Agent IA : 8 frameworks pour passer en production en 2026

Pour votre agent IA, choisissez LangGraph si le workflow doit conserver son état, CrewAI si le travail appelle une véritable équipe d’agents spécialisés, Mastra pour intégrer un agent à une application TypeScript, et OpenAI Agents SDK pour une boucle d’agent compacte pilotée par votre application. Pour départager ces 8 frameworks, la question décisive est de savoir qui gère l’état, les validations et la reprise après incident.

Les frameworks d’agents IA open source vous épargnent un abonnement à la bibliothèque. Restent à payer les appels aux modèles, l’hébergement, le stockage et l’exploitation. La documentation, les licences des dépôts et les pages tarifaires des éditeurs citées ci-dessous ont été vérifiées le 7 octobre 2026.

Claude Agent SDK mérite une décision à part : il intègre à votre application l’environnement d’exécution de Claude Code et ses outils. Pydantic AI convient aux services Python typés ; Vercel AI SDK, aux interfaces web avec streaming ; Google ADK, aux systèmes d’agents orientés Google. Une simple boucle construite avec le SDK client du fournisseur reste pertinente si aucune de ces briques supplémentaires ne répond à un besoin concret.

Agent IA : le comparatif des frameworks en un coup d’œil

La colonne consacrée à l’hébergement décrit les offres que vous pouvez acheter auprès de l’éditeur. Un service d’observabilité hébergé enregistre les exécutions ; un environnement d’exécution hébergé les fait tourner. Ce sont deux achats différents, même lorsqu’ils accompagnent une bibliothèque gratuite.

Le critère décisif change dès que le travail doit se poursuivre au-delà de la requête qui l’a lancé. Si un opérateur peut valider une action demain, ou si un processus de traitement peut s’arrêter après une écriture, examinez la persistance et la reprise avant l’interface de chat. MCP, le Model Context Protocol qui expose des outils et des ressources aux agents, ne garantit pas à lui seul cette reprise.

Sur quels critères avons-nous retenu ces frameworks d’agents IA ?

Ces recommandations comparent l’architecture documentée, le périmètre des licences et les tarifs actuels. Elles ne reposent pas sur des mesures de performance obtenues en exécutant les frameworks.

La sélection s’articule autour de six questions :

• Mode d’exécution : votre code définit-il la séquence, le modèle choisit-il le prochain outil, ou des spécialistes se délèguent-ils le travail ?
• Responsabilité de l’état : que conserve-t-on : les messages, la position dans le workflow, la mémoire partagée, les décisions en attente ou l’ensemble ?
• Reprise : que se passe-t-il si le processus redémarre, si un outil dépasse son délai ou si l’utilisateur revient plus tard ?
• Périmètre des outils : pouvez-vous exposer des fonctions applicatives ciblées et les serveurs MCP dont vous avez besoin ?
• Validation humaine : une personne peut-elle examiner l’action proposée avant son exécution, puis faire reprendre le travail correctement après sa décision ?
• Coût d’exploitation et licence : quelles fonctionnalités relèvent du cœur gratuit, lesquelles nécessitent un accord commercial, et que mesure le service hébergé pour sa facturation ?

Les huit sections suivent des cas d’usage concrets en production. LangGraph est la recommandation par défaut pour le workflow avec état visé ici ; cela ne le rend pas supérieur à une boucle plus simple dans tous les cas. Un produit TypeScript qui se contente essentiellement de diffuser des réponses en streaming n’a pas à adopter un moteur de graphes pour suivre cette recommandation.

Les constructeurs no-code hébergés et les produits d’observabilité ne font pas partie des frameworks sélectionnés. Logfire apparaît comme un achat facultatif associé à Pydantic AI, pas comme un neuvième framework. Des écosystèmes spécialisés absents de cette sélection peuvent convenir à une stack existante ; les ajouter sans analyser de la même façon l’état, les validations et les prix compliquerait le choix.

Orchestration d’agents IA : qui conserve l’état et les validations ?

L’état utile, c’est l’information dont un autre processus de traitement a besoin pour poursuivre correctement la même tâche métier. Un framework d’orchestration coordonne les étapes, mais vous devez encore déterminer quels enregistrements rendent cette continuité fiable.

Prenons un assistant de remboursement. Son historique conserve la conversation et la consultation des règles. Sa position indique que l’éligibilité a été vérifiée et que le remboursement reste en attente. Son enregistrement de validation précise le montant et l’action approuvés par un responsable. Son reçu indique si le système de paiement a accepté l’opération.

Ces enregistrements répondent à des questions différentes. Une conversation contenant « remboursement approuvé » ne prouve pas qu’un responsable a validé le montant actuel. Un point de sauvegarde du workflow indiquant « appel terminé » ne remplace pas le reçu du système de paiement. Ce reçu doit aussi être associé à un identifiant d’opération stable, afin qu’une nouvelle tentative reconnaisse la même écriture prévue.

Pour un assistant de recherche en lecture seule, conserver l’historique peut suffire. Pour une procédure d’intégration qui attend des documents, sauvegarder la position d’exécution devient utile. Pour un remboursement ou une modification de compte, la validation et le reçu externe doivent faire partie de la conception avant le lancement.

C’est aussi là qu’il faut examiner les promesses de validation humaine. Un prompt demandant au modèle d’être prudent est une consigne. Un verrou d’outil qui attend une décision avant d’exécuter est un contrôle. Un écran de validation devient utile en exploitation s’il affiche les arguments exacts, authentifie la personne qui décide, conserve sa décision et permet la reprise après un redémarrage.

Le SDK peut exposer la pause ou la demande de validation. Votre produit reste responsable de l’autorité de la personne qui approuve et de la validité de l’action. Si le montant demandé change après validation, la décision précédente ne doit pas autoriser silencieusement le nouveau montant. Traitez cette règle comme un contrat applicatif, quel que soit le framework retenu.

Quel framework d’agent IA choisir selon le travail à accomplir ?

1. LangGraph : pour les workflows à plusieurs étapes avec état persistant

LangGraph est le meilleur point de départ lorsque votre agent constitue un workflow dont la position d’exécution compte. Ce moteur de graphes de bas niveau vous laisse définir les nœuds, le travail de chacun et les transitions entre eux. Certains nœuds peuvent exécuter du code classique ; d’autres peuvent demander à un modèle de choisir la suite. Les composants LangChain sont facultatifs : adopter LangGraph n’impose donc pas de placer chaque opération de l’application derrière une abstraction supplémentaire.

Langages et licence : Python et TypeScript/JavaScript ; cœur sous licence MIT.
Usage privilégié : dossier, procédure d’intégration ou workflow de recherche avec embranchements, pauses et reprises.
Point fort : état explicite du workflow, points de sauvegarde par fil d’exécution et stockage distinct partagé entre les fils.
Tarifs : bibliothèque de base gratuite. LangSmith Developer coûte $0/utilisateur/mois ; Plus, $39/utilisateur/mois ; Enterprise est sur devis. Chaque offre hébergée possède ses propres règles de consommation.
Essai gratuit : Developer est une offre gratuite sans limite de durée ; l’accès au déploiement payant commence avec Plus.

