LangChain, LangGraph et CrewAI : le guide des frameworks d’agents IA

« Mettre une IA dans mon application » — la phrase est partout, mais entre l’idée et le code, un gouffre. Faut-il appeler une API de modèle directement ? Utiliser LangChain ? LangGraph ? CrewAI ? Ces noms reviennent sans cesse, on les confond, et l’on ne sait pas par où commencer. Ce guide est la carte qui manque : il explique ce que sont ces frameworks d’agents IA, à quoi sert chacun, comment ils s’articulent, et dans quel ordre les apprendre pour passer de zéro à un assistant qui tourne en production.

Le fil conducteur de tout le parcours est un projet concret et utile : l’Assistant Teranga, un agent de support client pour une coopérative d’artisans d’Afrique de l’Ouest. Il répond aux questions sur les produits, va chercher l’état d’une commande, escalade les réclamations vers un humain, et finit hébergé derrière une API. Chaque tutoriel de la série en construit une brique. À la fin, vous ne saurez pas seulement « ce qu’est LangChain » : vous aurez bâti un agent réel, du premier appel de modèle jusqu’à la mise en ligne.

🎯 Ce que ce parcours vous permettra de faire

• Choisir, en connaissance de cause, entre LangChain, LangGraph et CrewAI selon votre besoin réel.
• Construire un agent qui appelle de vrais outils (base de données, API, mobile money) sans inventer ses réponses.
• Brancher un agent sur vos propres documents grâce au RAG, pour des réponses fondées sur vos données.
• Orchestrer des parcours complexes (branches, validation humaine, boucles) avec LangGraph.
• Faire collaborer plusieurs agents spécialisés au sein d’une équipe avec CrewAI.
• Mettre un agent en production : observabilité, mémoire persistante, API web et garde-fous.

🗺️ Le parcours d’apprentissage, étape par étape

L’ordre compte. Chaque tutoriel suppose le précédent et ajoute une brique à l’Assistant Teranga. Voici l’itinéraire conseillé :

1. Les fondations — installer LangChain, appeler un modèle, composer une chaîne, créer un premier agent. Premiers pas avec LangChain.
2. La connaissance — donner à l’agent une base documentaire pour qu’il réponde à partir de vos textes. RAG : brancher une base de connaissances.
3. L’action — connecter l’agent à de vraies fonctions et API. Donner des outils à un agent (tool calling).
4. Le contrôle — reprendre la main sur le parcours avec un graphe d’états. LangGraph : agents à états et cycles.
5. La collaboration — répartir le travail entre plusieurs agents. CrewAI : une équipe d’agents.
6. La production — observabilité, mémoire persistante, API et déploiement. Mettre un agent IA en production.

Vous pouvez bien sûr piocher selon vos besoins, mais suivre l’ordre garantit que chaque notion s’appuie sur la précédente, sans trou.

Pourquoi les frameworks d’agents, et pourquoi maintenant ?

Un modèle de langage seul est un excellent générateur de texte — et un piètre employé. Il ne connaît pas votre catalogue, n’a pas accès à votre base de commandes, invente volontiers un prix, et oublie tout d’un message à l’autre. Pour en faire un assistant utile, il faut l’entourer : lui donner des outils, une mémoire, des connaissances, un parcours. Écrire toute cette plomberie à la main est fastidieux et source d’erreurs.

C’est précisément ce que font les frameworks d’agents : ils fournissent les briques éprouvées — appel de modèle unifié, gestion des outils, mémoire, orchestration — pour que vous vous concentriez sur votre métier plutôt que sur la tuyauterie. En 2026, l’écosystème s’est stabilisé autour de quelques outils matures, et la barrière d’entrée n’a jamais été aussi basse : quelques lignes de Python suffisent à faire tourner un agent. Pour une PME ou une coopérative ouest-africaine, c’est une opportunité concrète : un assistant qui répond aux clients 24 h sur 24 tient désormais sur un petit serveur, à un coût mensuel modeste.

Les concepts fondamentaux

Avant les outils, le vocabulaire. Cinq notions reviennent dans toute la série ; les comprendre une fois vous épargne bien des confusions.

Le modèle (LLM)

Le moteur : un modèle de langage qui, à partir d’un texte, en produit un autre. On l’appelle via une API (OpenAI, Anthropic…) ou en local (Ollama). Tout le reste tourne autour de lui.

La chaîne

Un enchaînement figé d’opérations : un gabarit de prompt, le modèle, un analyseur de sortie, reliés en séquence. La chaîne suit toujours le même chemin — idéale pour les tâches répétitives (résumer, traduire, classer).

