Créer des workflows IA avec des frameworks multi-agents

La plupart des développeurs qui souhaitent créer des agents IA commencent par une simple boucle avec un grand modèle de langage — un prompt système et parfois un ou deux outils — et pour des tâches simples, cela suffit.

Mais dès que vous souhaitez structurer, le système se fragilise. Les résultats deviennent imprévisibles, les workflows difficiles à déboguer, et vous gaspillez des jetons dans la répétition au lieu d’avancer.

Les workflows multi-agents vous permettent de créer des agents IA qui fonctionnent comme une équipe, avec des rôles clairs et une visibilité sur la prise de décision, pour atteindre un objectif commun.

Qu'est-ce qu'un cadre multi-agents ?

Un cadre multi-agents est l’infrastructure utilisée pour créer, exécuter et gérer plusieurs agents IA en coordination.

C’est l’infrastructure qui gère la communication entre les agents et le passage des tâches entre eux.

Si vous travaillez avec des systèmes multi-agents, c'est le framework qui les rend opérationnels.

Fondamentalement, cela transforme des grands modèles de langage (LLMs) bruts en agents spécialisés, chacun avec un rôle et un mode de fonctionnement prévisible.

Au lieu de coder la logique d’orchestration depuis zéro, le framework vous apporte structure, contrôle et reproductibilité.

Cadres multi-agents : concepts clés

Comment fonctionnent les cadres multi-agents ?

Les frameworks multi-agents structurent la façon dont les agents sont déclenchés, comment ils échangent des données et comment le système suit la progression.

Ils fournissent les briques de base pour coordonner les agents d’une manière qui s’adapte à la complexité et les rend utilisables dans des déploiements réels.

Un exemple est l’utilisation d’une configuration multi-agents pour alimenter un chatbot WhatsApp. Dans ce cas, différents agents peuvent gérer la réservation, le traitement des remboursements ou la vérification, travaillant ensemble en coulisses sans dépendre d’un seul bot monolithique.

Les agents sont enregistrés comme composants appelables dans le système

Avant qu’un agent puisse agir, le framework doit savoir qu’il existe. Cela signifie indiquer au système le nom de l’agent, ses responsabilités et les outils ou informations auxquels il a accès.

Dans la plupart des frameworks, cette configuration se fait via un fichier de configuration ou du code, où vous définissez le rôle de chaque agent et comment l’activer. Par exemple, vous pouvez indiquer au système :

« Voici le planificateur. Il lit l’entrée utilisateur et décide de la prochaine action. »
« Voici le vérificateur. Il prend les informations utilisateur et retourne booking_id et les informations utilisateur. »

Une fois enregistrés, le framework peut « appeler » ces agents par leur nom, c’est-à-dire qu’il sait comment exécuter chacun d’eux au bon moment dans le workflow.

L’agent de routage décide quel agent exécuter ensuite

Un agent planificateur ou une fonction de contrôle gère l’acheminement des agents IA. Il analyse la dernière réponse du bot, l’historique de la conversation et parfois la demande initiale de l’utilisateur pour décider de la suite à donner.

Certains planificateurs sont basés sur des prompts : ils reçoivent un message système et renvoient le nom du prochain agent à exécuter.

D’autres utilisent une logique codée en dur ou des graphes de flux, selon le framework d’agent IA utilisé.

Le framework prend ce résultat et l’utilise pour appeler l’agent suivant. Le routeur décide qui doit effectuer la tâche, au lieu de la réaliser lui-même.

Les données sont transmises entre agents via des messages

Les agents ne partagent pas directement leur mémoire. Lorsqu’un agent termine, sa sortie est emballée dans un message — généralement un dictionnaire ou un objet JSON — puis transmise à l’agent suivant comme entrée.

Le framework gère le transfert. Il stocke soit le message dans un espace mémoire partagé, soit le transmet directement à l’interface d’entrée de l’agent suivant, selon la structure du système.

Les messages contiennent souvent plus que le simple contenu :

• Expéditeur (agent ou utilisateur)
• D’où cela provient-il dans le flux de travail
• Comment il doit être utilisé (ex. : déclencheur, entrée, décision)
• Métriques optionnelles comme le nombre de tokens ou les horodatages

Ce contexte aide le système à bien répartir les tâches et à garder les agents indépendants les uns des autres.