Pour un fondateur au profil technique qui construit une procédure d’intégration de fournisseurs, l’unité utile est le dossier fournisseur. Un nœud d’extraction documentaire peut proposer des champs ; du code déterministe peut les valider ; un agent peut demander les pièces manquantes ; une personne peut approuver le dossier final. Le graphe permet à l’opérateur de repérer la transition en attente, au lieu de déduire l’avancement d’une conversation.

État : les mécanismes de sauvegarde, ou checkpointers, conservent l’état du graphe pour un fil d’exécution. Les stores stockent les informations définies par l’application et partagées entre les fils, comme le profil stable d’un fournisseur. Un checkpointer en mémoire perd son contenu au redémarrage du processus : en production, il faut donc un stockage persistant. Gardez les pièces volumineuses en dehors du point de sauvegarde et n’y stockez que leurs références. Sinon, un enregistrement de contrôle compact devient une copie toujours plus lourde de tous les fichiers produits. La documentation sur la persistance de LangGraph détaille ces distinctions.

Outils, MCP et validation humaine : les nœuds peuvent appeler votre propre code applicatif. Les adaptateurs MCP de LangChain exposent au graphe des outils locaux via stdio ou distants via Streamable HTTP. Dans LangGraph, interrupt() met l’exécution en pause ; l’appelant transmet ensuite une décision avec Command(resume=...). Le point essentiel : à la reprise, le nœud interrompu recommence depuis son début. Une écriture externe placée avant la pause peut donc être exécutée à nouveau. Le guide des interruptions précise ce comportement.

La difficulté tient au travail qui vous revient autour d’un moteur de bas niveau : schémas d’état, conservation des points de sauvegarde, déploiement des processus de traitement, évolution des graphes et règles de reprise. L’exécution durable est une capacité à configurer et à intégrer à la conception. Elle ne garantit pas qu’un paiement ou un e-mail ne sera exécuté qu’une seule fois, indépendamment de l’implémentation de vos outils.

Coûts hébergés, vérifiés le 7 octobre 2026 : Developer comprend un utilisateur et 5k traces de base/mois. Plus inclut 10k traces de base/mois pour l’ensemble de l’organisation et un déploiement Serverless Small gratuit. Les déploiements serverless ou dédiés supplémentaires consomment des ressources ; l’éditeur recommande les déploiements dédiés pour les agents destinés aux clients. Enterprise propose des tarifs sur devis et des options auto-hébergées ou hybrides. L’unité actuelle est le LSU, à $1.00/LSU. Les unités de consommation publiées comprennent le calcul du runtime à 0.0675 LSU/vCPU-heure, sa mémoire à 0.0090 LSU/GiB-heure, le calcul de la base de données à 0.177 LSU/vCPU-heure et sa mémoire à 0.025 LSU/GiB-heure. La page des tarifs LangSmith est la source de ces offres et de ces unités.

Commencez par ce petit exercice de conception, avant de brancher un outil capable d’écrire :

1. 1

   Donner une identité durable à la tâche

   Utilisez un identifiant de fil par dossier fournisseur, demande client ou autre résultat à obtenir. Réutilisez-le à la reprise ; ne créez pas un nouveau fil simplement parce que le processus de traitement a changé.

2. 2

   Séparer les décisions des fichiers produits

   Conservez l’étape actuelle, les références des pièces, l’action proposée et son statut de validation dans le contrat d’état. Stockez les documents et les sorties volumineuses séparément.

3. 3

   Configurer les sauvegardes persistantes

   Remplacez le mécanisme en mémoire avant que le pilote n’exige une reprise après redémarrage. Définissez la conservation et rendez le même fil accessible à un processus de remplacement.

4. 4

   Mettre en pause avant l’écriture

   Utilisez une interruption pour présenter l’action proposée. Après validation, appelez un outil applicatif ciblé avec un identifiant d’opération stable, puis sauvegardez son résultat.

5. 5

   Tester la reprise

   Redémarrez le processus pendant un appel au modèle, pendant l’attente d’une validation et après l’écriture externe. Vérifiez que la tâche se poursuit sans dupliquer l’action prévue.

Verdict : choisissez LangGraph lorsque la position sauvegardée du workflow et la reprise sont des exigences du produit. Passez votre chemin si la tâche est une requête courte que votre application existante peut terminer et relancer proprement.

2. CrewAI : pour une véritable équipe d’agents spécialisés

CrewAI convient aux tâches qui mobilisent des spécialistes aux rôles distincts et des transmissions de travail. Son abstraction Python regroupe les agents en Crews, avec des rôles, des objectifs et des tâches ; les Flows fournissent le processus événementiel qui les entoure. En production, le schéma utile consiste à confier à une Crew une collaboration bien délimitée, puis à laisser un Flow piloter les étapes autour.

Langage et licence : Python ; MIT.
Usage privilégié : recherche, analyse et rédaction avec des responsabilités ou des accès aux outils différents.
Point fort : collaboration par rôles au sein de Flows structurés.
Tarifs : bibliothèque open source gratuite. L’offre hébergée Basic est gratuite avec 50 exécutions de workflow/mois ; Enterprise est sur devis.
Essai gratuit : Basic est une offre gratuite. Enterprise permet de demander un essai ; la page tarifaire n’en publie pas la durée.

Un fondateur qui prépare des fiches de compte peut donner les sources à un agent de recherche, confier à un analyste l’identification des signaux d’achat pertinents et charger un rédacteur de la fiche finale. Ces rôles se justifient lorsque leurs données d’entrée, leurs permissions ou leurs critères d’acceptation diffèrent. Donner trois biographies et les mêmes outils au même modèle ne crée pas, à lui seul, trois spécialistes utiles.

État : l’état d’un Flow peut être un dictionnaire ou un modèle Pydantic, un schéma Python qui valide les champs attendus. Le mécanisme @persist sauvegarde des instantanés d’état ; SQLite est le stockage de persistance par défaut, et une implémentation personnalisée est possible. L’état conservé peut être restauré sous une identité existante ou servir de point de départ à une autre exécution. Séparez le statut du Flow des faits mémorisés par un agent : « la fiche attend une validation » est un état du processus ; « ce compte vend aux hôpitaux » est une connaissance. La documentation CrewAI Flows décrit ces contrôles et les retours humains.

Outils et MCP : la prise en charge actuelle de MCP permet de configurer les agents avec mcps, via les transports stdio local, HTTP et SSE, ainsi que par un adaptateur. Le filtrage des outils compte davantage que le nombre d’intégrations ajoutées. Un agent de recherche doit recevoir des outils de consultation ; un agent qui rédige une fiche ne doit pas obtenir le droit de modifier le compte client simplement parce que le même serveur MCP expose les deux opérations.

Validation humaine : les retours humains d’un Flow peuvent suspendre le travail pour demander une approbation ou une révision. Des fournisseurs de retours asynchrones personnalisés permettent au produit de recueillir une décision hors du processus interactif d’origine. Formalisez le résultat de l’examen comme une décision métier explicite, en enregistrant le document proposé et la personne qui décide. Un rôle de « relecteur » dans la Crew reste un modèle ; ce n’est pas le contrôle humain sur lequel l’opérateur doit pouvoir compter.