L’outil et l’agent

Un outil est une fonction que le modèle peut décider d’appeler (consulter un prix, ouvrir un ticket). Un agent est un modèle à qui l’on confie des outils et qui choisit lui-même lesquels appeler, et dans quel ordre, pour répondre. C’est ce qui sépare un bavard d’un acteur.

Le RAG

La génération augmentée par récupération : avant de répondre, l’agent va chercher les passages pertinents dans vos documents, puis répond en s’appuyant dessus. C’est la technique qui ancre les réponses dans vos données et réduit drastiquement les inventions.

L’état et le multi-agent

Un état est l’information qui circule au fil d’une conversation (les messages, une catégorie, une décision). Le contrôler permet des parcours sur mesure. Le multi-agent, lui, fait collaborer plusieurs agents spécialisés — un qui analyse, un qui rédige — comme une petite équipe.

Anatomie d’un agent : que se passe-t-il à chaque question ?

Comprendre la mécanique interne d’un agent éclaire tout le reste. Quand un client pose une question, il ne se passe pas un seul appel au modèle, mais une boucle. Le modèle reçoit la question accompagnée de la liste des outils disponibles et de leurs descriptions. Plutôt que de répondre directement, il peut émettre une demande d’appel d’outil — « consulte le prix du panier en osier ». Le framework exécute alors réellement la fonction et renvoie le résultat au modèle.

Le modèle relit la conversation enrichie de ce résultat et décide : a-t-il de quoi répondre, ou lui faut-il un autre outil ? La boucle tourne — appel, résultat, réflexion — jusqu’à ce qu’il estime pouvoir formuler sa réponse finale. C’est ce mécanisme, et lui seul, qui permet à un agent d’enchaîner plusieurs actions sans qu’on ait codé le scénario précis. Le saisir change la façon de déboguer : un agent qui tourne en rond ou s’arrête trop tôt trahit presque toujours un outil dont la réponse est ambiguë. Des outils qui répondent clairement font des agents qui décident bien — un principe qui traverse toute la série.

Les trois frameworks : qui fait quoi ?

Le cœur de ce guide. LangChain, LangGraph et CrewAI ne sont pas concurrents : ils répondent à des besoins différents et se combinent. Voici comment les situer.

LangChain — la boîte à outils de base

LangChain est la bibliothèque socle : elle unifie l’accès aux modèles (une seule fonction pour parler à des dizaines de fournisseurs), fournit les chaînes, le décorateur d’outils, les briques de RAG, et surtout create_agent, la fonction qui assemble un agent prêt à l’emploi. Pour la grande majorité des projets — un assistant qui réfléchit et appelle des outils en boucle — LangChain seul suffit. C’est par là qu’on commence, et c’est ce que couvrent les trois premiers tutoriels de la série.

Note importante pour ceux qui ont déjà touché à LangChain : la version 1.x a unifié la création d’agents autour de create_agent. Les anciens tutoriels qui utilisent create_react_agent sont dépassés — c’est create_agent du paquet langchain qu’il faut désormais employer.

LangGraph — quand vous voulez maîtriser le parcours

Dès que la logique dépasse « réfléchir et appeler des outils » — aiguiller selon une catégorie, imposer une validation humaine, faire une boucle de vérification — il faut décrire le parcours soi-même. LangGraph modélise l’agent comme un graphe : des nœuds (vos fonctions) reliés par des arêtes (qui décident de la suite), avec un état qui circule et une mémoire grâce aux checkpointers. C’est l’outil du contrôle fin. Détail rassurant : create_agent de LangChain est lui-même bâti sur LangGraph ; apprendre LangGraph, c’est comprendre ce qui tournait sous le capot.

CrewAI — quand la valeur vient de la division du travail

Parfois, le problème n’est pas le parcours mais la répartition des compétences : un agent qui enquête, un autre qui rédige, un troisième qui relit. CrewAI adopte la métaphore de l’équipe : on définit des agents avec un rôle, un objectif et une personnalité, on leur confie des tâches qui s’enchaînent, et on lance l’équipe. C’est un framework indépendant de LangChain, avec sa propre logique, idéal pour les productions en plusieurs métiers.

Lequel choisir ? Le tableau de décision

La règle simple : commencez avec LangChain. Passez à LangGraph quand vous devez contrôler le parcours, à CrewAI quand vous devez distribuer des rôles. Et n’hésitez pas à les combiner : un nœud LangGraph peut très bien lancer une équipe CrewAI.

Les outils du parcours, en un coup d’œil

Chacun des six tutoriels ci-dessous construit une brique de l’Assistant Teranga. Suivis dans l’ordre, ils forment un cours complet ; pris isolément, chacun résout un problème précis.

