Un agent plutôt qu'un chatbot : AutoGen a résolu la tâche en 8 170 tokens, LangChain en 10 070
Le RAG est un chatbot qui interroge une base documentaire : il répond en un seul passage. Un agent, lui, tourne en boucle « réfléchir, appeler un outil, vérifier ». Dans le test d'AIMultiple sur l'analyse de quatre colonnes JSON, AutoGen a appelé ses outils en parallèle et consommé 8 170 tokens (unités de texte facturées) en 47 secondes. LangChain les a appelés en séquence : 10 070 tokens en 86 secondes. Il faut donc choisir un framework d'après une mesure sur vos propres tâches, et non d'après sa popularité.
Traité par IA depuis Habr AI ; édité par Hamidun News
Le mot « agent » est aujourd'hui accolé à presque tous les chatbots, or la différence entre les deux pèse directement sur la facture en tokens (les fragments de texte facturés par le fournisseur du modèle) et sur les risques. Un RAG classique est un chatbot qui, avant de répondre, cherche les documents pertinents dans votre base de connaissances : il reçoit la question, récupère le texte, répond, puis s'arrête. L'agent fonctionne autrement : il appelle lui-même des outils et répète les étapes jusqu'à résoudre la tâche.
Dans une analyse publiée sur Habr, l'expert indépendant Andreï Birioukov compare les approches et les frameworks AutoGen, LangGraph, LangChain et CrewAI. Sur une même tâche, AutoGen a consommé 8 170 tokens, LangChain 10 070. Voici une analyse centrée sur l'ingénierie et sur le coût.
Un passage unique contre une boucle
Un système RAG classique traite une requête en un seul passage : il rassemble le contexte, génère la réponse et s'arrête. L'agent garde en mémoire son objectif et l'historique de ses actions, décide de la suite, appelle un outil, examine le résultat et reprend son raisonnement. La boucle tourne tant que la tâche n'est pas résolue, ou jusqu'à épuisement du budget ou de la limite d'itérations.
L'article prend l'exemple de « prévenir les clients d'un retard ». Un chatbot rédigera le texte du courrier. Un agent interrogera lui-même le CRM pour récupérer les commandes en retard, rédigera les messages avec les dates précises, les enverra via une API de messagerie, mettra à jour le statut dans la base et vérifiera à la fin que toutes les commandes ont été traitées.
Les approches de raisonnement diffèrent. Chain-of-Thought montre les étapes intermédiaires, mais les erreurs s'accumulent dans une longue chaîne. Tree-of-Thought déploie plusieurs branches, mais coûte nettement plus cher en calcul.
ReAct alterne pensée et action et reste le plus pragmatique. Reflexion consigne les échecs en mémoire et en tient compte lors de la tentative suivante. La variante la plus performante de cette liste est LATS : elle applique une recherche arborescente de Monte-Carlo et, sur le test HumanEval (tâches d'écriture de code), atteint avec GPT-4 92,7 % de réussite dès la première tentative, alors que ReAct obtient environ 80 % avec le même modèle.
La raison tient à la séparation entre le générateur de variantes et l'évaluateur, et, pour le code, au fait que les juges sont les tests, le linter et la vérification des types. Un agent ne peut pas se convaincre que tout va bien quand les tests sont en échec.
Combien coûtent les frameworks
La partie la plus utile pour un praticien est la mesure d'AIMultiple sur le traitement de données non structurées. La tâche consiste à analyser quatre colonnes JSON indépendantes.
- AutoGen : un tour du modèle avec quatre appels d'outils parallèles, 8 170 tokens, latence médiane de 47 secondes.
- LangGraph : 9 150 tokens et 70 secondes. Le nombre d'appels d'outils variait de 6 à 16, car le système a tendance à répéter des étapes déjà exécutées.
- LangChain avec AgentExecutor séquentiel : 4 tours, 10 070 tokens, 86 secondes.
La conclusion est simple : les appels d'outils parallèles font gagner du temps et des tokens, tandis que les répétitions inutiles, comme dans LangGraph, pèsent sur le budget.
L'auteur convertit ces chiffres en euros au tarif de GPT-4o (2,50 $ par million de tokens en entrée et 10 $ par million en sortie) pour 1 000 tâches par jour. On obtient environ 12 à 18 $ par jour pour un LangGraph optimisé, 18 à 28 $ pour CrewAI et 25 à 40 $ pour AutoGen. Pour 10 000 tâches par jour, il estime l'écart entre frameworks à 47 000 à 80 000 $ par an.