La difficulté apparaît lorsque la collaboration s’étend plus vite que les contrats de tâche. Si l’agent de recherche change le format de ses sources, l’analyste peut les interpréter différemment sans le signaler, puis le rédacteur transformer cet écart en un document final très assuré. Imposez une transmission structurée des éléments probants et une règle d’acceptation concrète à chaque étape. Gardez les écritures finales à l’écart des échanges libres entre agents.

Coûts hébergés, vérifiés le 7 octobre 2026 : la page tarifaire de CrewAI affiche Basic gratuit, avec un éditeur visuel, un copilote IA, une intégration GitHub et 50 exécutions de workflow/mois. Enterprise est sur devis et propose des fonctions de gouvernance, ainsi qu’un déploiement sur CrewAI Cloud, dans votre VPC ou sur votre infrastructure. Aucun palier intermédiaire à prix fixe ni tarif de dépassement par exécution n’est publié. Une charge exigeant 51 exécutions hébergées dépasse le quota Basic affiché : elle nécessite une discussion commerciale ou un autre mode de déploiement. La facture des modèles et de l’infrastructure de la bibliothèque open source reste distincte.

Verdict : choisissez CrewAI lorsque le travail exige des responsabilités spécialisées. Pour un processus fixe de validation et d’approbation, laissez le Flow piloter et ne gardez que les rôles d’agents dont les appels au modèle apportent une valeur réelle.

3. OpenAI Agents SDK : pour une boucle d’agent pilotée par l’application

OpenAI Agents SDK convient lorsque votre application doit garder la main sur le déploiement et les données, tandis qu’un moteur léger gère les appels au modèle, les outils et les délégations. La définition d’un agent regroupe ses consignes et ses capacités disponibles ; le moteur poursuit l’exécution jusqu’à une réponse finale, une délégation ou une pause. C’est un périmètre utile pour un produit qui dispose déjà d’un backend, d’une authentification et d’un stockage.

Langages et licence : Python et TypeScript ; SDK open source sous licence MIT.
Usage privilégié : application orientée OpenAI nécessitant une boucle d’outils, des délégations entre spécialistes et des contrôles de validation.
Point fort : moteur compact avec outils gérés par le SDK et traçage intégré.
Tarifs : aucun palier payant par utilisateur pour le SDK. Les appels aux modèles et les outils hébergés concernés sont facturés à l’usage ; les coûts de votre environnement d’exécution restent distincts.
Essai gratuit : aucun abonnement au SDK à essayer ; ne présumez pas que l’utilisation de l’API est gratuite.

Imaginez un agent d’assistance aux comptes dans un produit SaaS existant. Votre backend connaît déjà le compte et les droits de l’utilisateur connecté. L’agent peut consulter le contexte du compte, demander une précision manquante et appeler un outil ciblé de demande de résiliation. L’abstraction utile est une boucle contrôlée autour de ces opérations, plutôt qu’une seconde plateforme qui cherche à remplacer la base de données de votre application.

État : la documentation officielle propose un historique local à rejouer, des sessions du SDK adossées à votre stockage, un identifiant de Conversations API ou une continuité entre réponses au moyen de l’identifiant de la réponse précédente. Choisissez une stratégie cohérente. Charger tout l’historique local tout en demandant à l’API de poursuivre la même conversation stockée peut dupliquer le contexte. Un enregistrement de conversation ne conserve pas non plus automatiquement le cycle de vie d’une opération de facturation distincte : gardez cette information dans votre application.

Outils, MCP et validation humaine : le SDK prend en charge les fonctions exposées comme outils, les outils hébergés et MCP, notamment les serveurs locaux/privés gérés par le SDK via stdio ou Streamable HTTP. Les interruptions pour validation renvoient un état permettant la reprise. Votre application peut approuver ou refuser l’appel proposé, sérialiser cet état pour un examen différé et reprendre la même exécution. Les garde-fous sont des contrôles automatisés ; la validation humaine constitue une décision distincte. Dans le guide officiel de validation humaine, les garde-fous d’entrée s’appliquent au premier agent et ceux de sortie à l’agent qui produit la réponse finale. Placez les contrôles au plus près de l’outil qui crée l’effet externe.

La difficulté reste l’orchestration que vous exploitez vous-même. Il vous faut un adaptateur de stockage, un cycle de vie des tâches, une interface de validation et un moyen de reprendre sur un autre processus de traitement. Pouvoir renvoyer une exécution reprenable ne signifie pas que le SDK prend en charge le journal de vos transactions métier. Cette répartition est intéressante si ces systèmes existent déjà ; elle demande davantage de travail si vous attendiez un service d’agents entièrement hébergé.

Coûts, vérifiés le 7 octobre 2026 : pour illustrer la facture du modèle, la page tarifaire d’OpenAI affiche, pour gpt-6.1-sol en mode Standard à contexte court, $2.00 par 1M tokens d’entrée et $10.00 par 1M tokens de sortie. Une tâche hypothétique achevée qui consomme au total 20,000 tokens d’entrée non mis en cache et 2,000 tokens de sortie sur tous ses appels coûte $0.06 en utilisation du modèle. À 5,000 tâches/mois, cela représente $300 avant les outils, l’hébergement, le stockage ou l’observabilité. C’est un exemple arithmétique, pas une mesure de charge réelle d’un agent ; d’autres contextes, modes et usages du cache ont des tarifs différents.

OpenAI propose aussi une Agents API distincte qui exécute un environnement Codex géré. Ce n’est pas une offre d’hébergement pour n’importe quel code utilisant Agents SDK. Comptabilisez les frais de modèle, d’outils, de sandbox et de services tiers de cette voie gérée, plutôt que de lui attribuer un forfait mensuel fictif. Le comparatif OpenAI Agents API ou Agents SDK développe cette distinction.

Verdict : choisissez ce SDK si votre backend doit piloter le système et si son moteur vous épargne la mécanique de boucle que vous auriez autrement à maintenir. Une fois cette responsabilité clarifiée, commencez par le guide pour créer un agent IA.

4. Claude Agent SDK : pour les agents qui travaillent sur des fichiers et exécutent des commandes

Claude Agent SDK est le choix pertinent lorsque l’agent doit manipuler des fichiers, des commandes et du code avec l’environnement d’exécution de Claude Code. Il intègre cet environnement à un processus Python ou TypeScript que vous exploitez. La décision engage donc bien davantage que l’installation d’une bibliothèque cliente pour envoyer un prompt à Claude.

Langages et licence : Python et TypeScript. Le fichier LICENSE du wrapper Python est sous licence MIT ; la documentation du SDK d’Anthropic indique que son utilisation relève des Commercial Terms, sauf pour les composants soumis à une licence distincte.
Usage privilégié : assistant de dépôt, processus de traitement de fichiers ou agent de programmation nécessitant un environnement prêt à l’emploi avec des outils.
Point fort : outils intégrés pour les fichiers et les commandes, gestion du contexte, sessions, hooks et sous-agents.
Tarifs : aucun abonnement distinct au SDK ; l’utilisation de l’API est mesurée. L’offre séparée Claude Managed Agents ajoute $0.08 par heure de session en cours d’exécution aux tokens du modèle.
Essai gratuit : aucun essai d’abonnement au SDK n’est nécessaire. L’accès au modèle et l’utilisation du runtime hébergé ont leur propre facturation.

