Comparer 15 frameworks d'essaim d'agents: OpenAI, Google, Microsoft
Anthropic a divisé son assistant de recherche en un agent principal et une équipe de sous-agents parallèles, rapportant 90,2 % de meilleurs résultats lors de ses évaluations internes. Pourtant, le système a utilisé environ 15 fois plus de tokens.1 La part de ces frais généraux que l'on paie dépend en partie du framework.
Dans notre benchmark d'orchestration, nous avons exécuté le même workflow à cinq agents avec les mêmes modèles et outils sur quatre frameworks, et LangGraph a terminé 2,2 fois plus vite que CrewAI car les frameworks gèrent les appels d'outils et le contexte différemment.
Comparez onze frameworks en fonction de leurs fonctionnalités et de leurs prix, et découvrez comment le marché a évolué en un an :
Produit | Mainteneur | Licence | Langages | Tarification |
|---|---|---|---|---|
Agency Swarm | VRSEN | MIT | Python 3.12+ | Gratuit ; aucune offre hébergée |
Agent Squad | 2FastLabs (à l'origine AWS Labs) | Apache 2.0 | Python, TypeScript, Swift | Gratuit ; utilisation de Bedrock facturée par AWS |
AgentScope | Alibaba | Apache 2.0 | Python, Java | Gratuit ; déploiement optionnel sur Alibaba Cloud facturé à l'usage |
CAMEL | CAMEL-IA.org | Apache 2.0 | Python | Gratuit ; aucune offre hébergée |
CrewAI | CrewAI Inc. | MIT | Python | Gratuit ; AMP : niveau gratuit (50 exécutions/mois), Professional : 25 $/mois |
Google ADK | Google | Apache 2.0 | Python, TypeScript, Go, Java, Kotlin | Gratuit ; hébergement Agent Engine basé sur l'utilisation |
LangGraph | LangChain Inc. | MIT | Python, JS/TS | Gratuit ; hébergement via LangSmith Plus : 39 $/siège/mois |
Mastra | Mastra (Kepler Software) | Apache 2.0 (sauf code ee/) | TypeScript | Gratuit ; plateforme : niveau gratuit, Teams : 250 $/mois |
MetaGPT | FoundationAgents | MIT | Python | Gratuit ; produit hébergé Atoms (anciennement MGX) tarifé séparément |
Microsoft Agent Framework | Microsoft | MIT | Python, .NET (Go en aperçu) | Gratuit ; hébergement Foundry basé sur l'utilisation |
Qu'est-ce qu'un essaim d'agents ?
Un essaim d'agents est une configuration dans laquelle plusieurs agents IA travaillent sur une tâche partagée, au lieu qu'un seul agent fasse tout (une conception « monolithique »). Les agents se coordonnent de l'une des trois manières suivantes :
- Transferts : un agent transmet le contrôle de la conversation à un autre agent plus spécialisé.
- Passage de messages : les agents s'envoient mutuellement des messages ou des résultats.
- Graphe d'état partagé : les agents sont des nœuds d'un graphe qui lisent et écrivent un état commun.
Fonctionnalités des essaims d'agents
Les frameworks d'essaim d'agents partagent quatre fonctionnalités principales :
- Appel d'outils et de fonctions : les agents peuvent appeler des APIs et d'autres fonctions, et le framework génère les schémas de ces appels.
- Orchestration multi-agents : effectuée via des graphes explicites, des transferts, des équipes hiérarchiques ou un routeur central qui envoie chaque tâche à l'agent le mieux adapté.
- Mémoire et état : l'historique des conversations ou l'état des tâches est conservé entre les tours, stocké en mémoire ou dans un magasin enfichable tel que SQLite, Redis ou une base de données vectorielle.
- Open source : le code de chaque framework est sur GitHub sous licence permissive, sauf Mastra.
Frameworks et plateformes d'essaim d'agents
Agency Swarm
Construit au-dessus du OpenAI Agents SDK. Vous définissez les agents par rôle (par exemple CEO, développeur ou assistant) et déclarez quels agents peuvent contacter lesquels ; les agents communiquent ensuite via un outil send_message. Les outils sont typés avec Pydantic, et vous enregistrez vous-même l'historique des conversations via des fonctions de rappel.
Avantages :
- Convertit directement les schémas OpenAPI en outils d'agents.
- Fonctionne sur macOS, Linux et Windows.