• Premiers pas avec LangChain — installer, appeler un modèle, composer une chaîne LCEL et créer un premier agent outillé.
• RAG : brancher une base de connaissances — découpage, embeddings, index vectoriel et recherche sémantique transformée en outil.
• Donner des outils à un agent — arguments typés, appels HTTP, gestion d’erreurs et enchaînement d’outils.
• LangGraph : agents à états et cycles — état, réducteurs, nœuds, arêtes conditionnelles et mémoire.
• CrewAI : une équipe d’agents — rôles, tâches, processus séquentiel ou hiérarchique, outils et mémoire d’équipe.
• Mettre un agent en production — LangSmith, mémoire persistante, API FastAPI et checklist de déploiement.

Un mot sur le coût et les versions

Une question revient toujours : « tout ça, est-ce gratuit ? ». Les frameworks le sont (LangChain, LangGraph et CrewAI sont des bibliothèques libres, sous licence MIT au moment d’écrire). Le coût vient des appels au modèle hébergé, facturés au volume de texte. Deux leviers le maîtrisent : développer en local avec Ollama (zéro facture), et choisir un petit modèle « mini » pour les tâches simples. Pour la production, un VPS modeste suffit à héberger l’ensemble. Côté versions, l’écosystème bouge vite : au moment d’écrire, on en est à LangChain 1.x, LangGraph 1.x et CrewAI 1.x, tous exigeant Python 3.10 ou plus récent. Épinglez vos versions dans le projet pour éviter les surprises lors d’une mise à jour.

Sécurité et confiance : la question qu’on oublie

Un agent branché sur vos systèmes est puissant — et c’est exactement pour cela qu’il faut le traiter comme une porte d’entrée à surveiller. Chaque outil donne au modèle un accès réel à vos données ; or un modèle reste faillible et peut être manipulé par un message piégé glissé dans une conversation. Trois principes de bon sens protègent la coopérative et ses clients.

D’abord le moindre privilège : un outil qui ne fait que lire reçoit un accès en lecture seule, jamais un compte qui peut tout modifier. Ensuite la défiance envers les entrées : une valeur produite par le modèle est une donnée non fiable, à traiter comme une saisie utilisateur — requêtes paramétrées, jamais de concaténation directe dans une requête de base de données. Enfin le plafonnement des conséquences : une action sensible (rembourser, envoyer un message en masse, supprimer) passe par une validation humaine ou une limite stricte. Le modèle est un assistant compétent, pas un administrateur de confiance — et vos outils sont la frontière qui tient s’il se trompe. Cette posture défensive n’est pas un luxe : c’est ce qui rend un agent déployable sereinement.

Au-delà des trois frameworks : l’écosystème

LangChain, LangGraph et CrewAI ne vivent pas seuls. Plusieurs pièces complètent le tableau, et il est utile de les situer même si la série se concentre sur l’essentiel. Les bases vectorielles (Chroma, pgvector, Qdrant…) stockent durablement les embeddings d’un RAG quand l’index en mémoire ne suffit plus. Les plateformes d’observabilité comme LangSmith tracent chaque exécution pour la déboguer et en mesurer la qualité. Enfin, le protocole MCP (Model Context Protocol) standardise la façon dont un agent se connecte à des outils externes, ce qui facilite le partage d’outils entre projets.

L’important n’est pas de tout adopter d’emblée, mais de savoir que ces briques existent et s’emboîtent. Un projet réel typique combinera LangChain pour l’agent, une base vectorielle pour la connaissance, LangSmith pour l’observabilité, et peut-être LangGraph pour orchestrer le tout — chacune intervenant quand le besoin se présente, pas avant. Ajouter de la complexité trop tôt est l’une des erreurs les plus coûteuses ; l’écosystème se déploie au rythme de vos besoins réels.

Du prototype au produit : ce qui change vraiment

Beaucoup de projets s’arrêtent au stade « ça marche sur ma machine ». Le passage au service réel demande quelques décisions qu’il vaut mieux anticiper. La mémoire doit devenir persistante — un client doit retrouver sa conversation après un redémarrage, ce qui suppose un checkpointer en base plutôt qu’en mémoire vive. L’agent doit être joignable par d’autres applications, donc exposé derrière une API web. Il doit être observable, pour qu’une réponse étrange ou une facture qui grimpe se diagnostique en minutes, pas en heures. Et il lui faut des garde-fous : plafond de dépense, limite de messages par client, réponse de repli quand le modèle est injoignable.

Aucune de ces décisions n’est insurmontable, et toutes tiennent sur un budget modeste — c’est précisément l’objet du dernier tutoriel de la série. Les anticiper dès la conception évite de tout réécrire le jour de la mise en ligne, et transforme un prototype impressionnant en un service sur lequel une activité peut réellement s’appuyer.