Pour un développeur qui construit un service de maintenance de dépôts, le runtime intégré peut lire l’arborescence, examiner les fichiers pertinents et exécuter des commandes. Pour un chatbot d’assistance qui consulte un compte et renvoie un brouillon, ce même périmètre d’exécution peut dépasser les besoins du produit. Retenez cet environnement parce que le travail en bénéficie, plutôt que parce que les deux produits utilisent Claude.

État : le SDK écrit automatiquement les sessions de conversation sur disque et permet leur continuation, leur reprise explicite et leur bifurcation. La documentation distingue la persistance de la conversation de celle du système de fichiers : reprendre un historique n’annule ni ne restaure les fichiers modifiés par l’agent. Déplacer le travail vers un autre hôte exige aussi les fichiers de session nécessaires, pas seulement un identifiant. L’opérateur doit définir une politique de stockage et d’espaces de travail qui maintient la cohérence entre les éléments probants et les fichiers de travail. La documentation sur les sessions du SDK Claude précise cette frontière.

Outils, MCP et validation humaine : les capacités intégrées comprennent la lecture, l’écriture et la modification de fichiers, l’exécution de commandes et la connexion d’outils MCP. Les règles et les modes de permission contrôlent l’exécution automatique ; canUseTool traite les appels qui atteignent le callback de validation du runtime. Une approbation automatique antérieure peut contourner ce callback. Utilisez un hook PreToolUse si un contrôle doit s’appliquer à chaque appel d’outil, et gardez les limites d’accès de l’environnement réel sous le contrôle de l’application. Ces mécanismes contrôlent le runtime ; ils ne remplacent pas l’isolation des espaces de travail clients.

La difficulté vient du couplage à un environnement d’exécution et au runtime Claude. Le SDK peut gérer sa conversation, mais votre produit doit fournir les espaces de travail, conserver les fichiers produits, gérer les identifiants d’accès et transmettre les demandes de validation. Si la tâche d’un client reprend dans un conteneur neuf dépourvu de ses fichiers, l’historique de session ne reconstruira pas le système de fichiers.

Coûts et conditions, vérifiés le 7 octobre 2026 : la présentation du SDK distingue explicitement l’Agent SDK intégré, le SDK client direct de Claude et Claude Managed Agents. Pour les produits commerciaux, elle oriente les développeurs vers une authentification par clé API ; l’abonnement claude.ai d’un utilisateur ne constitue pas un quota d’agents hébergés que vous pouvez présumer disponible pour vos clients. Le wrapper Python MIT ne fait pas de l’ensemble du runtime fourni un framework MIT indépendant du fournisseur.

La page tarifaire de Claude affiche pour Claude Sonnet 5.5 un tarif de base de $2/MTok en entrée et de $10/MTok en sortie, avec des ajustements distincts pour le cache et d’autres paramètres. Managed Agents facture les tokens du modèle au tarif standard, plus $0.08 par heure de session lorsque le statut est running ; les périodes d’inactivité, de replanification et après terminaison sont exclues. Une utilisation hypothétique de 100 heures de session en cours d’exécution ajoute $8 de runtime, avant les frais de modèle et d’outils. C’est un environnement hébergé distinct, avec un mode de déploiement différent de celui d’un Agent SDK exécuté par vos soins.

Verdict : choisissez-le pour les tâches qui nécessitent les capacités de l’environnement de Claude Code. Pour une simple boucle d’outils avec Claude, utilisez le SDK client du fournisseur et gardez les outils et l’état dans votre application.

5. Mastra : pour intégrer un agent à une application TypeScript

Mastra convient mieux lorsqu’un produit TypeScript a besoin de dépasser la réponse d’un modèle en streaming : agents, mémoire stockée, outils et workflows reprenables dans un même framework applicatif. Il fournit ces briques avec une interface de développement, Mastra Studio. Il occupe ainsi une place utile entre une petite boucle destinée au web et un moteur de workflow volontairement bas niveau.

Langage et licence : TypeScript. Le cœur et la majeure partie du dépôt sont sous Apache 2.0 ; le code des répertoires ee/ relève de la Mastra Enterprise License.
Usage privilégié : agent d’un SaaS TypeScript nécessitant une mémoire applicative et des étapes de workflow en arrière-plan.
Point fort : agents, mémoire, instantanés de workflow et prise en charge de MCP en client et serveur dans une même stack.
Tarifs : Platform Starter à $0/mois plus consommation ; Teams à $250/mois plus consommation ; Enterprise sur devis. L’offre auto-hébergée Free coûte $0/mois ; l’offre auto-hébergée Enterprise est sur devis.
Essai gratuit : Starter est une offre à $0 sans limite de durée, avec dépassements facturés, et non une exploitation gratuite illimitée.

Imaginez une application de customer success qui rassemble les éléments justifiant un renouvellement, rédige une recommandation et attend l’examen du responsable du compte. Le frontend et le backend sont déjà en TypeScript. Mastra peut décrire l’agent et le workflow qui l’entoure sans imposer un autre langage pour ce processus.

État : la mémoire d’un agent nécessite un fournisseur de stockage configuré. L’historique des messages, la mémoire de travail et la gestion du contexte sur la durée répondent à d’autres besoins que la position du workflow. La méthode suspend() capture un instantané d’exécution ; resume() fournit les données attendues et poursuit le travail suspendu. Ces instantanés survivent aux déploiements et aux redémarrages lorsqu’ils sont enregistrés via le fournisseur configuré. Le guide de suspension et de reprise est la lecture essentielle pour un workflow de validation, au-delà d’une démonstration de mémoire de chat.

Outils, MCP et validation humaine : MCPClient utilise des outils externes ; MCPServer peut exposer les agents, les outils et les workflows Mastra à d’autres clients. Les deux prennent en charge stdio et Streamable HTTP. Votre produit peut recevoir les événements d’approbation d’outils et de suspension ; un workflow peut attendre un examen, puis valider les données fournies à la reprise. Conservez une identité stable pour la proposition pendant cette pause. Le responsable qui approuve un projet d’action de renouvellement doit reprendre le travail sur la proposition enregistrée, pas sur une nouvelle version générée par le modèle.

La difficulté tient à l’écart entre des briques disponibles et une application configurée pour la production. Le stockage, l’isolation des clients, la conservation, l’authentification et les outils sûrs en cas de réexécution exigent encore une conception explicite. Examinez aussi le périmètre des licences avant de vous appuyer sur les contrôles Enterprise : la licence Apache du cœur ne couvre pas toutes les fonctionnalités ee/ aux mêmes conditions.

Coûts hébergés, vérifiés le 7 octobre 2026 : la page tarifaire de Mastra affiche pour Starter 100K événements d’observabilité, puis $10/100K ; 24 heures CPU, puis $0.35/heure ; et 15 jours de conservation. Teams coûte $250/mois avec 1M événements, puis $8/100K ; 250 heures CPU, puis $0.25/heure ; et six mois de conservation. Les deux offres affichent un nombre illimité d’utilisateurs, de déploiements et de projets. Enterprise est sur devis, avec volume, conservation et assistance négociés.

