Frameworks Multi-Agent

Ce que contient ce pack

Ce pack rassemble les sept frameworks multi-agent que les équipes livrent réellement en production en 2026, pas les démos qui font bien sur Twitter et explosent sous charge. Quatre sont des frameworks phares, trois sont des templates research/role-play qui les enveloppent.

Pourquoi ce pack importe

Un agent seul est une boucle de chat. Multi-agent est un système — et comme tout système, il a besoin de structure (machines à états, files, retries) avant de survivre à une vraie charge. Les quatre frameworks ici ont choisi les structures qui marchent. Les trois templates vous montrent comment les câbler pour les cas d'usage les plus courants.

Chaque framework choisit une abstraction différente :

• LangGraph traite l'orchestration comme un graphe d'états. Vous déclarez des nœuds (agents/outils) et des arêtes (quand transitionner), et LangGraph gère le checkpointing pour qu'un run de 30 minutes puisse reprendre après un crash. Le plus proche d'un standard par défaut en production.
• CAMEL se concentre sur le dialogue agent-à-agent avec rôles explicites. Deux agents jouent "utilisateur" et "assistant" ou "lead research" et "rédacteur" et conversent jusqu'à atteindre un but. Fort en reproductibilité et benchmarks académiques.
• DeepAgents est construit pour les tâches longue durée. L'agent top planifie, délègue des sous-tâches à des sub-agents spawneés, chacun avec son propre context window. Conçu pour éviter le mode d'échec "un seul contexte géant".
• GPT Researcher est le cas appliqué. Vous lui donnez une question de recherche, il fait tourner un swarm de sub-agents pour réunir les preuves et produit un rapport long avec citations. Utile à la fois comme outil et comme architecture de référence.

Installer en une commande

# Installe le pack entier
tokrepo install pack/multi-agent-frameworks

# Ou un par un
tokrepo install langgraph
tokrepo install camel
tokrepo install deepagents
tokrepo install gpt-researcher

Le TokRepo CLI installe l'adaptateur de chaque framework dans votre outil IA — subagents Claude Code dans .claude/agents/, règles Cursor dans .cursor/rules/, AGENTS.md pour Codex CLI. Lancez pip / npm pour les librairies sous-jacentes ; TokRepo câble les prompts pour que votre CLI sache quand les invoquer.

Pièges courants

• Ne sautez pas le budget. Les runs multi-agent peuvent fan-out exponentiellement — un planner spawneant 5 workers chacun spawneant 5 sous-tâches brûle 25× les tokens. Plafonnez toujours la profondeur et le max-spawn. DeepAgents l'intègre ; avec LangGraph et CAMEL c'est à vous de le régler.
• Ne partagez pas un client LLM entre threads naïvement. La plupart des SDK ne sont pas pleinement thread-safe en haute concurrence. Utilisez des pools au niveau process ou de l'async avec concurrence bornée (asyncio.Semaphore(8)).
• Tracez tout. Débugger du multi-agent sans traces est impossible. Appariez ce pack avec LLM Observability — Langfuse et AgentOps ont des intégrations first-class LangGraph.
• Attention au role drift. En dialogue style CAMEL, les agents oublient parfois qui ils sont vers le tour 8-10. Ajoutez un rappel system tous les N tours ou épinglez le rôle dans chaque message.
• Multi-agent ≠ mieux. Essayez un seul Claude Sonnet 4.5 avec extended thinking avant de partir sur un système multi-agent. Le blog Anthropic 2025 sur la research multi-agent a trouvé que 60% des tâches lancées sur du multi-agent iraient très bien avec un agent + tools.

Quand ce pack ne suffit pas

Le multi-agent brille sur les tâches avec sous-problèmes parallélisables (research, code review, génération de contenu sur plusieurs sujets). Il perd sur :

• Tâches séquentielles fortement stateful. Refactorer un codebase end-to-end est le boulot d'un agent — le découper entre plusieurs crée plus d'overhead de coordination que d'économies.
• Workflows sensibles à la latence. Chaque saut entre agents ajoute un round-trip. Sous SLA 5s, restez single-agent.
• Workflows sensibles au coût. Un run multi-agent coûte typiquement 3-10× un run single-agent pour la même tâche. Ça vaut le coup pour la qualité sur des problèmes durs ; pas pour "résume cet email".

La bonne façon d'adopter ce pack : commencez par GPT Researcher comme exemple fini le plus simple, puis passez à LangGraph ou DeepAgents quand vous avez besoin d'écrire votre propre orchestration.