- Un article qui compare plusieurs frameworks open source d’agents IA comme LangGraph, OpenAI Agents SDK, Smolagents, CrewAI, AutoGen, Semantic Kernel et LlamaIndex Agents
- Le développement d’agents IA reposait autrefois sur un mélange de scripts, de prompt engineering et d’essais-erreurs, mais les frameworks open source se multiplient désormais
- Chaque framework possède sa propre philosophie d’architecture dans l’équilibre entre autonomie et fiabilité des agents
- L’intégration avec des outils d’observabilité comme Langfuse permet de visualiser et déboguer les prompts, les réponses et les appels API
LangGraph – workflow basé sur des graphes
- Un framework à architecture en graphe fondé sur LangChain
- Chaque nœud traite un prompt ou une unité de travail, et les arêtes (
edge) contrôlent le flux de données et les branchements
- Particulièrement adapté aux tâches complexes en plusieurs étapes, au traitement parallèle et à l’insertion de logique de gestion d’erreurs
- Solide en visualisation et débogage, il convient bien à la conception d’agents pilotés par état
OpenAI Agents SDK – la boîte à outils officielle d’OpenAI pour les agents
- Un SDK officiel proposé par OpenAI
- S’intègre naturellement avec des modèles comme GPT-4o et GPT-o3
- Permet d’exécuter des tâches en plusieurs étapes en définissant des rôles (
role), des outils (tools) et des déclencheurs (trigger)
- Convient aux utilisateurs familiers de l’écosystème OpenAI
Smolagents – une approche minimaliste centrée sur le code
- Un framework d’agents minimaliste orienté code de Hugging Face
- Dans une boucle simple, l’IA génère et exécute du code Python
- Adapté au prototypage rapide sans orchestration complexe
- Utilise en interne des prompts de style ReAct
CrewAI – collaboration multi-agents basée sur les rôles
- Attribue à chaque agent un rôle propre pour permettre la collaboration
- Le concept de conteneur appelé
Crew permet un ajustement automatique du workflow
- Pratique pour mettre en œuvre des scénarios comme Planner - Researcher - Writer
- Inclut des fonctions de mémoire et une logique de gestion des erreurs
AutoGen – agents conversationnels asynchrones
- Un framework d’agents basé sur des conversations asynchrones développé par Microsoft Research
- Chaque agent fonctionne de manière asynchrone en échangeant des messages conversationnels
- Avantageux lorsque les conversations multi-tours, les changements de rôle et les appels d’outils en temps réel sont importants
- Sa structure événementielle est adaptée aux charges fortement concurrentes
Semantic Kernel – un workflow pensé pour l’entreprise
- Un framework de Microsoft centré sur .NET
- Combine des skills IA et des skills basés sur du code pour construire des workflows orientés planification
- Optimisé pour les exigences d’entreprise comme la sécurité, la conformité réglementaire et l’intégration Azure
- Prend en charge plusieurs langages comme Python, C# et Java
LlamaIndex Agents – des agents centrés sur les données
- LlamaIndex a commencé comme un framework basé sur le RAG avant d’étendre ses capacités aux agents
- Il recherche dans des sources de données locales ou externes et relie les résultats à une réponse ou une action
- Adapté à la Q&A sur documents, au résumé et aux agents de recherche personnalisés
- Si vous avez déjà utilisé LlamaIndex, la barrière à l’entrée reste faible
Quel framework utiliser, et quand ?
- Complexité des tâches : il faut choisir le framework adapté selon que la tâche est simple ou complexe
- Flux complexes en plusieurs étapes : LangGraph, Semantic Kernel
- Exécution simple orientée code : Smolagents
- Collaboration multi-agents : si plusieurs agents sont nécessaires, il faut une architecture prenant en charge les conversations asynchrones et la délégation de rôles
- Agents basés sur les rôles : CrewAI
- Agents conversationnels asynchrones : AutoGen
- Environnement d’intégration : il faut tenir compte de l’environnement et des systèmes avec lesquels les agents doivent interagir
- Services centrés sur OpenAI : OpenAI Agents SDK
- Besoin d’intégration avec une logique métier existante : Semantic Kernel
- Performance et passage à l’échelle : il faut prendre en compte les exigences de performance de l’application. Si des interactions en temps réel sont nécessaires, une architecture événementielle peut s’imposer
- Besoin de traitement à forte concurrence : AutoGen
- Débogage et traçabilité possibles via l’intégration avec des outils d’observabilité (Langfuse, etc.)
L’importance des outils d’observabilité et de traçage
- Les agents incluent des appels API externes, la recherche de données et une logique de branchement complexe, donc un suivi transparent est indispensable
- Des outils comme Langfuse permettent de suivre les éléments suivants :
- Le flux de chaque prompt et de chaque réponse
- Le moment des appels d’outils et leurs résultats
- La visualisation des erreurs et des chemins d’exécution
- Indispensables en production pour mesurer les performances, déboguer les erreurs et améliorer le système de façon itérative
Aucun commentaire pour le moment.