Un Persistent Server pour une disponibilité 24/7 est affiché à $100/projet sur Starter et Teams. La passerelle de modèles annonce le tarif du marché majoré de 5.5% ; la mémoire, la recherche d’informations, les bases de données et le trafic sortant ont des unités de facturation supplémentaires. L’offre auto-hébergée Free affiche un prix de framework de $0 ; l’offre auto-hébergée Enterprise sous licence est sur devis avec un forfait annuel fixe. Si vous hébergez vous-même, l’utilisation des modèles et de l’infrastructure reste à payer séparément.

Pour un mois hypothétique à 100 heures CPU et 300K événements, les dépassements de calcul et d’événements de Starter représentent $26.60 plus $20, soit $46.60 avant les autres consommations. Le forfait de $250 de Teams n’est pas automatiquement moins cher pour cette charge. Choisissez Teams pour les fonctionnalités et le profil de consommation qu’il modifie réellement ; ne passez pas à cette offre simplement parce que l’agent entre en production.

Verdict : choisissez Mastra si l’application a besoin à la fois du comportement d’un agent et d’une structure de workflow. Choisissez Vercel AI SDK si l’essentiel du travail consiste à fournir une interface web autour d’une boucle plus légère.

6. Google ADK : pour un système d’agents dans l’écosystème Google

Google ADK, l’Agent Development Kit, convient aux systèmes qui bénéficient des outils et du parcours de déploiement de Google tout en gardant leurs agents et leurs workflows définis dans le code. Il prend en charge Python, TypeScript, Go, Java et Kotlin. Le framework peut tourner sur votre infrastructure ; l’utiliser n’oblige pas à acheter un environnement d’exécution hébergé.

Langages et licence : Python, TypeScript, Go, Java et Kotlin ; cœur Apache 2.0, vérifié dans le dépôt Python.
Usage privilégié : système d’agents dont la stack d’exploitation existante est sur Google Cloud.
Point fort : services de session, état à périmètre défini, composition de workflows et voie de déploiement gérée.
Tarifs : framework gratuit. Agent Runtime est facturé à l’usage, avec du calcul standard à la demande à $0.085/vCPU-heure et de la RAM à $0.009/GiB-heure après leurs quotas gratuits.
Essai gratuit : des quotas mensuels de ressources hébergées existent ; les tokens du modèle et les autres ressources facturées restent distincts.

Pour un assistant d’exploitation intégré à une application Google Cloud, l’intérêt pratique est la cohérence avec l’environnement que l’opérateur connaît déjà. Votre application peut garder l’identité utilisateur et les limites d’accès dans le backend existant pendant qu’ADK coordonne les outils et les spécialistes. Cela peut apporter davantage que l’adoption de la console cloud d’un autre framework pour ce seul agent.

État : les sessions contiennent les événements, l’historique de conversation et l’état. Les préfixes d’état distinguent les valeurs communes à l’application, celles de l’utilisateur et les valeurs temporaires ; les clés sans préfixe ont pour périmètre la session. Le service de session en mémoire ne conserve pas les données après un redémarrage. Les services de session Database et Vertex AI fournissent des options persistantes. Mettez l’état à jour via le contexte et les événements suivis, plutôt que de modifier un objet session récupéré en supposant que la modification a été sauvegardée. Les noms du produit cloud ont changé, mais la question de responsabilité demeure : où le processus de remplacement chargera-t-il la tâche ?

Outils et MCP : ADK prend en charge les outils personnalisés et les ensembles d’outils MCP pour les serveurs locaux ou distants. Vérifiez l’implémentation dans le langage choisi, sans présumer que tous les exemples s’appliquent aux cinq. Le guide actuel de déploiement natif sur Agent Runtime cite Python et Go ; l’existence d’un SDK pour un langage ne prouve pas une prise en charge identique du déploiement géré.

Validation humaine : la fonctionnalité expérimentale Tool Confirmation peut mettre un outil en pause en attendant un utilisateur ou un système de supervision. Ses limitations connues actuelles indiquent que DatabaseSessionService et VertexAiSessionService ne sont pas pris en charge. TypeScript exige aussi une logique de confirmation manuelle dans l’exécution de l’outil. Cette vérification de compatibilité est décisive pour une tâche de production qui doit attendre une validation et survivre à un redémarrage du processus. Ne choisissez pas séparément un service de session persistant et Tool Confirmation en supposant qu’ils fonctionneront ensemble. Si cette association est centrale dans votre conception, adoptez un autre mécanisme de validation que vous pouvez vérifier, ou choisissez un framework dont la combinaison documentée de pause et de stockage convient.

La difficulté porte sur la parité des fonctionnalités et la compatibilité du backend. Une longue liste de langages peut masquer un parcours plus limité pour la fonctionnalité précise de déploiement ou de validation dont vous avez besoin. Vérifiez la combinaison complète, y compris le service de session et le type d’outil, plutôt que d’approuver la stack sur la base de cases cochées séparément.

Coûts hébergés, vérifiés le 7 octobre 2026 : la page tarifaire Agent Platform de Google utilise des unités de consommation de ressources partagées. Agent Compute standard à la demande comprend 50 vCPU-heures gratuites/mois/compte, puis $0.085/vCPU-heure. Agent Memory comprend 100 GiB-heures gratuites/mois/compte, puis $0.009/GiB-heure. Agent Storage offre un quota gratuit de 1 GiB-mois ; Sessions et Memory Bank décrivent un stockage à $0.30/GiB-mois. Les tokens des modèles sont facturés séparément.

La page affiche également des tarifs réduits soumis à éligibilité avec engagement d’un an : $0.0765/vCPU-heure et $0.0081/GiB-heure ; sur trois ans, ils passent à $0.068/vCPU-heure et $0.0072/GiB-heure. Ce sont des options d’engagement, pas des paliers du framework gratuit. Les opérations de session et de mémoire consomment aussi Agent Compute : une vCPU-heure à $0.085 correspond à 3 millions de lectures ou 1 million d’écritures. Intégrez-les au chiffrage de l’hébergement.

Pour un mois hypothétique limité au runtime, 100 vCPU-heures et 200 GiB-heures produisent $5.15 de frais de calcul et de RAM après ces quotas. Ce montant exclut les modèles, le stockage, les opérations de session et toute autre utilisation des ressources gratuites partagées du compte. C’est l’estimation d’une composante, pas la facture complète d’un agent hébergé.

Verdict : choisissez ADK si la documentation confirme le fonctionnement de la combinaison nécessaire de langage, de déploiement et de validation. Dès qu’une validation humaine doit être conservée dans la durée, les preuves de compatibilité doivent primer sur une préférence générale pour Google Cloud.

7. Pydantic AI : pour les services applicatifs Python typés

Pydantic AI convient à un backend Python dont l’agent doit renvoyer des données validées et utiliser des dépendances applicatives explicites. Les schémas Pydantic décrivent les champs et les types attendus par le système ; le framework applique cette discipline aux sorties des agents et aux interfaces des outils. C’est particulièrement utile si l’étape suivante attend une décision structurée plutôt qu’un paragraphe plausible.