Inconvénients :
- Models autres que ceux d'OpenAI (Anthropic, Gemini, Grok, Azure, OpenRouter) passent par LiteLLM plutôt que par une intégration native.
- La version 1.x est construite sur le OpenAI Agents SDK et l'API Responses, donc les changements là-bas l'affectent.2
AgentScope
Le framework Python d'Alibaba, désormais en version 2.0, construit à partir de blocs de construction tels qu'une boucle ReAct, une boîte à outils, de la mémoire et un middleware. Il nécessite Python 3.11 ou supérieur et inclut Agent Team, où un agent leader coordonne les agents travailleurs. Son système de permissions donne un contrôle précis sur les outils et les ressources, y compris les étapes de confirmation.
Avantages :
- Les outils et le code s'exécutent dans des espaces de travail isolés sur des backends allant du local et Docker à E2B, Daytona et Kubernetes.
- Son service d'agents fournit une persistance SQL et NoSQL pour l'état des agents et les sessions, plus des tâches planifiées.3
Inconvénients :
- L'exemple de démarrage rapide utilise le model DashScope d'Alibaba.3
Agent Squad
Un classificateur envoie chaque demande à l'agent le plus adapté, en utilisant Amazon Bedrock par défaut.4 SupervisorAgent coordonne les sous-agents qui partagent un même contexte de conversation. GroundedAgent maintient la collecte de données séparée de la rédaction de la réponse, afin de réduire le contenu inventé.
Avantages :
- La version Swift s'exécute entièrement sur l'appareil (iOS 16+, macOS 14+), y compris les outils MCP, la voix et l'historique de chat stocké localement.
- Python et TypeScript ont une parité de fonctionnalités.
- Des agents prêts à l'emploi couvrent Bedrock, Anthropic, OpenAI, Lex et Lambda.
Inconvénients :
- Le routage ajoute un appel de classificateur à chaque demande ; l'option plus rapide JevClassifier repose sur un service tiers payant, TypeSafe IA.
- GroundedAgent utilise deux appels LLM lors des tours qui utilisent des outils.5
CAMEL
Un framework Python de CAMEL-IA.org axé sur la recherche des lois d'échelle des agents. Son module Workforce assemble, gère et fait évoluer des équipes d'agents pour des tâches dépassant un seul agent, et il lance des étapes de récupération lorsqu'une tâche échoue.
Avantages :
- Sa conception couvre la génération de données, l'automatisation des tâches et la simulation de mondes.
- Les agents peuvent recevoir un HumanToolkit pour demander des clarifications ou une approbation à une personne en cours de tâche.
Inconvénients :
- Il n'a pas de niveau payant ni de service hébergé de CAMEL-IA.6
- Les ensembles d'outils tels que la recherche web sont installés séparément en tant qu'extras (camel-ai[web_tools]).7
CrewAI
Les agents sont organisés en « équipages », où chaque agent a un rôle, un objectif et des outils. Une deuxième couche appelée Flows gère l'exécution étape par étape, pilotée par les événements avec des branches conditionnelles.
La mémoire est stockée dans une hiérarchie, consultable avec une recherche vectorielle rapide ou un rappel assisté par LLM plus profond, et les sauvegardes se font en arrière-plan. La plateforme hébergée, AMP, ajoute un éditeur visuel ; AMP Factory exécute la même plateforme sur vos propres serveurs ou votre cloud privé.
Avantages :
- Autonome, sans dépendance à LangChain.
- Prend en charge MCP et A2A.
- La mémoire et les models peuvent s'exécuter localement via Ollama, de sorte que le contenu ne va pas vers une API externe.8
- Transmet la sortie complète de chaque agent précédent au suivant ; dans notre benchmark d'orchestration, son agent final a produit le résultat le plus détaillé (5 339 tokens).
Inconvénients :
- Les agents appellent l'OpenAI API par défaut, sauf si vous configurez un autre fournisseur.
- La télémétrie d'utilisation anonyme est activée par défaut (désactivez-la avec la variable d'environnement
OTEL_SDK_DISABLED). - Les agents délibèrent avant d'appeler un outil, ce qui ne peut pas être désactivé ; dans notre benchmark, cela a pris environ 5 secondes, soit la majeure partie de l'exécution de 9 secondes d'un agent.