Il y a ici une incohérence : dans le test en tokens, AutoGen est le plus économe, alors que dans l'estimation financière il est le plus cher. Vraisemblablement, sur des scénarios réels, le nombre d'étapes et la taille des prompts diffèrent fortement de la tâche de laboratoire. La source ne détaille pas sa méthode de calcul : il vaut donc mieux refaire le calcul avec vos propres données.
Mémoire et sécurité
Les tâches longues nécessitent une mémoire. LangGraph sauvegarde l'état via des points de contrôle, par exemple avec AgentCoreMemorySaver, et l'agent peut reprendre son travail après une panne. Microsoft Agent Framework crée automatiquement des points de contrôle à chaque lancement d'un workflow. Reflexion conserve, au lieu de l'état complet, de courtes « leçons » textuelles tirées des échecs : c'est plus compact, mais moins prévisible.
Élargir les capacités d'un agent élargit aussi sa surface d'attaque. L'auteur recommande d'exécuter les agents dans un bac à sable, de bloquer par défaut tout le trafic entrant et sortant, et de n'ouvrir que les connexions nécessaires via des listes d'accès. Il est également utile de séparer l'environnement de l'agent, l'infrastructure d'inférence et le bac à sable destiné aux commandes, et de restreindre l'accès aux identifiants.
Les réglages d'exécution de code intégrés à AutoGen et CrewAI ne remplacent pas une isolation des processus, qui reste à la charge du développeur. Seconde ligne de défense : la vérification des actions par des tests externes ou, à défaut de contrôle formel, un LLM-as-judge (un autre modèle jouant le rôle de juge) doté d'une échelle de notation calibrée.
Ce qu'il faut en retenir
Le texte relève avant tout de la synthèse, sans expérimentations propres de l'auteur. On peut néanmoins en tirer trois conseils pratiques. Premièrement, avant de choisir un framework, mesurez les tokens, le nombre d'appels et la latence sur votre propre tâche. Deuxièmement, lorsque c'est possible, rendez les appels d'outils parallèles. Troisièmement, placez un juge objectif au-dessus de l'agent (tests, linter, validateurs) et maintenez-le dans un environnement isolé, avec des limites strictes d'itérations et de budget.
- 21 nov. 2026Le navigateur Ego lite attribue à chaque agent IA son propre espace de travail Space
- 21 nov. 2026Instinct, évalué à 10 milliards de dollars, prend la tête du marché des agents IA qu'on gère comme une messagerie
- 21 nov. 2026Docker a changé d'image pour les agents IA, mais les Sandboxes sont sorties dès septembre
- 21 nov. 2026Google lance Gemini 4 Neon : 65,2 % sur Terminal-Bench 4.1 pour 3 $ par million de tokens
Questions clés sur cet article
Que sait-on sur Un passage unique contre une boucle ?
Un système RAG classique traite une requête en un seul passage : il rassemble le contexte, génère la réponse et s'arrête. L'agent garde en mémoire son objectif et l'historique de ses actions, décide de la suite, appelle un outil, examine le résultat et reprend son raisonnement. La boucle tourne tant que la tâche n'est pas résolue, ou jusqu'à épuisement du budget ou de la limite d'itérations. L'article prend l'exemple de « prévenir les clients d'un retard ». Un chatbot rédigera le texte du courrier.
Que sait-on sur Combien coûtent les frameworks ?
La partie la plus utile pour un praticien est la mesure d'AIMultiple sur le traitement de données non structurées. La tâche consiste à analyser quatre colonnes JSON indépendantes. AutoGen : un tour du modèle avec quatre appels d'outils parallèles, 8 170 tokens, latence médiane de 47 secondes. LangGraph : 9 150 tokens et 70 secondes. Le nombre d'appels d'outils variait de 6 à 16, car le système a tendance à répéter des étapes déjà exécutées.
Que sait-on sur Mémoire et sécurité ?
Les tâches longues nécessitent une mémoire. LangGraph sauvegarde l'état via des points de contrôle, par exemple avec AgentCoreMemorySaver, et l'agent peut reprendre son travail après une panne. Microsoft Agent Framework crée automatiquement des points de contrôle à chaque lancement d'un workflow. Reflexion conserve, au lieu de l'état complet, de courtes « leçons » textuelles tirées des échecs : c'est plus compact, mais moins prévisible. Élargir les capacités d'un agent élargit aussi sa surface d'attaque.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
L'essentiel de l'IA — une fois par semaine
Sept actus qui ont vraiment compté, choisies à la main. Sans bruit ni communiqués.
C'est fait ! Vérifiez votre boîte mail pour la confirmation.