Langage et licence : Python ; MIT.
Usage privilégié : agent intégré à un service Python avec des contrats d’entrée et de sortie stricts.
Point fort : dépendances typées et sorties validées, avec des moteurs d’exécution durable facultatifs.
Tarifs : bibliothèque gratuite. Logfire, facultatif : Personal gratuit, Team à $49/mois, Growth à $249/mois et Enterprise sur devis.
Essai gratuit : Logfire Personal est gratuit sans limite de durée ; il donne accès à l’observabilité, pas à une exécution gratuite des modèles.

Prenons un service de réception de demandes qui renvoie à une application existante une catégorie de dossier, des références de pièces et une action recommandée. Une sortie validée permet de rejeter plus facilement les champs manquants ou mal formés avant que l’opérateur ne voie le résultat. Elle ne prouve pas que la recommandation est vraie. Les règles métier, la vérification des pièces et l’examen de l’action elle-même restent nécessaires.

État : l’historique des messages peut passer d’une exécution à l’autre et être sérialisé dans le stockage de votre choix. Cela assure la continuité conversationnelle. Pour un avancement qui doit survivre aux pannes et aux redémarrages, Pydantic AI documente des intégrations externes d’exécution durable, notamment Temporal, DBOS, Prefect et Restate. Ces systèmes conservent la progression de l’exécution ; installer uniquement la bibliothèque d’agents ne fournit pas ce runtime. Un service Python existant doté d’un système de tâches durables devrait évaluer cette intégration avant de remplacer son orchestration.

Outils et MCP : la documentation actuelle utilise MCPToolset, qui encapsule un client FastMCP pour les serveurs stdio, Streamable HTTP et SSE. L’identité du serveur et les identifiants d’accès par utilisateur relèvent de l’application. Une connexion partagée au serveur sous une même identité ne crée pas automatiquement une frontière d’autorisation distincte pour chaque utilisateur qui interroge l’agent.

Validation humaine : les outils différés peuvent attendre une approbation ou le résultat d’une exécution externe. Un gestionnaire intégré peut résoudre les demandes au sein de la même exécution. Pour une validation externe, l’agent peut renvoyer DeferredToolRequests ; votre application conserve l’historique et les appels en attente, recueille une décision, puis lance une exécution suivante avec DeferredToolResults. Cette continuation externe constitue une nouvelle exécution d’agent : reliez-la donc à la conversation d’origine sans supposer que son identifiant d’exécution reste identique. Le guide des outils différés explique cette distinction.

La difficulté réside dans les mécanismes à construire autour d’un agent fortement typé. Le schéma facilite le raisonnement sur les interfaces ; il ne fournit ni l’interface de validation, ni une file persistante, ni la justesse sémantique de la décision. Si un document contient un mauvais identifiant client dans un champ chaîne valide, le contrôle de type peut l’accepter. Vérifiez indépendamment l’identité et les pièces avant toute écriture.

Coûts hébergés, vérifiés le 7 octobre 2026 : les tarifs Logfire concernent une offre hébergée d’observabilité et d’évaluation. Personal comprend 10M enregistrements de télémétrie/mois, avec un plafond ferme à $0, un utilisateur et deux invités en lecture seule, trois projets et 30 jours de conservation. Team coûte $49/mois avec 10M enregistrements inclus, puis $2 par million. L’offre comprend cinq utilisateurs, en autorise jusqu’à douze et facture $25 par utilisateur supplémentaire. Growth coûte $249/mois, avec utilisateurs, invités et projets illimités, jusqu’à 90 jours de conservation, le même volume d’enregistrements inclus et un dépassement à $2/million. Enterprise est sur devis, avec des variantes Cloud, Dedicated et Self-hosted.

Pour six utilisateurs Team, le montant de base est de $74/mois. À douze utilisateurs, il atteint $224/mois. Le treizième dépasse la limite de Team ; Growth coûte $249/mois, soit seulement $25 de plus que cette base Team à douze utilisateurs, avec davantage de conservation et de fonctions d’organisation. Aucun de ces prix ne comprend l’hébergement de votre agent Pydantic AI ni ses appels aux modèles. Prévoyez la télémétrie comme une ligne budgétaire distincte, plutôt que comme le coût du runtime de l’agent.

Verdict : choisissez Pydantic AI si un service Python typé est au cœur du produit. N’ajoutez l’exécution durable que si la tâche l’exige, et comparez séparément les besoins d’exploitation du moteur correspondant.

8. Vercel AI SDK : pour une application web d’agents avec streaming

Vercel AI SDK convient à une application TypeScript ou JavaScript dont le produit immédiat est l’interface, la réponse en streaming et la boucle d’outils. Son volet Core standardise les appels aux modèles et aux outils ; son volet UI relie ces interactions à une interface web. Vous pouvez utiliser la bibliothèque sans déployer l’application sur Vercel.

Langages et licence : TypeScript/JavaScript ; Apache 2.0.
Usage privilégié : interface de chat ou d’agent dans un produit web existant.
Point fort : briques d’interface avec streaming et boucles d’outils réutilisables entre fournisseurs.
Tarifs : bibliothèque gratuite. Hébergement Vercel facultatif : Hobby à $0/mois, Pro à $20/mois plus consommation, Enterprise sur devis. AI Gateway dispose de crédits distincts.
Essai gratuit : Hobby est une offre gratuite pour un usage personnel ; la page tarifaire de l’hébergement propose un essai Pro.

Un fondateur qui ajoute un assistant de compte à une application web peut diffuser une réponse en streaming, montrer la progression d’un outil et demander à l’utilisateur de valider une modification dans la même interface. Si l’essentiel du travail se termine au cours de cette interaction, le périmètre est pertinent. Un processus qui doit attendre un autre service de l’entreprise jusqu’à demain exige un cycle de vie des tâches et une persistance qui dépassent le composant du navigateur.

État : des boucles d’agents réutilisables ne transforment pas automatiquement un chat en processus métier durable. Le schéma documenté de persistance des messages conserve les messages UI dans un stockage géré par l’application ; en production, il peut s’agir d’une base de données ou d’un stockage cloud. Gardez des identifiants de message stables et validez les messages d’outils restaurés par rapport aux schémas actuels. Décidez séparément de ce qui se passe si le navigateur se ferme alors que le backend travaille encore. Le guide de persistance des messages de chatbot explique l’intégration sans prétendre que le SDK fournit votre base de données.

Outils, MCP et validation humaine : le client MCP expose les outils du serveur à la boucle du modèle. L’API actuelle de validation des outils locaux est toolApproval ; l’ancienne propriété needsApproval est dépréciée. La validation manuelle renvoie des éléments de requête, votre interface recueille une décision, puis un appel suivant utilise la réponse de validation. Point essentiel : ce réglage local ne contrôle pas les outils exécutés par le fournisseur. Configurez séparément les contrôles côté fournisseur. La documentation sur les appels d’outils décrit ce cycle et cette frontière.

La difficulté vient de l’idée qu’une interface conversationnelle soignée serait un moteur de workflow. Le SDK fournit des contrôles de boucle utiles, et du code classique peut exprimer une séquence connue. Il ne fait pas attendre indéfiniment votre fonction hébergée pour obtenir une validation, ne conserve pas un reçu de transaction externe et ne vérifie pas l’autorité de la personne qui a cliqué sur Approuver. Faites de l’interface une vue sur l’état de l’application, plutôt que l’unique responsable de la tâche.

