Recommandation 2026 de frameworks open source pour agents IA

Un agent fonctionne en démonstration, puis devient difficile à reprendre dès qu’un outil échoue, qu’un processus est interrompu ou qu’une validation humaine est nécessaire.

La Recommandation 2026 de frameworks open source pour agents IA est donc conditionnelle : choisissez un SDK léger pour un agent simple, un framework graphique ou orienté workflow pour les tâches longues, et un framework multi-agent uniquement si la coopération entre rôles est réellement nécessaire. Cette semaine, retenez deux ou trois candidats, puis testez-les avec la même tâche, le même modèle et le même environnement avant toute décision de production.

Pour qui cette comparaison est utile

Cet article s’adresse à vous si vous préparez un agent outillé, un agent de programmation ou un agent spécialisé dans des documents, de l’audio, de la vidéo ou du design.

Il vous sera également utile si vous faites passer un prototype vers un service continu et devez évaluer la reprise, les journaux, les permissions et le coût d’exploitation. Les responsables techniques y trouveront une méthode pour limiter la dépendance à un framework sans transformer le projet en comparaison de popularité.

Dernière mise à jour : 17 août 2026. Les informations ont été vérifiées à partir des dépôts, licences, documentations et historiques de publication officiels disponibles à cette date.

Une liste de candidats, pas un classement absolu

Pour entrer dans cette sélection, chaque projet devait disposer d’un dépôt public, d’une licence identifiable, d’un code pouvant fonctionner indépendamment d’une interface hébergée et d’abstractions destinées au développement d’agents. Les outils de simple recherche documentaire ou les produits exclusivement managés n’ont pas été retenus comme frameworks autonomes.

Les dix candidats sont :

• LangGraph, orienté orchestration d’agents avec état ;
• OpenAI Agents SDK, SDK Python à abstractions limitées ;
• Google ADK, boîte à outils code-first pour construire, évaluer et déployer des agents ;
• Microsoft Agent Framework, destiné aux agents et workflows en Python et .NET ;
• CrewAI, centré sur les équipes d’agents et les tâches distribuées ;
• Pydantic AI, adapté aux sorties structurées et à la validation typée ;
• Mastra, framework TypeScript avec agents, mémoire et workflows ;
• smolagents, bibliothèque légère privilégiant les agents exécutant du code ;
• Strands Agents, SDK piloté par le modèle avec intégration MCP ;
• LlamaIndex, framework davantage centré sur les données, la recherche augmentée et les agents documentaires.

Les licences et statuts ne sont pas équivalents. LangGraph, Microsoft Agent Framework et CrewAI indiquent une licence MIT dans leur dépôt officiel. Google ADK et Strands Agents indiquent Apache 2.0. Mastra distingue le cœur Apache 2.0 de certains composants présents dans les répertoires d’entreprise. Cette distinction compte si vous redistribuez une application ou si vous modifiez le framework. Vérifiez toujours le fichier LICENSE du commit utilisé, et pas seulement la page d’accueil du projet. Consultez notamment les dépôts officiels de LangGraph, Microsoft Agent Framework et CrewAI, ainsi que les dépôts officiels de Google ADK et Strands Agents.

Attention : une licence permissive ne signifie pas que toutes les intégrations, données d’entraînement, modèles ou fonctions hébergées suivent les mêmes conditions. Séparez le cœur open source, les services externes et les modules propriétaires dans votre dossier d’architecture.

Le coût d’abstraction : démarrer vite ou garder le contrôle

La première comparaison doit porter sur la quantité de concepts que votre équipe devra apprendre avant de modifier le comportement de l’agent.

OpenAI Agents SDK, Pydantic AI et Strands Agents sont adaptés à un premier agent avec quelques fonctions. Le développeur définit un agent, des instructions, des outils et une boucle d’exécution. OpenAI Agents SDK propose aussi les handoffs, les garde-fous, les sessions, les outils MCP et une traçabilité intégrée. Son dépôt officiel le présente comme un SDK à faible nombre d’abstractions, avec une implémentation Python et une variante JavaScript/TypeScript. La documentation officielle d’OpenAI Agents SDK permet de vérifier les interfaces réellement disponibles.

