi l’accès à la recherche, au contenu web, aux plateformes sociales, aux informations sur les entreprises et aux données de commerce. Pris ensemble, ces développements suggèrent une progression allant de la construction d’une infrastructure de données vers la prestation de services que les personnes et les agents peuvent consommer directement. Bilan de l’année 2025, Présentation d’AgentKey

Les trois gammes de produits remplissent des rôles distincts :

Il s’agit d’une vue produit organisée autour des flux de travail des agents. Chainbase opère également des infrastructures telles que des nœuds de validation. Son rapport du deuxième trimestre 2026 regroupe l’activité en Infrastructure de données, Nœuds de validation et Applications de données. Les trois produits ci-dessus doivent donc être compris comme des capacités complémentaires au sein d’une activité plus large, plutôt que comme un organigramme exhaustif ou une séquence obligatoire de dépendances. Rapport du deuxième trimestre 2026

Infrastructure Chainbase : transformer l’exécution onchain en données exploitables

Les enregistrements publics des transactions nécessitent encore un important travail d’ingénierie avant de pouvoir répondre à une question métier.

Prenons le suivi des changements de solde d’un actif. La relecture des événements Transfer peut manquer des changements effectués sans les événements attendus. Le traceur EVM open source de Chainbase décrit une approche basée sur prestate, la relecture de bloc et l’observation des écritures d’état sous-jacentes pour combler les lacunes d’une vue limitée aux événements. L’exemple illustre une contribution fondamentale de l’infrastructure de données : améliorer ce qu’un modèle peut observer avant qu’il ne commence à raisonner. Traceur EVM personnalisé basé sur prestate

Les données brutes doivent ensuite devenir des données métier définies de manière cohérente. Manuscript fournit des pipelines programmables qui spécifient les sources, appliquent des transformations telles que des requêtes SQL et envoient les résultats vers une destination. Le tutoriel Sui démontre l’extraction d’informations MoveCall et l’écriture des résultats dans PostgreSQL. Manuscript v1.5.0 ajoute des capacités d’analyse de Solana qui organisent les données de transaction et d’état de compte dans des tables interrérogeables. Tutoriel Sui Manuscript CLI, Manuscript v1.5.0

Cela crée une opportunité concrète pour les capacités de code d’Astra. Un développeur pourrait lui demander d’inspecter des schémas, d’écrire et de vérifier des requêtes, d’expliquer des choix d’agrégation et d’aider à maintenir un pipeline. Le modèle pourrait ensuite travailler avec un jeu de données hebdomadaires d’utilisation du protocole, préparé pour la question de recherche.

Le principe d’ingénierie est simple : laissez les bases de données et les programmes effectuer des calculs déterministes, et utilisez le modèle pour l’interprétation, la comparaison et le jugement. Une plus grande capacité de contexte aide à accueillir le matériel ; une modélisation des données solide donne à ce matériel une signification cohérente.

Tops : transformer les discussions en direct en pistes de recherche

De nombreuses tâches de recherche commencent avant que personne ne connaisse le mot-clé approprié. Une équipe veut savoir ce qui a changé, quels sujets gagnent en attention et où une investigation plus approfondie serait utile.

Tops répond à cette étape de découverte. Son article de lancement décrit l’organisation de l’information par la vitesse de propagation, l’influence et le regroupement sémantique. Son interface orientée agents expose les récits crypto, les détails des sujets et les discussions associées sur X par le biais d’outils structurés. Lancement de Tops, Tops pour agents d’IA

Ces outils prennent en charge une séquence naturelle de recherche. Un agent peut utiliser list_trending_topics pour découvrir un sujet, get_topic pour le comprendre, puis get_topic_posts pour examiner les publications sous-jacentes. Il peut utiliser search_narrative_candidates pour explorer une orientation de recherche imprécise ou search_mentions pour suivre un projet connu. Tops prend en charge les chemins d’intégration MCP, Skill et API. Guide des outils et de l’intégration de Tops

Pour Astra, cela fournit un point de départ plus ciblé. Un sujet organisé fournit des mots-clés, du contenu associé et des pistes d’investigation. L’accès aux publications d’origine laisse la place de vérifier le résumé et de développer une interprétation différente.