Coûts hébergés, vérifiés le 7 octobre 2026 : les tarifs d’hébergement de Vercel affichent Hobby à $0/mois, Pro à $20/mois et Enterprise sur devis. Hobby est réservé à l’usage personnel non commercial. Les détails tarifaires de Pro précisent que le forfait de plateforme comprend un utilisateur autorisé à déployer et $20 de crédit de consommation mensuel ; chaque utilisateur supplémentaire autorisé à déployer coûte $20/mois, tandis que les utilisateurs en consultation sont gratuits. Trois utilisateurs autorisés à déployer commencent donc à $60/mois avant la consommation à la demande. Le crédit de consommation appartient à l’offre ; ajouter un utilisateur ne le multiplie pas.

Pour la passerelle facultative, les tarifs d’AI Gateway indiquent un palier gratuit avec $5/mois de crédit pour les modèles éligibles et un palier payant utilisant des crédits achetés à l’usage. Les tarifs des tokens suivent les prix publics des fournisseurs, sans majoration. Acheter des crédits fait passer le compte au palier payant et met fin au quota gratuit récurrent ; l’utilisation de votre propre clé est disponible sur le palier payant. Ces crédits de passerelle sont distincts du crédit de consommation de l’offre d’hébergement, et certaines fonctionnalités facultatives de la passerelle peuvent être facturées séparément.

Verdict : choisissez Vercel AI SDK pour la boucle destinée au web. Choisissez Mastra si les agents et les workflows stockés nécessitent un framework commun plus large, ou ajoutez un système distinct de tâches durables si le travail se poursuit au-delà de l’interaction.

Quelle solution retenir selon votre projet ?

Pour un workflow à plusieurs étapes qui conserve son état, commencez par LangGraph. Le critère décisif n’est pas le nombre de prompts : c’est la nécessité de conserver la position, de gérer les embranchements et d’attendre une validation différée. Utilisez un graphe explicite si l’opérateur doit savoir où en est le dossier et ce qui peut s’exécuter ensuite sans risque.

Pour une équipe d’agents spécialisés, choisissez CrewAI. Donnez à chaque rôle une tâche, un contrat de transmission des sources ou un périmètre d’outils distinct. Si tous les rôles utilisent les mêmes entrées et produisent le même genre de réponse, simplifiez la conception avant de sélectionner un framework de collaboration.

Pour un agent dans une application web TypeScript, retenez Mastra et Vercel AI SDK dans votre sélection. Le périmètre plus large de Mastra se justifie lorsque la mémoire stockée et la suspension des workflows font partie du produit. Vercel AI SDK est pertinent si le streaming et les interactions avec les outils sont centraux, et si votre backend gère déjà le reste. L’infrastructure applicative existante peut inverser le choix : un moteur de tâches mature réduit l’intérêt d’ajouter une couche de workflow.

Pour une boucle compacte orientée fournisseur, choisissez OpenAI Agents SDK ou le SDK client du fournisseur. Le moteur d’agents d’OpenAI ajoute des outils, des délégations et un état de validation au sein de votre application. Avec Claude, choisissez l’Agent SDK précisément lorsque les capacités intégrées de travail sur les fichiers et les commandes comptent ; retenez le SDK client pour une boucle personnalisée plus légère.

Pour un système orienté Google, envisagez ADK après avoir vérifié toute la combinaison de fonctionnalités. Les limites actuelles de Tool Confirmation peuvent à elles seules modifier une architecture de validation persistante. La prise en charge d’un langage ne suffit pas à trancher.

Agent IA en Python : quels frameworks présélectionner ?

LangGraph convient à une position explicite dans le workflow ; Pydantic AI, à un service typé et à des sorties validées ; CrewAI, à des rôles distincts qui collaborent. OpenAI Agents SDK convient à un moteur plus léger piloté par l’application. La disponibilité en Python est la contrainte initiale ; le modèle d’état et de validation détermine le choix final.

Si la séquence est déjà connue, laissez du code classique ou un workflow déterministe aux commandes. Le comparatif n8n entre agents et workflows développe la même distinction : le modèle décide là où le jugement est utile, tandis que le workflow pilote les actions que vous pouvez définir à l’avance.

Quand vaut-il mieux se passer de framework ?

Utilisez une simple boucle avec le SDK du fournisseur si un seul fournisseur de modèles, quelques outils et une tâche délimitée suffisent. Une consultation de compte en lecture seule, une classification de documents ou une courte demande de rédaction peuvent souvent rester dans le backend que vous exploitez déjà.

La boucle de base envoie la requête, valide les éventuels arguments d’outil, appelle une fonction applicative autorisée, renvoie le résultat et poursuit jusqu’à ce que le modèle termine ou atteigne votre règle d’arrêt. Si la séquence est fixe, l’application peut appeler directement les fonctions nécessaires et ne solliciter le modèle que pour son jugement ou son texte.

Ce choix est intéressant lorsque votre application gère déjà l’authentification, les tâches durables, les règles de nouvelle tentative, le stockage et la télémétrie. Un framework qui se contente d’encapsuler ces éléments existants crée une interface supplémentaire à maintenir. Il devient utile lorsqu’il supprime une charge récurrente précise : position de workflow reprenable, délégations cohérentes ou cycle de vie des validations.

Fixez une limite au travail effectué, conservez l’historique nécessaire et journalisez le résultat. Même sans framework, il faut désigner un responsable des échecs. Si vous réécrivez régulièrement les transitions de sauvegarde, la gestion des validations différées ou l’orchestration des spécialistes, réexaminez la bibliothèque qui fournit cette brique manquante. Adoptez-la pour un problème récurrent clairement identifié.

Frameworks d’agents IA open source : licences et coûts d’exploitation

Le choix de la bibliothèque gratuite et celui de la plateforme hébergée devraient faire l’objet de validations budgétaires distinctes. LangGraph, CrewAI, OpenAI Agents SDK et Pydantic AI ont des cœurs MIT ; Vercel AI SDK, le cœur Python vérifié de Google ADK et le cœur de Mastra utilisent Apache 2.0. Les répertoires Enterprise de Mastra et le runtime Claude introduisent d’autres conditions. Le wrapper Python MIT de Claude n’est qu’un composant, pas une description générale de la licence de tout ce qu’il exécute.

Estimez séparément l’utilisation des modèles, les ressources d’exécution, le stockage persistant, l’observabilité et les opérations de validation. Un quota de traces gratuites n’est pas un quota d’agents gratuits. Un crédit de passerelle de modèles n’est pas un crédit d’hébergement. Un prix par utilisateur n’est pas un prix de déploiement complet. Les exemples de chaque fiche ci-dessus en montrent les conséquences sans inventer un total pour une charge non définie.

Pour l’opérateur, l’ambiguïté la plus coûteuse peut être une action dont le résultat reste inconnu après un dépassement de délai. Sauvegardez l’opération prévue, obtenez la validation nécessaire, exécutez-la via un outil applicatif ciblé et conservez le reçu externe. Une clé d’idempotence permet à une requête répétée de reconnaître la même opération prévue plutôt que d’en créer silencieusement une autre ; son comportement dépend de votre application et du service destinataire.