L’exécution est suivie grâce à l’état du workflow et aux déclencheurs

Le framework garde en mémoire tout ce qui s’est passé : quels agents ont été exécutés, ce qu’ils ont renvoyé, et ce qui reste à faire. Ces informations sont stockées dans un objet d’état, mis à jour à chaque étape.

Les déclencheurs déterminent la suite. Ils utilisent des valeurs de sortie ou des conditions pour orienter le flux.

Cela permet au système d’avancer sans coder la logique dans chaque agent. C’est l’état qui pilote le workflow, pas les agents eux-mêmes.

Principaux avantages de l'utilisation des cadres multi-agents

Développez la logique sans surcharger un seul agent

Un agent IA seul a ses limites avant de devenir un ensemble confus de prompts, d’outils et de responsabilités floues. Les frameworks multi-agents permettent de répartir cette logique entre plusieurs agents spécialisés, chacun gérant une tâche précise.

Au lieu de surcharger un seul agent, vous pouvez confier des étapes spécifiques — comme la recherche, la validation ou l'exécution — à des agents distincts et faire évoluer le système progressivement.

Déboguez la collaboration entre agents avec une visibilité complète

Lorsque des agents IA collaborent, il peut être difficile de retracer les problèmes. Les frameworks vous montrent ce que chaque agent a reçu, ce qu’il a renvoyé et où il s’est arrêté.

Vous ne devinez pas ce qui a échoué — vous inspectez les transitions et corrigez directement. Ce niveau de visibilité rend la collaboration entre agents IA gérable.

Réutilisez les agents dans différents workflows

Si un agent fonctionne, réutilisez-le. Les frameworks permettent d’intégrer le même agent dans différents flux sans tout réécrire. Cela garantit la cohérence et accélère les tests.

Par exemple, un agent de validation qui vérifie les saisies ou l’authentification peut être utilisé aussi bien dans un chatbot de service client que dans un chatbot de réservation, partout où la même logique s’applique.

Gérez automatiquement les échecs et les nouvelles tentatives

Si un agent échoue, le framework peut réessayer, passer l’étape ou continuer. Vous n’avez pas à écrire cette logique vous-même.

Le système de secours intégré rend les workflows plus fiables sans effort supplémentaire, et cette fiabilité est essentielle pour les systèmes en production.

Créez des flux d’agent faciles à modifier

En répartissant les tâches entre agents, vous n’avez pas à tout revoir à chaque changement.

Vous pouvez modifier un planificateur sans toucher à l’exécution, ou changer la façon dont un agent répond sans réécrire le reste.

Cet accès facilité porte ses fruits : Salesforce rapporte que les équipes utilisant l’IA agentique gagnent 11 heures par employé chaque semaine, notamment grâce à la flexibilité des workflows.

Top 5 des cadres multi-agents

Le choix d’un framework multi-agent dépend de ce que vous souhaitez construire et du niveau de contrôle que vous voulez sur le comportement, la communication et la gestion des échecs des agents.

Les meilleurs frameworks présentent différents compromis : certains sont parfaits pour des processus structurés, d’autres offrent plus de flexibilité au détriment de la clarté.

Vous devez choisir une solution adaptée aux besoins de votre équipe et à l’ambition que vous avez pour le système.

1. Botpress

Botpress est une plateforme de développement visuel pour créer des agents IA capables de coordonner plusieurs étapes, rôles et canaux.

Au lieu d’implémenter la logique dans le code, vous définissez le comportement des agents à l’aide de flux, de mémoire, de conditions et d’appels d’outils.

Le comportement multi-agent repose sur des instructions, des workflows et des outils externes. Chaque nœud d’un flow Botpress agit comme une unité dédiée, avec ses propres instructions et son périmètre.

Vous pouvez répartir la logique sur plusieurs nœuds autonomes ou statiques, ajouter des couches de validation ou diriger les saisies utilisateurs via une logique décisionnelle basée sur des outils, au lieu de tout gérer en une seule étape.