Supposons qu’une catégorie de produits de paiement pour agents attire soudainement l’attention. Cette observation devient une hypothèse à investiguer : l’augmentation est-elle un bref pic autour d’un lancement, ou reflète-t-elle un changement soutenu de la demande des utilisateurs ? L’attention démarre l’enquête. Les éléments probants déterminent la conclusion.

AgentKey : un accès aux données capable de suivre la tâche

AgentKey étend la portée produit de Chainbase au-delà des données de blockchain.

Un agent de recherche concurrentielle pourrait avoir besoin d’un moteur de recherche, de pages web complètes, de commentaires Reddit, d’informations sur les entreprises et de données de commerce lors d’une même mission. Il connaît rarement toutes les sources requises à l’avance. Avec des intégrations séparées, les développeurs doivent gérer les comptes des fournisseurs, les clés, les soldes, les interfaces et les réexécutations à mesure que le périmètre de la tâche s’élargit.

AgentKey est conçu autour de ce problème. Il fournit un point d’accès commun à plusieurs services de données et gère la sélection du fournisseur, le routage et le basculement. Sa couverture de lancement incluait la recherche, le scraping, les réseaux sociaux et les données crypto, avec des plateformes régionales en dehors du web anglophone. Aperçu du produit et de l’architecture d’AgentKey

Dans sa mise à jour du premier mois, AgentKey a signalé six catégories—Search, Scrape, Social, Crypto, Business et E-commerce—connectant 18 fournisseurs, 59 sources et services de données, et plus de 1 800 points de terminaison. Ces chiffres décrivent l’instantané produit de cette mise à jour. L’implication plus large est qu’un agent peut naviguer entre différents systèmes d’information à mesure qu’une tâche de recherche se développe. AgentKey : un mois après le lancement

Cette étendue prend en charge l’étude de marché, la recherche utilisateur, l’analyse concurrentielle et la découverte produit. Une équipe e-commerce enquêtant sur les plaintes clients pourrait combiner des informations produit, du contenu social et des échantillons d’avis. AgentKey peut apporter de la valeur tout au long de cette tâche sans nécessiter de composant onchain.

Pour Astra, qui prend déjà en charge les flux de travail de recherche web et de navigation, AgentKey ajoute la couverture des services de données et un modèle commun d’intégration et d’exploitation. Les résultats de recherche, les API de commentaires de plateformes, les bases de données d’entreprises et les requêtes blockchain offrent des structures et des niveaux de détail différents. Choisir une interface appropriée peut rendre l’analyse par lots plus reproductible.

L’accès et l’interprétation restent des responsabilités distinctes. AgentKey facilite la récupération des données ; l’agent doit toujours établir si ces données répondent à la question. Lorsqu’un fournisseur change, les champs, les plages temporelles et la couverture peuvent aussi changer. Les applications doivent valider les résultats renvoyés et préserver leur signification à travers ces transitions.

Pourquoi Astra rend cette combinaison utile

La première capacité pertinente est la continuité dans un travail complexe. La recherche passe de façon répétée entre identifier une question, rassembler du matériel, former un jugement, le tester et produire un livrable. Le raisonnement, le code et l’utilisation d’outils d’Astra peuvent aider à organiser ces étapes en une seule tâche soutenue. Les produits de Chainbase fournissent différentes entrées à mesure que cette tâche se développe. Recommandations de modèle OpenAI

La deuxième est la capacité de contexte. OpenAI indique une fenêtre de contexte de 1 050 000 jetons et une longueur maximale de sortie de 128 000 jetons. Pour la recherche, cela offre la place de comparer des documents, de conserver l’historique de travail et de produire des livrables substantiels. Une approche raisonnable consiste à préserver les passages de source importants, les métriques structurées et les éléments probants tout en supprimant le matériel répétitif. Spécifications de GPT‑6 Astra