Un point de sauvegarde peut restaurer la position dans le workflow. À lui seul, il ne prouve pas qu’un service externe a validé une écriture juste avant la panne réseau. Concevez la consultation de ce reçu avec l’outil, au lieu de laisser le modèle deviner à partir de son dernier message.

C’est aussi la frontière pratique pour une migration. Gardez les schémas métier, les contrats des outils et les enregistrements d’actions externes dans du code applicatif que vous maîtrisez. Changer de framework peut encore imposer de modifier l’état d’exécution et les messages persistants, mais l’opération métier centrale ne devrait pas devoir être reconstituée à partir d’une conversation d’agent.

Les choix à éviter

Évitez LangGraph pour un simple classifieur si le backend appelle déjà le modèle, valide un résultat et le stocke. Un graphe n’améliore pas cette tâche simplement en allongeant son diagramme.

Évitez CrewAI pour des personas décoratives. Un agent de recherche, un stratège et un rédacteur ont besoin de responsabilités ou de périmètres de sources distincts. Sinon, les étiquettes de rôle masquent une boucle plus grande autour de la même tâche.

Évitez Claude Agent SDK pour un chat élémentaire si vous n’avez pas besoin de ses fichiers, de ses commandes ou de son runtime fondé sur un environnement de travail. Le SDK client direct est le point de départ plus léger pour une boucle personnalisée avec le fournisseur.

Évitez Google ADK Tool Confirmation associé à un service de session persistant non pris en charge. La limite actuellement documentée concerne DatabaseSessionService et VertexAiSessionService. Une exigence centrale de validation en production ne doit pas reposer sur une combinaison supposée compatible.

Évitez de considérer Logfire ou une AI Gateway comme de l’hébergement d’agents. Le premier observe le travail, la seconde achemine l’accès aux modèles. Aucun des deux ne dit qui exploite la tâche applicative et la reprend après un échec.

Agent IA : comment choisir son framework cette semaine ?

Choisissez la solution la plus légère capable de respecter votre contrat réel de reprise et de validation. Un cas métier représentatif suffit pour décider, plutôt qu’une démonstration de toutes les fonctionnalités possibles d’un agent.

1. 1

   Définir le résultat et ses limites

   Nommez le résultat final, les pièces nécessaires, les actions autorisées et celles qui exigent une validation. Identifiez ce que l’opérateur doit savoir si l’exécution s’arrête à mi-parcours.

2. 2

   Présélectionner par langage et mode d’exécution

   Choisissez le framework pour le workflow durable, les rôles collaboratifs, le service typé ou la boucle web que vous construisez. Gardez une simple boucle fournisseur dans le comparatif si elle respecte le contrat.

3. 3

   Tester les parcours interrompus

   Redémarrez le processus de traitement, renvoyez une erreur d’outil, refusez une validation et transmettez un événement en double. Examinez l’état stocké et les reçus externes. Une réponse finale réussie ne suffit pas à démontrer la reprise.

4. 4

   Mesurer le coût d’une tâche achevée

   Comptez tous les appels aux modèles et toutes les opérations d’outils, y compris les nouvelles tentatives et les activités déléguées. Ajoutez les consommations hébergées effectivement utilisées, puis séparez les frais fixes de plateforme des charges dépendant du travail effectué.

5. 5

   Désigner les responsables de l’exploitation

   Identifiez qui prend en charge le stockage, le déploiement, les tâches en échec, les validations en attente et les alertes de coûts. Retenez la solution dont vous pouvez gérer les lacunes cette semaine.

Questions fréquentes

Quels sont les 5 types d’agents IA ?

Les listes en cinq types sont des classifications pédagogiques dont les définitions varient. Elles ne déterminent pas quel framework peut conserver votre workflow ou imposer une validation. Pour ce choix, précisez le mode d’exécution, l’état, l’accès aux outils et le degré d’autonomie autorisé.

Quels sont les 4 grands agents IA ?

Il n’existe pas de classement universel faisant autorité autour de quatre grands agents. LangGraph, CrewAI, OpenAI Agents SDK et Google ADK répondent à des besoins de développement différents ; les traiter comme un palmarès de qualité fixe masque l’exigence de production qui devrait guider le choix.

Quels frameworks utiliser pour créer des agents IA ?

Ce comparatif couvre LangGraph, CrewAI, OpenAI Agents SDK, Claude Agent SDK, Mastra, Google ADK, Pydantic AI et Vercel AI SDK. Ils vont des moteurs de workflow aux bibliothèques d’agents typés et aux SDK de boucles d’outils pour le web : partez donc du travail que vous construisez.

Quels sont les 7 types d’agents IA ?

Les listes en sept types varient elles aussi selon les sources et ne constituent pas un modèle standard de sélection de framework. Une liste de catégories d’agents ne démontre ni la reprise après redémarrage, ni les limites de permission des outils, ni la compatibilité entre validation et stockage.

ChatGPT est-il un agent ou un LLM ?

ChatGPT est un produit destiné aux utilisateurs. Un LLM est le modèle de langage sous-jacent ; une application d’agent associe un modèle, des outils, un état et une boucle capables d’agir pour accomplir une tâche. Ce sont des couches différentes, et le nom du produit ne détermine pas le runtime de votre application.

Quels sont les 5 meilleurs agents IA ?

Une sélection liée à une tâche est plus utile qu’un top cinq universel. Commencez par LangGraph pour les workflows avec état, CrewAI pour les équipes spécialisées, Mastra pour les workflows TypeScript, Pydantic AI pour les services Python typés et OpenAI Agents SDK pour une boucle compacte pilotée par l’application. D’autres modes d’exécution changent la sélection.

Quel est l’agent IA le plus récent ?

Il n’existe pas de réponse unique utile entre les modèles, les produits hébergés et les frameworks de développement. Pour construire cette semaine, consultez la documentation actuelle des capacités nécessaires et vérifiez leur compatibilité avec le déploiement et le stockage. Une version plus récente ne prouve pas une meilleure adéquation.

ChatGPT est-il le meilleur agent IA ?

Cela dépend de la tâche de l’utilisateur et des contrôles nécessaires. La question est différente de celle du choix du code à intégrer dans votre propre produit. Un développeur doit pouvoir trancher sur la responsabilité de l’état, l’exécution des outils, le déploiement, la validation et les coûts d’exploitation.

Quels sont les meilleurs frameworks d’IA agentique en 2026 ?

Les choix pratiques dépendent de la tâche : LangGraph pour les workflows durables explicites ; CrewAI pour la collaboration par rôles ; Mastra ou Vercel AI SDK pour différents besoins applicatifs TypeScript ; Pydantic AI pour Python typé ; OpenAI Agents SDK pour un moteur piloté par l’application ; Claude Agent SDK pour son runtime de fichiers et de commandes ; et Google ADK lorsque la combinaison nécessaire est prise en charge.

Utilisez la checklist AI Business Workflow Audit Checklist pour cadrer la première tâche de l’agent, son périmètre de validation et la responsabilité de son exploitation avant de vous engager sur un framework.