Frameworks d'agents IA : repères d'usage

Un framework d’agent n’est pas une intelligence de plus. C’est la boucle autour du modèle : ce qu’il voit, les outils qu’il peut appeler, l’endroit où l’état est gardé, et qui décide d’arrêter. Deux bibliothèques peuvent appeler le même modèle et produire des trajectoires très différentes.

Cette page n’est pas un classement. L’ordre suit la forme du problème, pas une note. Chaque entrée a un public, une limite, et un lien officiel ouvert le 2026-10-18. Prix : non relevé. Aucun framework n’a été installé ni exécuté pour écrire ces lignes. Les slogans des pages marketing (« leading », « production-ready », volumes de développeurs certifiés) ne sont pas repris.

LangChain figure ici comme un framework parmi d’autres, pas comme un centre dont il faudrait lister des remplaçants. Un duel LangGraph, CrewAI et Agents SDK n’est pas refait sur cette page.

LangChain

LangChain convient quand la boucle doit rester configurable, avec une interface de modèle commune, sans écrire le graphe à la main. La vue d’ensemble décrit create_agent comme un harness minimal : prompt, outils, et middleware pour ajouter garde-fous, retries ou politique d’outils. Les agents LangChain sont construits sur LangGraph, ce qui apporte, selon cette page, l’exécution durable, l’humain dans la boucle et la persistance, sans obliger à apprendre LangGraph.

La limite est dans le découpage que la même page affiche. LangChain n’est ni le runtime bas niveau, ni le harness « piles incluses », ni l’outil de traces. Si vous avez besoin du graphe, de la compression de contexte ou de LangSmith, vous changez de produit, parfois de compte. Cette page ne dit pas quelle version installer, et elle ne prouve pas qu’un middleware règle un mauvais outil.

Deep Agents

Deep Agents vise les tâches longues où le modèle doit lire des fichiers, déléguer, et ne pas noyer sa fenêtre de contexte. La vue d’ensemble le présente comme un harness au-dessus des agents LangChain et du runtime LangGraph : système de fichiers virtuel, sous-agents, résumé, approbation humaine. La planification par liste de tâches est optionnelle.

La limite est la surface. Les outils de fichiers sont là par construction. La doc distingue des règles de permission sur ces outils et les backends sandbox, où une commande shell échappe à ces règles. Un agent qui peut exécuter du code n’est pas un agent de chat avec un nom plus sérieux. Les droits se règlent dans le guide des permissions, pas dans le choix du paquet.

LangGraph

Ouvrez LangGraph quand il faut mélanger des étapes écrites à la main et des étapes laissées au modèle, et reprendre après un arrêt. La vue d’ensemble le décrit comme un framework d’orchestration bas niveau : exécution durable, streaming, humain dans la boucle, persistance. On peut l’utiliser sans LangChain. La page renvoie vers LangChain si vous débutez et voulez une boucle déjà dessinée.

La limite est assumée par l’éditeur : LangGraph n’abstrait ni les prompts ni l’architecture. Le déploiement et les traces passent par d’autres pages LangSmith. Un graphe lisible ne corrige pas un outil trop large. Si les étapes sont déjà connues, autant les écrire. Un agent n’est pas une excuse pour ne pas nommer le prochain nœud.

OpenAI Agents SDK

Un développeur Python qui veut des agents, des délégations et des garde-fous, sans inventer une syntaxe d’orchestration, part de l’Agents SDK. La documentation le présente comme le successeur de Swarm : peu de primitives, boucle intégrée, outils fonction, MCP, sessions, humain dans la boucle, traces. Le SDK parle par défaut à l’API Responses pour les modèles OpenAI, et la page dit qu’il peut aussi appeler d’autres fournisseurs.

La même page dit quand ne pas le prendre. Si vous voulez posséder la boucle, l’envoi des outils et l’état, l’API Responses directe suffit, surtout pour un échange court. Le SDK devient utile quand le runtime doit enchaîner les tours, les handoffs ou une session. Les agents sandbox et temps réel sont d’autres surfaces, pas un détail du hello world. Aucune clé n’a été posée ici pour le vérifier.

CrewAI

CrewAI découpe le travail en deux objets : un processus événementiel, et une équipe d’agents à rôles. L’introduction distingue les Flows, qui tiennent l’état et le contrôle, et les Crews, qui collaborent sur une tâche déléguée. Pour une application qu’elle appelle prête pour la production, la page dit de commencer par un Flow, puis d’appeler un Crew seulement quand une étape a besoin d’autonomie.

C’est la limite utile, une fois retirés les superlatifs de la page. Un Crew n’est pas un organigramme magique. Des rôles qui se parlent ajoutent des tours, des outils, et des occasions de sortir du périmètre. La doc ne mesure pas ce surcoût. Si le besoin est plutôt « un formulaire déclenche trois services », ce n’est pas un framework d’agents : c’est le sujet du comparatif n8n, Make et Zapier, qui ne recopie pas cette fiche.

Agent Development Kit

L’ADK garde le même modèle d’agent en plusieurs langages, avec un chemin vers l’infra Google sans y être enfermé. Le site du projet annonce Python, TypeScript, Go, Java et Kotlin. On part d’un agent, d’une instruction et d’outils, puis la doc décrit l’orchestration multi-agents, des graphes, l’évaluation, et un déploiement vers Agent Runtime, Cloud Run ou GKE, ou vers votre propre conteneur. La page dit que Gemini est le chemin simple, et que des adaptateurs existent pour d’autres modèles, y compris en local.