La troisième est l’appel asynchrone d’outils. Le nouveau mécanisme d’Astra, Async Tool Calling, permet au modèle de poursuivre un travail indépendant pendant qu’une application exécute un outil. Si une requête externe via AgentKey prend du temps, une application pourrait l’exposer comme une fonction asynchrone. Pendant l’attente, Astra pourrait organiser le matériel récupéré ou poursuivre une partie non liée de l’analyse. L’application reste responsable de l’exécution, des tâches en attente et du renvoi des résultats. Ce mécanisme s’applique aux fonctions exécutées par l’application et aux outils personnalisés ; il ne faut pas supposer qu’il s’applique automatiquement à chaque appel MCP. Documentation d’Async Tool Calling

La quatrième est la capacité de changer de direction en cours de tâche. Un utilisateur pourrait demander à un agent de se concentrer sur l’Asie du Sud-Est, de prioriser la conversion payante ou d’arrêter d’utiliser une source particulière après le début de la recherche. Le mécanisme Astra Mid-turn Steering prend en charge des instructions supplémentaires sur une connexion WebSocket de l’API Responses tout en préservant le travail déjà réalisé. C’est utile lorsqu’un cahier des charges de recherche devient plus précis à mesure que les preuves arrivent. Cela ne défait pas automatiquement les actions d’outils déjà effectuées. Documentation de Mid-turn Steering

Astra prend aussi en charge Programmatic Tool Calling. Pour un ensemble connu de cibles, un programme peut coordonner les appels, dédupliquer et filtrer les résultats intermédiaires, et renvoyer au modèle un ensemble compact de conclusions. Cela aide à transformer l’ampleur des sources d’AgentKey en travail de traitement de données gérable. Programmatic Tool Calling est une capacité existante de la plateforme prise en charge par Astra. La documentation actuelle indique que les outils asynchrones ne doivent pas être configurés pour ce chemin d’exécution, afin que les développeurs choisissent le mécanisme approprié pour chaque flux de travail. Documentation de Programmatic Tool Calling, Compatibilité des outils asynchrones

Pour le suivi en continu, Astra prend aussi en charge la modification de l’effort de raisonnement dans une conversation tout en préservant le préfixe de cache d’origine. Une approche à évaluer est d’utiliser moins d’effort de raisonnement pour l’organisation routinière, puis de l’augmenter lorsqu’une anomalie significative exige une investigation. L’accès aux données et les dépenses d’inférence peuvent être gérés ensemble autour de la valeur de la tâche, avec des gains réels mesurés dans le flux de travail déployé. Recommandations de modèle OpenAI

Ces capacités doivent finalement produire des livrables utiles. Avec l’exécution de code, l’accès aux fichiers et les outils de navigateur fournis par son environnement d’accueil, Astra peut transformer les résultats de requête en rapports, graphiques, scripts réutilisables et pages d’analyse. Le modèle coordonne le travail, l’environnement l’exécute, et les services de données connectés fournissent des informations pouvant être récupérées et actualisées.

Intégrer les trois gammes de produits dans un flux de travail pratique

Prenons une équipe confiant la tâche suivante :

Recherchez les développements dans les paiements pour agents au cours du mois écoulé. Comparez les discussions et l’utilisation autour de trois produits dans différentes régions. Produisez une note de décision pour la feuille de route produit du mois suivant, avec un jeu de données que nous pouvons continuer à mettre à jour.

Ce qui suit est un exemple de flux de travail qu’une équipe pourrait construire, plutôt qu’un rapport sur un test de produit conjoint déjà réalisé.

Astra établirait d’abord les produits, la plage temporelle et les livrables attendus. Tops pourrait fournir des sujets et des signaux narratifs qui identifient des événements dignes d’investigation : le lancement d’une fonctionnalité, une plainte récurrente ou une discussion qui commence tout juste à émerger.