La mémoire est limitée à chaque flow, donc les agents n’utilisent que ce dont ils ont besoin. Les entrées et sorties sont clairement définies, et les appels d’outils peuvent être ajoutés directement via les intégrations intégrées.

Fonctionnalités clés

• Orchestration visuelle des agents à l’aide de flux et de nœuds
• Gestion de la mémoire et des variables entre les nœuds
• Mémoire multi-tours, logique de secours et tentatives de reprise
• Utilisation d'outils via appels API, webhooks et saisie de fonctions

2. LangChain

LangChain est un framework conçu pour les développeurs afin de créer des applications alimentées par des LLM en connectant des chaînes de prompts, d’outils et de mémoire.

Au départ, il s’agissait de structurer les appels LLM avec des outils comme la recherche et les calculatrices, mais cela s’est progressivement transformé en un vaste écosystème.

Une version a d’abord mis l’accent sur les « agents », puis les « assistants », puis les « runnables ». Le résultat est une boîte à outils puissante, capable de presque tout, mais dont la prise en main demande souvent du temps.

Vous pouvez attribuer des outils et construire une logique de routage entre agents. L’atout principal est la modularité : les composants sont réutilisables, combinables et bien intégrés avec des API externes.

Mais vous écrirez plus de code d’intégration que prévu. Et comme les abstractions évoluent vite, vérifiez si la méthode que vous utilisez est toujours recommandée.

Fonctionnalités clés

• Chaînage modulaire de prompts, d'outils et de mémoire
• S’intègre aux LLM, aux vecteurs de données et aux API
• Traçage et évaluations optionnels avec LangSmith

3. CrewAI

CrewAI facilite la création de workflows multi-agents où chaque agent a un rôle et une tâche définis. Vous créez une équipe, fixez des objectifs et les agents se coordonnent via un gestionnaire commun.

C’est l’un des moyens les plus rapides de modéliser la collaboration entre agents sans avoir à écrire toute la logique d’orchestration soi-même.

Idéal pour des configurations telles que les binômes planificateur–exécutant, les flux recherche–relecture, ou toute tâche en équipe où les responsabilités sont clairement réparties.

Mais dès que vous ajoutez de la complexité, l’abstraction devient rigide. Il y a moins de flexibilité sur la façon et le moment où les agents s’exécutent, et modifier leur comportement implique souvent de sortir du cadre par défaut du framework.

Fonctionnalités clés

• Configuration d’agents basée sur les rôles avec noms, objectifs et mémoire
• Prise en charge de l’exécution séquentielle et parallèle des agents
• Mémoire partagée de l’équipe pour la collaboration entre agents
• Intégration facile avec des outils, fonctions et instructions personnalisées

4. AutoGPT

AutoGPT a été le premier projet à montrer ce qui se passe lorsqu’on donne un objectif à un chatbot GPT et qu’on le laisse agir : planifier, réfléchir, rechercher et exécuter sans intervention humaine constante.

Vous définissez l’objectif, et AutoGPT enchaîne les étapes de raisonnement, crée des sous-objectifs, utilise des outils et ajuste sa stratégie au fil du processus.

Cela a été un grand pas pour rendre le comportement agentique plus autonome et dynamique. Mais ce n’est pas conçu pour la précision.

La boucle de tâches est fragile et les agents ont tendance à rester bloqués à réécrire le même plan ou à poursuivre des sous-tâches non pertinentes.

Vous pouvez intégrer la mémoire, des outils et des API — mais tout assembler peut entraîner des flux imprévisibles, difficiles à déboguer ou à contrôler.

Fonctionnalités clés

• Agent orienté objectif avec auto-prompting et planification des tâches
• Génération automatique de sous-tâches et boucle d'exécution
• Prise en charge de l’utilisation d’outils via des plugins et des appels API
• Extensible avec des scripts personnalisés, des fonctions et des intégrations

5. Autogen

Autogen est un framework open-source de Microsoft axé sur les conversations multi-agents, où les agents interagissent via des messages structurés et tour à tour.

C’est particulièrement utile si vous souhaitez contrôler chaque échange, comme dans les boucles planification-exécution ou les systèmes humain dans la boucle.