Pydantic AI est intéressant lorsque la réponse finale doit respecter un schéma strict. Vous gagnez en validation, mais vous devez accepter une conception plus typée. C’est utile pour extraire une fiche produit, produire un plan de montage vidéo ou transmettre un résultat à une API sans parser du texte libre.

smolagents réduit volontairement la couche d’abstraction. Il propose notamment CodeAgent et ToolCallingAgent. Le premier génère du code Python pour combiner des outils ; le second produit des appels structurés. Cette liberté accélère les prototypes créatifs, mais elle rend l’isolation indispensable dès qu’un agent peut exécuter du code ou manipuler des fichiers. Le dépôt précise que l’exécuteur Python local n’est pas une frontière de sécurité. Consultez la documentation officielle de smolagents avant d’autoriser des actions système.

À l’inverse, LangGraph, Microsoft Agent Framework, Mastra et les workflows de LlamaIndex imposent davantage de structure. Ce coût initial devient rentable lorsque l’application comprend des branches, des boucles, des étapes parallèles ou une reprise après incident. CrewAI est plus naturel si les rôles sont déjà définis : chercheur, vérificateur, rédacteur ou opérateur. Il devient moins convaincant si vous créez artificiellement plusieurs agents pour une tâche qu’un seul appel outillé pourrait réaliser.

Les outils et les sorties structurées : la sécurité avant le catalogue

Le nombre d’intégrations disponibles ne suffit pas pour sélectionner un framework. Vous devez vérifier quatre points : l’outil peut-il être intercepté, ses paramètres sont-ils validés, son exécution peut-elle être interrompue et son résultat est-il journalisé ?

Pour des fonctions métier classiques, OpenAI Agents SDK, Pydantic AI, Google ADK et Strands Agents fournissent des mécanismes directs de déclaration d’outils. Google ADK documente les fonctions personnalisées, les schémas OpenAPI, les outils MCP et l’orchestration d’agents. Strands Agents propose également une intégration MCP native et plusieurs fournisseurs de modèles. Les détails doivent être contrôlés dans la documentation officielle de Google ADK, car une fonction annoncée comme disponible peut dépendre d’un adaptateur ou d’un composant expérimental.

Pour une politique de permissions, classez vos outils en trois niveaux :

• Niveau 1 : lecture, comme consulter une base documentaire ou récupérer une métrique ;
• Niveau 2 : écriture contrôlée, comme créer un ticket, modifier un fichier de travail ou publier un brouillon ;
• Niveau 3 : action sensible, comme exécuter une commande, supprimer des données ou déployer une version.

Un framework qui accepte une fonction Python ne vous fournit pas automatiquement un contrôle d’accès. Vous devez ajouter une validation de schéma, une liste d’actions autorisées, un délai maximal, un identifiant de demande et, pour le niveau 3, une confirmation humaine.

LangGraph se distingue lorsque vous devez placer une interruption avant l’appel d’un outil sensible. Sa primitive interrupt() permet de suspendre l’exécution, d’enregistrer l’état et de reprendre après une validation. Mastra propose également la suspension d’un agent ou d’un workflow avant reprise, avec stockage de l’état. Vérifiez les mécanismes documentés dans les guides officiels sur la validation humaine et la reprise des workflows.

Le contrôle de l’état : session courte contre workflow durable

La différence déterminante apparaît lorsque la tâche ne se termine pas dans une seule requête.

Un SDK léger convient si l’application possède déjà sa base de sessions, sa file de tâches et sa logique de reprise. Dans ce cas, vous gardez le contrôle de l’architecture, mais vous devez écrire vous-même les transitions, les identifiants de tâche et les règles de restauration.

