Frameworks Agents Multi-Langages

Ce que contient ce pack

Ce pack rassemble les six frameworks d'agent qui permettent aux équipes de rester dans leur écosystème de langage existant au lieu de boulonner un service Python à un backend Java ou Rust juste pour des features LLM. La liste couvre les quatre langages où du travail sérieux d'agents se passe en dehors de Python : Java, Rust, TypeScript et Python (avec FastHTML pour le rendering full-stack).

Le pack reflète la réalité que les features LLM s'expédient maintenant dans chaque backend, pas seulement Python. Un backend Spring Boot d'e-commerce ne veut pas démarrer un service FastAPI séparé pour un chat — Spring AI vit dans la même JVM. Un API gateway Rust ne veut pas un sidecar Python — Axum + Candle compilent en un seul binaire.

Pourquoi le langage natif compte

Le monde agent Python-first (LangChain, LangGraph, CrewAI) est génial si Python est déjà votre stack principal. Si vous êtes une boutique Java, vous faites face à trois mauvaises options sans ce pack :

1. Faire tourner un service Python sidecar (déploiement extra, observabilité séparée, marshalling JSON entre deux processus).
2. Utiliser un gateway LLM SaaS (lock-in vendor, latence, frais).
3. Coder à la main les appels HTTP OpenAI dans vos controllers Spring (pas d'abstractions, pas de framework d'eval, pas de boucle d'agent).

Spring AI et LangChain4j corrigent ça. Ils donnent à Java les mêmes primitives — modèles chat, tool calling, templates de prompt, vector stores, boucles d'agent — que LangChain donne à Python, avec des DSLs idiomatiques Spring ou Kotlin. Pareil pour Rust (Candle pour l'inférence, Axum pour la surface API) et TypeScript (Mastra pour le framework).

Le trade-off est le retard de features. LangChain expédie une intégration vers un nouveau modèle dès le jour un ; Spring AI prend des semaines ; LangChain4j rattrape parfois plus vite que Spring AI parce que c'est community-driven. Planifiez pour « le modèle a été lancé hier et seul Python l'a » comme scénario réel.

Installer en une commande

# Installe le pack — pose un projet starter pour chaque framework
tokrepo install pack/agent-frameworks-multilang

# Ou choisir par langage
tokrepo install spring-ai
tokrepo install langchain4j
tokrepo install mastra
tokrepo install candle

Le TokRepo CLI gère le package manager de chaque écosystème — Maven pour Spring AI et LangChain4j, Cargo pour Candle et Axum, npm/pnpm pour Mastra, uv pour FastHTML. Les projets starter incluent tous un test qui appelle un vrai modèle pour vérifier les API keys avant d'écrire la logique.

Pièges courants

• Spring AI vs LangChain4j n'est pas « officiel vs non officiel ». Spring AI vient de VMware/Broadcom ; LangChain4j est communautaire. Les deux sont largement utilisés. Choisissez selon la parité de features avec le modèle que vous utilisez et la préférence ergonomique (DSL Spring vs sémantique LangChain).
• Mastra est jeune. Bien maintenu mais l'API a bougé entre versions mineures. Épinglez une version spécifique et lisez les release notes avant de mettre à jour. Les utilisateurs production attendent typiquement deux versions mineures avant de monter.
• Candle est pour l'inférence, pas l'orchestration. Il fait tourner des modèles localement (Llama, Mistral, etc) et donne des embeddings — mais ce n'est pas un framework d'agent complet. Associez avec Axum pour la couche API si vous voulez un stack Rust-only.
• FastHTML est basé sur HTMX. Ce n'est pas un framework SPA. Si votre équipe attend React ou Vue, FastHTML semblera étranger. Parfait quand vous voulez des UIs Python server-rendered câblées directement aux agents sans repo frontend séparé.
• Les formats de tool calling diffèrent. OpenAI, Anthropic et Gemini ont tous des JSON schemas différents pour les tool calls. Chaque framework abstrait ça différemment — annotation @Tool de Spring AI, @Tool réflexion de LangChain4j, createTool() typé de Mastra. Ne supposez pas qu'une définition de tool porte entre frameworks.

Quand ce pack seul ne suffit pas

Ce pack vous donne le runtime dans votre langage. Vous aurez encore besoin de :

• Un fournisseur LLM. OpenAI, Anthropic, Bedrock, ou auto-hébergé via Ollama. Les six frameworks supportent plusieurs fournisseurs via configuration.
• Stockage vectoriel si vous faites du RAG. Voir le pack Vector DB Showdown — la plupart des entrées ont des clients natifs en Java, Rust et TS.
• Pipeline d'eval. Promptfoo du pack LLM Eval & Guardrails tourne en mode langage-agnostique — pointez-le sur votre endpoint quel que soit le backend.

Pour les stacks Python-only où multilang n'est pas la question, voir Frameworks Agents Python. Pour une comparaison côte à côte agnostique de plateforme sans choisir le langage, voir Frameworks Multi-Agents.