Autogen se distingue par sa transparence. Vous pouvez injecter des fonctions en cours de conversation, orienter les décisions via une logique personnalisée et suivre précisément ce que chaque agent a dit et pourquoi.

Mais pour passer à l’échelle, il faut du travail. L’orchestration des messages est flexible, mais pas abstraite : vous gérez toujours vous-même l’historique, la configuration des agents et la logique des étapes.

Pour la recherche, les tests contrôlés ou des comportements d’agent reproductibles, c’est l’un des cadres les plus précis disponibles.

Fonctionnalités clés

• Cadre de communication multi-agents au tour par tour
• Prend en charge les agents avec intervention humaine et appel de fonctions
• Traçabilité transparente des messages et injection de logique personnalisée

Comment développer avec un cadre multi-agents

La façon la plus simple de commencer est de choisir un vrai processus — déjà trop complexe pour un seul agent — et de le découper en quelques étapes simples.

Pensez à un chatbot de génération de leads, un parcours de réservation, ou tout autre cas où la logique, la vérification et l’action deviennent complexes.

Attribuez un agent à chaque étape, puis reliez-les à l’aide des outils de routage et de messagerie du framework.

Étape 1 : Identifiez où la logique à agent unique atteint ses limites

Repérez un endroit dans votre bot ou système où tout commence à s’étendre — des prompts trop longs ou des appels d’outils enchaînés qui semblent ajoutés à la va-vite. C’est votre point d’entrée. Voici quelques exemples courants faciles à repérer :

1. Un parcours de remboursement qui analyse la demande de l’utilisateur, vérifie l’éligibilité, effectue le remboursement et envoie une confirmation — tout en une seule boucle
2. Un parcours d’intégration qui collecte des données, valide des formulaires, attribue des types d’utilisateurs et déclenche des e-mails dans une seule chaîne de prompts

Au lieu de repenser tout le système, vous isolez simplement le workflow qui montre déjà des faiblesses.

Étape 2 : Définissez les rôles avant de toucher au framework

Une fois la logique complexe identifiée, divisez-la en responsabilités claires.

Si une tâche valide une saisie, c’est un agent. Si une autre gère une action externe, c’en est un autre.

Rédigez-le simplement — juste assez pour faire apparaître les points de passage.

Une fois tout devant vous, vous verrez ce qui doit vraiment être séparé et ce qui peut être regroupé. Cela vous donne aussi une idée du type de cadre dont vous avez besoin.

Chaque rôle doit pouvoir être testé indépendamment.

Étape 3 : Choisissez le cadre

Choisissez une plateforme adaptée à votre façon de travailler.

• Visuel : Botpress, si vous souhaitez des flows en mode node et une mémoire contextuelle.
• Code-first : LangChain ou CrewAI si vous êtes à l’aise avec la logique en Python.

Le framework détermine comment les agents sont enregistrés, déclenchés et connectés.

Étape 4 : Construisez le premier workflow

Transformez maintenant ces rôles en agents. Définissez-les dans votre framework : donnez-leur un nom, une mission et l’accès aux outils ou API nécessaires.

Une fois qu'ils sont en place, reliez-les. Utilisez le routage proposé par le framework pour passer d'un agent à l'autre.

L’objectif ici est d’obtenir un workflow complet fonctionnel de bout en bout, avec des agents qui restent dans leur domaine.

Étape 5 : Lancez le système et vérifiez chaque transfert

Déclenchez le flux complet — du début à la fin — et suivez ce qui se passe. Observez ce que chaque agent reçoit, ce qu’il retourne, et si le flux circule bien entre eux.

Si un agent reçoit une entrée confuse, c’est probablement que le périmètre a été mal défini. Si la logique saute de façon inattendue, il faut revoir le routage.

Une fois les transitions bien définies, vous disposez d’un système opérationnel.

Bonnes pratiques pour utiliser les cadres multi-agents

Choisir un framework n'est qu'un point de départ. Ce qui compte vraiment, c'est la façon dont vous concevez, testez et gérez les workflows que vous créez avec celui-ci.