Adaptation au contexte ouest-africain

Un agent de support n’est pas un gadget de start-up de la Silicon Valley : c’est une réponse directe à une contrainte bien réelle ici. Le support humain est rare et coûteux ; un assistant qui absorbe les questions répétitives — horaires, prix, délais de livraison, suivi de commande — libère un temps précieux pour les vrais litiges. Et il répond la nuit, le dimanche, pendant la prière, sans salaire.

Trois adaptations comptent particulièrement. D’abord le coût : développez avec Ollama en local, plafonnez les dépenses chez votre fournisseur, et privilégiez les petits modèles — un facteur dix d’économie sans perte notable sur des réponses courtes. Ensuite la connectivité : prévoyez des délais d’attente courts sur les appels réseau et une réponse de repli quand un service tiers (une passerelle mobile money, par exemple) est injoignable. Enfin l’intégration locale : vos outils brancheront naturellement l’agent sur ce qui existe déjà — Orange Money, Moov Money, Wave, une base MySQL de commandes, un simple Google Sheet partagé. Le mobile money, en particulier, se prête bien à un outil de vérification de paiement. L’agent devient alors un véritable rouage de votre activité, pas une démonstration technologique.

Erreurs fréquentes à éviter

FAQ

Q : Dois-je apprendre les trois frameworks pour démarrer ?
R : Non. Commencez par LangChain, qui couvre déjà la majorité des besoins. LangGraph et CrewAI viennent répondre à des besoins précis (contrôle du parcours, collaboration multi-agents) que vous rencontrerez plus tard. Le parcours est conçu pour que vous montiez en puissance progressivement.

Q : Faut-il payer un fournisseur comme OpenAI ?
R : Pas pour apprendre. Avec Ollama, vous faites tourner un modèle gratuitement en local. C’est plus lent et un peu moins fiable sur les tâches complexes, mais parfait pour développer sans facture. En production, un modèle hébergé reste souvent le choix le plus fiable pour le tool calling.

Q : LangChain, LangGraph : c’est la même entreprise ?
R : Oui, LangGraph fait partie de l’écosystème LangChain et s’utilise avec lui. CrewAI, en revanche, est un projet indépendant, avec sa propre logique. Les trois peuvent coexister dans un même projet.

Q : Quel niveau en Python faut-il ?
R : Un niveau intermédiaire suffit : savoir écrire des fonctions, manipuler des dictionnaires et des listes, lancer un script. Les frameworks sont très déclaratifs ; vous n’avez pas besoin d’être expert pour obtenir un agent qui marche.

Q : Un agent peut-il vraiment remplacer un agent de support humain ?
R : Il ne le remplace pas, il le complète. L’assistant traite les questions répétitives et factuelles ; les cas sensibles ou ambigus sont escaladés vers un humain — c’est tout l’intérêt d’un parcours avec validation humaine, comme on le construit avec LangGraph.

Q : Ces outils sont-ils stables, ou vont-ils changer dans six mois ?
R : L’écosystème évolue vite, mais les concepts (modèle, outil, agent, RAG, état, multi-agent) sont stables et transférables. Les API bougent ; la façon de penser un agent, beaucoup moins. C’est pourquoi ce guide insiste autant sur les concepts que sur le code.

Par où commencer concrètement

La meilleure façon de digérer ce guide, c’est de coder. Installez Python 3.10 ou plus récent, créez un environnement virtuel, et lancez le premier tutoriel : en une trentaine de minutes, vous aurez un agent qui répond à une vraie question. Ne cherchez pas à tout comprendre d’un coup ni à choisir « le bon framework » avant d’avoir écrit la moindre ligne — ce choix se fera naturellement quand vous buterez sur une limite réelle.

Une dernière recommandation : gardez un projet personnel en tête dès le départ. L’Assistant Teranga sert d’exemple, mais le parcours prend tout son sens quand vous l’appliquez à votre besoin — l’assistant de votre boutique, le bot de votre association, l’outil interne de votre équipe. Reprenez chaque brique, remplacez le catalogue d’artisanat par vos données, et vous aurez bien plus qu’un tutoriel suivi : un outil qui vous sert. La théorie s’oublie, un projet qui tourne reste.

Pour aller plus loin

• Démarrez le parcours : Premiers pas avec LangChain.
• Vue d’ensemble métier : Agents IA pour PME : architecture et déploiement et panorama des LLM pour PME francophones.
• Cas concrets : RAG avec pgvector sur un corpus juridique et un agent LangChain pour le triage de sécurité.
• Sécurité : sécuriser et isoler un agent IA en production.
• Documentation officielle : LangChain, CrewAI.