LangGraph formalise l’état sous forme de graphe. Les points de contrôle, les interruptions et les reprises sont intégrés à la logique d’exécution. C’est un candidat solide pour un agent de programmation qui doit lire un dépôt, modifier plusieurs fichiers, lancer des tests et attendre une approbation.

Microsoft Agent Framework met en avant les workflows séquentiels, concurrents, de transfert et de collaboration, avec point de contrôle, temps réel et intervention humaine. Il est particulièrement adapté à une équipe qui doit maintenir une architecture commune en Python et .NET. La présentation officielle de Microsoft Agent Framework doit toutefois être comparée aux exemples et aux versions réellement installées.

Mastra constitue une option naturelle pour une équipe TypeScript qui veut rapprocher agents, mémoire, flux de travail et application web. LlamaIndex devient plus pertinent lorsque la difficulté principale se trouve dans l’ingestion de documents, la recherche, les index et la construction d’un agent connaissant vos données. Son dépôt distingue le cœur du framework et de nombreuses intégrations choisies selon le besoin. Le dépôt officiel de LlamaIndex est la référence à consulter pour les composants et leurs statuts.

Expérience de conception : si vous ne pouvez pas dessiner l’état d’une tâche sur papier — attente, reprise, erreur, validation, résultat — ne commencez pas par un framework multi-agent. Commencez par un workflow explicite et mesurez ensuite le besoin de spécialisation.

Tableau de décision pour votre première liste courte

Ce tableau ne remplace pas un test. Il sert à éviter un mauvais premier choix. Par exemple, LangGraph et un SDK léger ne sont pas deux versions concurrentes du même produit : le premier prend en charge une orchestration contrôlée, tandis que le second vous laisse souvent gérer davantage d’état dans votre application.

Observabilité et reprise : les tests qui séparent la démo du service

Avant de déclarer un framework prêt pour la production, exécutez la même batterie de tests sur les trois candidats retenus :

1. Créez un environnement virtuel séparé et verrouillez la version exacte du framework.
2. Définissez un modèle identique, une température identique et un jeu d’outils identique.
3. Lancez une tâche de lecture seule, puis vérifiez le format de sortie et les journaux.
4. Forcez une erreur d’outil : réponse invalide, service inaccessible ou permission refusée.
5. Ajoutez un dépassement de délai et mesurez si l’exécution s’arrête proprement.
6. Interrompez le processus pendant une étape intermédiaire, puis tentez une reprise.
7. Insérez une approbation humaine avant une écriture ou une commande.
8. Contrôlez les secrets, les fichiers temporaires, les données transmises aux journaux et les traces exportées.
9. Répétez la tâche en parallèle afin de repérer les collisions d’état.
10. Notez le temps d’installation, le nombre de dépendances et les changements nécessaires pour passer du prototype au service.

OpenAI Agents SDK fournit une traçabilité intégrée couvrant les générations, appels d’outils, garde-fous et transferts entre agents. Microsoft Agent Framework documente une intégration OpenTelemetry. Ces fonctions sont utiles, mais vous devez vérifier où les traces sont envoyées, combien de données elles contiennent et si votre politique de conservation les autorise. La documentation officielle de traçabilité d’OpenAI Agents SDK décrit les événements disponibles et leurs conditions d’utilisation.

Pour les agents qui exécutent du code, ne confondez jamais restriction de syntaxe et isolation. smolagents recommande un environnement bac à sable tel que Docker ou une solution dédiée et indique explicitement que son exécuteur local ne constitue pas une frontière de sécurité. Le même principe s’applique à un outil shell ajouté à n’importe quel autre framework.

Décision finale par type de projet

Pour un prototype rapide, commencez par OpenAI Agents SDK, Pydantic AI ou Strands Agents. Choisissez Pydantic AI si la sortie structurée est centrale ; choisissez Strands Agents si la diversité des fournisseurs et MCP compte davantage.