AgentKey soutiendrait ensuite une investigation plus large. Selon les capacités des sources connectées, Astra pourrait récupérer les pages officielles, la documentation pour développeurs, les informations sur les entreprises et les retours d’utilisateurs de plusieurs plateformes. Il pourrait comparer les affirmations produit avec les contraintes techniques et les expériences clients, en utilisant le matériel récupéré comme preuve pour son analyse à travers les langues.

Lorsqu’un produit présente une activité onchain identifiable, Chainbase pourrait fournir des données de transaction, d’interaction avec les contrats et d’activité des adresses. Avant d’interroger ces données, le flux de travail devrait établir les contrats pertinents et les fenêtres de mesure, et distinguer les adresses actives des utilisateurs réels. Cela permettrait de comparer les récits de croissance sociale avec les comportements onchain observables.

Pendant l’analyse, Astra pourrait écrire du code pour organiser des séries chronologiques, supprimer les publications en double, produire des graphiques de comparaison et rechercher des incohérences. Si la discussion croît alors que l’utilisation mesurée reste stable, la publicité peut précéder l’adoption. D’autres explications pourraient inclure une couverture incomplète des contrats ou une fenêtre d’observation trop courte. Le rapport doit conserver ces explications concurrentes et identifier les éléments probants nécessaires pour les départager.

La livraison finale pourrait contenir trois livrables liés : une note de décision expliquant les conclusions et les recommandations, un jeu de données conservant les sources et les définitions des métriques, et un ensemble de requêtes ou de scripts pouvant être relancés. La recherche deviendrait un corpus de travail que l’équipe peut mettre à jour.

Pour une tâche de recherche sur un produit de consommation ou un SaaS, la même combinaison Astra–AgentKey pourrait rester utile. Tops et les données onchain seraient inclus là où ils s’appliquent au domaine. L’avantage des produits complémentaires est la possibilité de choisir ce dont la tâche a réellement besoin.

Mesurer la combinaison par la qualité du travail réalisé

Le nombre d’outils et de points de terminaison ne décrit qu’une partie de la capacité d’un agent. L’expérience utilisateur dépend de la rapidité avec laquelle l’agent trouve une source adaptée, de l’utilisabilité des résultats, de sa capacité à surmonter les échecs et de la mesure dans laquelle le livrable final réduit l’effort humain.

Les équipes qui évaluent cette combinaison pourraient commencer par quatre mesures : le temps nécessaire au premier résultat de données utilisable, la couverture des éléments probants, la réussite de la tâche de bout en bout et le coût total par livrable acceptable. Le coût doit inclure l’inférence, les appels de données, les réexécutations et les retouches humaines. Les critères de succès doivent être explicites — par exemple, des conclusions traçables, des graphiques cohérents avec le jeu de données sous-jacent et la livraison de chaque artefact demandé.

Le rapport du deuxième trimestre 2026 de Chainbase note également qu’AgentKey doit améliorer la transition de l’inscription à l’utilisation effective, avec une attention portée au premier appel réussi et à la profondeur d’utilisation. Cet enjeu produit est cohérent avec l’objectif d’ingénierie : l’accès aux données doit se traduire par des progrès visibles dans la tâche d’un utilisateur. Rapport du deuxième trimestre 2026

À mesure que des modèles comme Astra prennent en charge des travaux plus complexes et prolongés, le rôle de l’infrastructure de données s’étend tout au long de la tâche. Chainbase fournit des données onchain exploitables. Tops organise l’information qui mérite une investigation. AgentKey élargit les services qu’un agent peut appeler. Avec ces entrées, le modèle peut planifier, vérifier, coder et livrer—transformant un raisonnement plus puissant en un travail plus complet.

La promesse de Chainbase × GPT‑6 Astra est qu’un utilisateur puisse formuler un objectif et qu’un agent trouve les données appropriées, comprenne les relations en leur sein, et mène le travail jusqu’à un résultat utile.