Sber Développe GigaChain Sans Créer un Fork de LangChain, en Misant sur un Paquetage de Compatibilité

Sber partage comment elle construit un écosystème open source autour de GigaChat et pourquoi elle a choisi de ne pas faire un fork de LangChain en faveur d'un package de compatibilité séparé. Ce changement a simplifié le développement d'agents IA au sein de l'entreprise et a rendu la stack plus compréhensible pour les équipes externes.

Pourquoi ils ont changé d'approche

GigaChain est apparu au moment où Sber avait besoin d'un outil unifié pour développer avec GigaChat — à la fois pour les équipes internes et pour les développeurs externes. Plutôt que de tout construire de zéro, l'équipe a décidé de s'appuyer sur une base open source existante. LangChain a été choisi comme base : c'était le framework le plus en vue pour les systèmes d'agents, capable de travailler avec différents modèles sans lier les développeurs à un seul fournisseur. Pour une grande entreprise, ce choix signifiait moins de risques, une implémentation plus rapide et un marché des talents plus familier.

Initialement, l'équipe a effectivement poursuivi une approche par fork. La raison était pratique : l'ère de l'ingénierie de prompts ne faisait que commencer, et LangChain avait de nombreux prompts codés en dur en anglais. Pour GigaChat, qui était mieux adapté à la langue russe, cela créait des limitations inutiles. Un problème supplémentaire était que mettre en place un multilingue complet et une intégration avec les fournisseurs au sein du projet principal était difficile à accomplir rapidement.

Mais cette approche est rapidement devenue trop coûteuse à maintenir.

«

Nous avons été forcés de tirer 100-200 changements qui apparaissaient dans le projet principal littéralement chaque semaine. »

Quand LangChain a commencé à changer rapidement et à passer à une architecture modulaire, Sber a abandonné le fork et a construit son propre package de compatibilité. Maintenant, le scénario recommandé fonctionne ainsi : un développeur installe un LangChain pur et ajoute le package d'intégration GigaChat. Cette approche s'est avérée plus durable : même après que le package ait disparu de la documentation officielle de LangChain, les utilisateurs n'ont presque rien ressenti. Effectivement, l'équipe a maintenu la compatibilité avec la norme du marché sans rester coincée dans une synchronisation infinie du code externe.

Ce que Sber construit

Autour de GigaChat, l'équipe développe non seulement un SDK, mais tout un écosystème ouvert. Son objectif n'est pas seulement de fournir un accès à l'API du modèle, mais aussi de raccourcir le chemin vers un agent IA fonctionnel. Selon l'équipe, une part importante des projets d'agents internes de Sber s'appuient déjà sur cette stack, et les développeurs externes l'utilisent de plus en plus. Un signal séparé de la demande est la bibliothèque Python pour travailler avec l'API GigaChat : selon les données de ClickPy, elle se classe dans les 1,5% supérieurs des packages les plus téléchargés sur PyPI par téléchargements mensuels.

• Bibliothèque Python pour l'intégration avec GigaChat API
• package de compatibilité avec LangChain à la place de son propre fork
• agent autonome ouvert GigaAgent
• documentation, exemples d'intégration et guides pratiques
• webinaires, articles et démonstrations lors de conférences

GigaAgent joue un rôle particulier ici. L'équipe ne l'a pas construit comme un projet de démonstration de laboratoire, mais l'a affiné en fonction des commentaires des ingénieurs et des équipes commerciales. Tout au long de 2025, lors de dizaines de conférences, les développeurs ont démontré l'agent en direct et recueilli des commentaires : où REPL et les outils étaient nécessaires, où l'exécution locale était critique et où la modularité importait davantage. L'entreprise, à son tour, poussait vers des scénarios pratiques — analyse de données, préparation de présentations et travail avec des sources de données d'entreprise.

Ce que l'open source apporte

Pour Sber, l'approche ouverte résout plusieurs problèmes à la fois. Premièrement, il est plus simple d'embaucher des spécialistes : si la stack est construite autour de LangChain et de bibliothèques compatibles, l'entreprise n'a pas besoin de chercher des personnes pour une plateforme interne complètement unique. Deuxièmement, la barrière à la migration des solutions d'agents existantes vers GigaChat est abaissée. L'idée est simple : si un développeur a déjà construit un agent sur un framework populaire, il devrait être plus facile de l'adapter au modèle russe sans une réécriture complète.

Il y a un troisième effet — l'aide de la communauté. L'équipe a donné un exemple avec LlamaIndex : initialement, Sber ne supportait pas ce framework en raison de ressources limitées, mais plus tard un développeur externe a envoyé une pull request avec support pour GigaChat basée sur une bibliothèque déjà existante. En conséquence, l'écosystème a gagné une intégration avec une autre stack populaire à presque aucun coût interne.

La politique de licence reste aussi simple que possible : pour ses projets, l'équipe choisit généralement MIT et surveille attentivement les licences et le comportement des mainteneurs externes.

Pour Sber, la communication autour de l'open source n'est pas une activité secondaire mais fait partie du produit. L'équipe répond sur GitHub, maintient la documentation, publie des articles, gère des canaux Telegram, organise des webinaires et apparaît lors de conférences spécialisées. Rien qu'en 2025, elle a fait plus de 15 présentations externes.

Dans ce modèle, le contenu est nécessaire non à des fins de relations publiques mais pour réduire le temps entre la sortie, les commentaires et la prochaine itération du produit.

Ce que cela signifie

L'histoire de GigaChain montre que pour les stacks IA d'entreprise d'aujourd'hui, ce qui compte plus qu'un fork à tout prix est la compatibilité avec les outils open source conventionnels du marché. Si Sber continue sur cette voie, GigaChat peut renforcer considérablement sa position dans le développement de systèmes d'agents en langue russe et dans les scénarios d'entreprise, où la vitesse de mise en œuvre et l'accès à une stack familière importent souvent plus que l'exotisme technologique.