Pour un workflow avec état, reprise et validation, placez LangGraph dans la première liste. Ajoutez Microsoft Agent Framework si votre organisation utilise déjà Python et .NET ou si vous voulez étudier des modèles de workflow plus larges.

Pour une application TypeScript, examinez Mastra en priorité, puis comparez avec l’édition TypeScript de LangGraph selon vos exigences de persistance et de contrôle.

Pour un système multi-agent, ne commencez pas par CrewAI uniquement parce que le vocabulaire des rôles paraît intuitif. Écrivez d’abord les responsabilités, les entrées, les sorties et les critères d’échec. Si les agents ne peuvent pas être testés séparément, un workflow séquentiel sera généralement plus lisible.

Pour un agent de connaissance ou de documents, LlamaIndex mérite une place prioritaire. Google ADK peut être préféré si vous avez besoin d’un environnement code-first intégrant agents, outils, évaluation et déploiement.

Pour un agent qui écrit ou exécute du code, comparez smolagents à OpenAI Agents SDK avec une véritable isolation. Le choix doit être décidé par la sécurité de l’exécution, pas par le nombre de lignes de l’exemple de démarrage.

Votre courte liste finale devrait rester limitée à trois frameworks. Au 17 août 2026, une sélection raisonnable par défaut serait :

• OpenAI Agents SDK pour la simplicité et les outils ;
• LangGraph pour l’état et la reprise ;
• Mastra ou Microsoft Agent Framework selon votre langage et votre architecture.

Ce n’est pas un podium. C’est un point de départ à confirmer par le POC décrit plus haut.

Questions fréquentes

Des frameworks encore maintenus

La maintenance doit être vérifiée sur les dépôts officiels : dernière version, fréquence des publications, documentation, issues de sécurité et indications de migration. Les dix projets de cette sélection restent exploitables à la date du 17 août 2026, mais leurs interfaces et niveaux de maturité diffèrent.

LangGraph face aux SDK légers

LangGraph est à privilégier pour une exécution durable, interruptible et reprenable. Un SDK léger est préférable pour un agent court dont l’application possède déjà la gestion de session, des erreurs et des permissions.

Python ou TypeScript

Python offre le choix le plus large dans cette sélection. TypeScript est particulièrement intéressant pour Mastra et les applications web. Une équipe mixte peut aussi examiner Microsoft Agent Framework, mais doit tester la parité réelle des fonctionnalités entre langages.

Validation avant production

Testez les erreurs d’outils, les délais, les interruptions, les reprises, les permissions, les journaux, les secrets et les exécutions concurrentes. Vérifiez également la licence et les composants hébergés utilisés par le déploiement.

Multi-agent ou agent unique

Le multi-agent convient lorsque les rôles ont des objectifs, outils et critères d’acceptation différents. Sinon, un agent unique dans un workflow explicite coûtera moins cher à observer, à sécuriser et à faire évoluer.

Avant de louer un environnement Mac pour votre POC

Une comparaison locale peut être limitée par un ordinateur déjà occupé, une mémoire insuffisante, l’impossibilité d’exécuter plusieurs environnements isolés ou l’absence d’une machine dédiée aux tâches longues. Dans ce cas, le cloud apporte un environnement reproductible, mais il ajoute le coût de location, la gestion des secrets et la surveillance distante.

Si votre équipe doit tester deux ou trois frameworks en parallèle, consultez d’abord ce guide sur le choix entre ordinateur local haut de gamme et environnement cloud. Pour un agent qui doit rester actif, la mise en place d’un Mac distant pour les workflows continus aide à cadrer l’accès, la surveillance et la reprise.

Si vous avez déjà retenu deux ou trois frameworks, louez chez Hashvps un environnement Mac isolé uniquement pour l’étape de validation : installez les mêmes versions, lancez le même scénario, observez les erreurs et mesurez la reprise. Vous pourrez ensuite décider rationnellement entre achat d’une machine, environnement local permanent ou location temporaire selon la durée du projet et la charge réelle.