À mesure que les systèmes d’IA deviennent plus modulaires et autonomes, il devient plus difficile d’assurer leur traçabilité.

Centralisez la logique principale

Évitez de répartir les décisions critiques sur plusieurs agents. Il est plus simple de maintenir et de tester lorsque le raisonnement principal se trouve au même endroit, plutôt que dispersé dans des éléments faiblement liés.

Définissez à l’avance les entrées et sorties de l’agent

Chaque agent doit avoir un contrat clairement défini — ce qu’il reçoit, ce qu’il retourne. Cela facilite le remplacement ou l’ajout d’agents dans de nouveaux workflows sans casser la logique.

Consignez chaque message échangé entre les agents

Si vous ne pouvez pas voir ce que les agents se disent, vous ne pouvez rien déboguer. Assurez-vous que chaque entrée et sortie soit enregistrée avec assez de contexte pour pouvoir remonter le fil du flux.

Utilisez une mémoire limitée pour réduire le bruit et les coûts

Donnez à chaque agent uniquement le contexte dont il a besoin. Un accès complet à la mémoire entraîne des prompts trop longs, une consommation de tokens plus élevée et un comportement imprévisible de la part d'agents censés rester concentrés.

Commencez à développer une IA capable de se coordonner

La plupart des systèmes échouent dès qu'une vraie coordination est nécessaire. Botpress vous permet de contrôler la façon dont les agents se transmettent les tâches — avec des rôles et une logique définis, vous pouvez tester et comprendre.

Cela permet aussi de transmettre facilement des données entre les flows. Vous pouvez suivre chaque étape grâce à des journaux multi-tours qui indiquent quel outil a été appelé, pourquoi, et comment il a été utilisé dans le workflow.

Au lieu de régler les invites et de contrôler les hallucinations, vous vous concentrez sur la véritable fonctionnalité : créer des agents qui se comportent comme des logiciels.

Commencez à créer dès aujourd’hui — c’est gratuit.

FAQ

Comment savoir si mon projet IA nécessite vraiment un cadre multi-agents, ou si un seul agent suffit ?

Votre projet IA a probablement besoin d'un framework multi-agents si les prompts ou workflows de votre agent unique deviennent trop longs ou difficiles à déboguer, surtout pour gérer plusieurs tâches distinctes. Pour des cas plus simples comme la FAQ ou les bots à usage unique, un seul agent suffit souvent.

Le développement avec un cadre multi-agents est-il réservé aux grands projets d'entreprise, ou convient-il aussi aux petites startups ?

Construire avec un cadre multi-agents n’est pas réservé aux grandes entreprises : les petites startups en bénéficient aussi, car même les projets modestes sont plus faciles à déboguer quand les tâches complexes sont réparties entre des agents spécialisés, plutôt que tout entasser dans une seule boucle difficile à gérer.

Utiliser un système multi-agents signifie-t-il que je dois tout séparer en agents distincts, ou puis-je mélanger logique mono-agent et multi-agent ?

Utiliser un système multi-agents ne signifie pas qu’il faut tout séparer en agents distincts ; vous pouvez combiner une logique mono-agent pour les tâches simples et réserver l’orchestration multi-agents aux workflows complexes.

En quoi un système multi-agents diffère-t-il de l’utilisation de plusieurs API ou microservices dans mon application ?

Un système multi-agents se distingue de l’utilisation de plusieurs API ou microservices, car il coordonne des agents IA spécialisés avec des rôles et des capacités de raisonnement distincts qui échangent des messages structurés et un état partagé, alors que les API et microservices gèrent des fonctions isolées sans orchestrer eux-mêmes des workflows complexes.

Comment le coût d’exploitation de systèmes multi-agents se compare-t-il à celui d’un seul grand LLM ?

Le coût d’exploitation de systèmes multi-agents peut être inférieur à celui d’un grand LLM unique, car des agents spécialisés plus petits gèrent efficacement des tâches précises sans gaspiller de tokens sur de longs prompts ou du contexte répété. Cependant, cela ajoute une complexité de gestion de l’orchestration et de la communication entre agents, donc les économies dépendent de la complexité de votre cas d’usage.