Frameworks et plateformes pour construire des agents IA

Qu’est-ce qu’un framework d’agents ?

Un agent IA est un programme qui s’appuie sur un modèle de langage (le « moteur » qui comprend et produit du texte) pour atteindre un objectif en plusieurs étapes : il planifie, appelle des outils, observe le résultat et décide de la suite. Ces outils peuvent être une recherche web, un tableur, une base de données ou une API, c’est-à-dire une porte d’entrée qui permet à un logiciel d’en interroger un autre.

Un framework d’agents fournit la charpente de ce fonctionnement : la boucle de raisonnement, la mémoire, la connexion aux outils, la reprise en cas d’erreur et, souvent, le suivi de ce que fait l’agent. Vous pourriez tout coder vous-même à partir de l’API d’un modèle. C’est formateur, mais vous réécririez vite ce que d’autres ont déjà éprouvé. Un framework vous fait gagner du temps, en échange de ses conventions et de ses choix techniques.

L’explorateur ci-dessus réunit des bibliothèques de code et des plateformes visuelles. Les étoiles GitHub, la licence et la date de dernière version proviennent de GitHub et sont actualisées à chaque reconstruction hebdomadaire du site.

Les grandes familles

Les bibliothèques de code

Elles s’adressent aux développeurs, le plus souvent en Python ou en TypeScript.

• LangGraph décrit un agent comme un graphe d’étapes. Il convient quand vous voulez contrôler précisément le déroulé et prévoir des points de validation humaine.
• CrewAI organise plusieurs agents en « équipe », chacun avec un rôle et des tâches.
• AutoGen, issu de Microsoft Research, mettait l’accent sur la conversation entre plusieurs agents ; le projet est désormais archivé et n’est plus maintenu. Microsoft oriente vers Microsoft Agent Framework, qui succède aussi à Semantic Kernel.
• LlamaIndex est né autour de la connexion des modèles à vos documents (la recherche augmentée, ou RAG) et propose aussi des agents.
• Pydantic AI mise sur des réponses structurées et validées, appréciées quand un agent doit alimenter d’autres logiciels.
• Les SDK d’agents des fabricants (kits de développement publiés par les entreprises qui créent les modèles) offrent une intégration étroite avec leurs propres modèles, parfois au prix d’une moindre portabilité vers d’autres modèles.

Les plateformes no-code et d’automatisation

Elles permettent d’assembler un agent visuellement, en reliant des blocs.

• n8n, Make et Zapier viennent de l’automatisation de tâches (« quand un e-mail arrive, faire ceci ») et ont ajouté des étapes d’IA et des agents.
• Dify a été pensé dès le départ pour les applications à base de modèles de langage : enchaînements de prompts, bases de connaissances, agents. Flowise, de la même famille, est en fin de vie : son équipe a gelé le développement en juillet 2026.

Certaines de ces plateformes peuvent être auto-hébergées, c’est-à-dire installées sur votre propre serveur ; d’autres ne sont proposées qu’en service en ligne. La frontière entre les familles reste poreuse : plusieurs outils visuels acceptent des blocs de code, et certaines bibliothèques proposent une interface graphique.

Les critères qui comptent vraiment

• Langage : choisissez celui que vous ou votre équipe maîtrisez déjà. Un framework brillant dans un langage inconnu ralentit plus qu’il n’aide.
• Maturité : la date de dernière version indique si le projet est entretenu. Un projet jeune évolue vite et peut changer son fonctionnement d’une version à l’autre.
• Licence : une licence open source permissive comme MIT ou Apache autorise un large usage commercial ; d’autres licences imposent des conditions, notamment pour revendre l’outil en tant que service. Lisez-la avant de bâtir un produit dessus.
• Communauté : les étoiles GitHub signalent la popularité, pas la qualité. Regardez aussi la documentation, les exemples et la réactivité face aux problèmes signalés.
• Hébergement : pouvez-vous tout faire tourner chez vous, ou dépendez-vous d’un service tiers ? La question devient centrale si vous traitez des données personnelles ou confidentielles.
• Observabilité : c’est la capacité à voir ce que fait l’agent étape par étape (traces, journaux, coûts). Sans elle, comprendre pourquoi un agent s’est trompé relève de la devinette.

Le protocole MCP, expliqué simplement

MCP (Model Context Protocol) est un standard ouvert, proposé par Anthropic, pour brancher un agent sur des outils et des sources de données. Imaginez une prise universelle : au lieu d’écrire un connecteur différent pour chaque couple « agent + outil », l’outil expose un serveur MCP, et tout agent compatible sait l’utiliser.

Pour vous, l’intérêt est double : vous réutilisez des connecteurs existants, et vous pouvez changer de framework sans tout recoder. Vérifiez la prise en charge de MCP dans la documentation de chaque outil. Gardez aussi en tête qu’un serveur MCP donne à l’agent un accès réel à vos fichiers ou à vos comptes : n’installez que des serveurs de confiance et limitez les droits accordés.

Conseils pour un premier projet

1. Partez d’une tâche précise et répétitive, dont vous savez juger le résultat : trier des e-mails, résumer des documents, préparer un brouillon de réponse.
2. Commencez simple : un seul agent, peu d’outils. Les systèmes à plusieurs agents ajoutent de la complexité qui ne se justifie qu’une fois la base solide.
3. Estimez le coût avant de lancer : chaque étape consomme des tokens, les unités de texte facturées par les fournisseurs de modèles. Le calculateur de coût d’un agent vous aide à anticiper.
4. Gardez un humain dans la boucle pour les actions irréversibles comme un envoi, un paiement ou une suppression. L’outil Puis-je confier ça à un agent ? vous aide à évaluer le risque.
5. Préparez quelques cas de test et rejouez-les à chaque modification pour vérifier que l’agent ne régresse pas.

Pour structurer votre apprentissage, suivez le parcours Construire. Pour suivre les nouveautés de la recherche et des outils, consultez le radar de la semaine, et gardez le glossaire de l’IA à portée de main si un terme vous échappe.