La limite est le mélange entre le framework ouvert et le cloud qui l’héberge. « Déployer n’importe où » ne veut pas dire que l’auth, les traces et les quotas sont les mêmes hors de Google Cloud. Le quickstart cloud, sur une autre URL, n’a pas été rejoué. Un google_search dans l’exemple n’est pas une politique de données.

Pydantic AI

Pydantic AI mise sur un agent typé de bout en bout, et sur un changement de modèle par une chaîne plutôt que par une réécriture. La vue d’ensemble décrit une boucle extensible, des sorties structurées, des outils typés, et un paquet séparé, Pydantic AI Harness, pour la mémoire, les sous-agents, la planification et un agent de code. Le cœur et le harness ne s’installent pas ensemble. Logfire, la passerelle de modèles et les evals sont d’autres pièces.

La limite est cette séparation, facile à rater sur une page qui montre les deux. Copier l’exemple du harness sans le second paquet ne donne pas les fichiers ni le shell. La page cite aussi des identifiants de modèles dans ses extraits : ce guide ne les traite pas comme une disponibilité vérifiée. Le typage déplace des erreurs vers l’écriture. Il ne décide pas si l’outil a le droit d’écrire.

smolagents

smolagents reste volontairement court. Souvent, l’action de l’agent est du Python, pas un JSON d’appel d’outil. L’index présente CodeAgent et ToolCallingAgent, des modèles via le Hub, LiteLLM ou un modèle local, et des outils venus d’un serveur MCP, de LangChain ou d’un Space. Pour le code, la page documente une exécution sandboxée via Modal, Blaxel, E2B ou Docker.

La référence des agents ajoute une limite que l’index ne crie pas : l’API est expérimentale et peut changer, et les résultats bougent avec les API et les modèles. Charger un agent depuis le Hub exécute du code distant. La doc demande de l’inspecter avant, comme un paquet installé, et le drapeau de confiance n’est pas une revue. Vingt pas par défaut, ce n’est pas une borne de sécurité. Le choix d’un serveur MCP, lui, est traité dans le guide déjà publié, sans que cette page en reprenne la grille.

Microsoft Agent Framework

Le Microsoft Agent Framework reprend le fil d’AutoGen et de Semantic Kernel, ou sert quand le workflow doit être explicite plutôt qu’une conversation ouverte. La vue d’ensemble le présente comme le successeur des deux, par les mêmes équipes : agents, harness pour les tâches longues, workflows en graphe, intégrations. Python, .NET et Go apparaissent dans les extraits. La page dit une chose simple : si une fonction suffit, écrivez la fonction.

La limite est écrite en encadré. Utiliser des serveurs, agents ou modèles hors du périmètre Azure se fait à vos risques, sous les conditions de ces tiers. Le framework ne charge pas un fichier d’environnement tout seul. Les guides de migration existent. Ils n’ont pas été rejoués ici, et cette page ne promet pas qu’un projet AutoGen se transporte sans reste.

Claude Agent SDK

Le Claude Agent SDK reprend la boucle, les outils et la gestion de contexte de Claude Code, en bibliothèque Python ou TypeScript, plutôt que dans un terminal interactif. La vue d’ensemble liste fichiers, commandes, hooks, sous-agents, MCP, permissions, sessions, skills et plugins. Elle distingue ce SDK du CLI, du SDK client qui vous laisse écrire la boucle, et de Managed Agents, produit hébergé séparé. Hors Python et TypeScript, la page renvoie vers le CLI en sous-processus.

La limite est la largeur des outils. Lire, écrire et exécuter, c’est le produit, pas un module qu’on oublie d’activer. Les permissions existent dans la doc. Elles ne sont pas une configuration par défaut étroite. Anthropic interdit, sur cette page, d’offrir la connexion claude.ai ou ses limites de débit dans un produit tiers, et interdit d’appeler le résultat « Claude Code ». Le détail des droits reste dans le guide du moindre privilège.

LlamaIndex

LlamaIndex commence par les documents : connecteurs, index, questions, et seulement ensuite un agent qui utilise ces pipelines comme outils. La documentation Python décrit des agents, des workflows événementiels, et un déploiement de ces workflows en microservices. Le démarrage en quelques lignes suppose une clé OpenAI et un dossier local. LlamaCloud, LlamaParse et LlamaExtract sont des services gérés à part.

La limite : la page d’accueil vend aussi le parsing et le cloud. Ce guide ne reprend ni les crédits, ni les superlatifs. Un index qui répond à côté n’est pas réparé en ajoutant un deuxième agent. Si vous n’avez pas de corpus, un autre framework de cette page est probablement le bon problème.

Ce que cette page laisse ailleurs

Les connecteurs ne se choisissent pas en changeant de framework. Un serveur MCP utile pour une doc locale peut être excessif sur une base ou des fichiers personnels : c’est le sujet du guide des serveurs MCP. Les approbations, la révocation et les tests de refus sont dans le guide des permissions. Un scénario Gmail ou Slack sans boucle d’agent relève du comparatif d’automatisation.

Aucune de ces trois pages n’est recopiée ici. Aucun prix n’a été relevé le 2026-10-18. Si une doc a bougé depuis, le lien ci-dessus est l’endroit où revoir le public et la limite, pas une archive figée.