Google Agent Development Kit (ADK)
ADK 2.0 a ajouté un moteur de workflow basé sur des graphes qui mélange des étapes de code fixes avec des décisions d'agents, avec prise en charge du routage, de l'éclatement et de la convergence, des boucles, des nouvelles tentatives et de l'intervention humaine. L'interface adk web comprend un Visual Builder par glisser-déposer, qui est expérimental et réservé à Python. Les agents se déploient sur Vertex AI Agent Engine, Cloud Run ou GKE.9
Avantages :
- L'évaluation est intégrée via
adk eval, plutôt que de nécessiter un outil séparé. - L'API Task gère la délégation structurée entre les agents.
Inconvénients :
- Les versions linguistiques n'évoluent pas ensemble : 2.0 est publiée pour Python, Go et TypeScript, mais pas encore pour Java ou Kotlin.
LangGraph
Les workflows sont définis comme des graphes orientés qui peuvent boucler et se ramifier selon des conditions. Une API d'interruption permet à un humain d'inspecter ou de modifier l'état d'une exécution à tout moment. LangSmith Studio est un débogueur visuel pour les graphes écrits en code. LangSmith Agent Builder configure les agents via un formulaire plutôt qu'un canevas par glisser-déposer.10 LangSmith Deployment est l'hébergement géré optionnel de LangChain.
Avantages :
- Peut être utilisé sans LangChain ni aucun service payant.
- L'exécution durable enregistre des points de contrôle, de sorte qu'une exécution échouée reprend exactement là où elle s'est arrêtée.
- Ne transmet que les changements d'état entre les agents, pas les sorties complètes ; dans notre benchmark d'orchestration, son agent final a produit 2 589 tokens, le moins parmi les frameworks testés.
Inconvénients :
- Il se décrit comme un framework de bas niveau, et pour construire rapidement des agents, son propre README oriente les utilisateurs vers Deep Agents, un package de niveau supérieur construit par-dessus.11
Mastra
Combine agents, workflows basés sur des graphes, mémoire, évaluations et observabilité dans un seul framework. Les workflows peuvent se mettre en pause indéfiniment pour une approbation humaine et reprendre à partir de l'état sauvegardé. Studio est une interface pour tester des agents écrits en code, et elle peut être partagée avec une équipe via Mastra Cloud.12
Avantages :
- Se connecte à plus de 40 fournisseurs de model via une seule interface.
- Peut publier ses agents et outils en tant que serveurs MCP.
- S'intègre dans des applications React, Next.js ou Node.js existantes.13
Inconvénients :
- Les fonctionnalités dans les répertoires
ee/nécessitent une licence commerciale pour une utilisation en production.13
MetaGPT
Un framework Python construit sur l'idée que le code est le résultat de l'application de procédures opérationnelles standard à une équipe d'agents LLM. Il attribue des rôles tels que chef de produit, architecte, chef de projet et ingénieur à des agents distincts.
Avantages :
- Il s'exécute comme une CLI ou une bibliothèque Python, et la configuration accepte des fournisseurs tels que OpenAI, Azure, Ollama et Groq.
- Il inclut un rôle Data Interpreter pour écrire du code pour des tâches de données.14
Inconvénients :
- Les dernières nouvelles du README datent de mars 2025 et font la promotion de mgx.dev, le produit commercial de l'équipe.14
Microsoft Agent Framework
Un framework ouvert et multilingue pour construire des agents IA de qualité production et des workflows multi-agents. Il est entièrement pris en charge à la fois en Python et en C#/.NET avec des APIs cohérentes, et le README renvoie vers des guides de migration depuis Semantic Kernel et depuis AutoGen.15
Avantages :
- Chaque orchestration prend en charge l'intervention humaine, de sorte qu'un workflow peut se mettre en pause et attendre une personne à des points définis.16
- Les agents peuvent être déployés sur une infrastructure hébergée Foundry avec deux lignes de code supplémentaires, et le traçage OpenTelemetry est intégré.15
Inconvénients :
- La version Go est un aperçu public qui ne dispose pas encore d'agents déclaratifs, de RAG, de CodeAct ou de workflows fonctionnels.
- Certains packages de fournisseurs sont encore précoces. L'intégration Gemini est marquée comme Alpha.17
Microsoft AutoGen
Les agents se coordonnent via une discussion de groupe plutôt qu'un graphe d'exécution défini. AutoGen Studio est un constructeur visuel sans code, et UserProxyAgent fournit une entrée avec intervention humaine.18 Microsoft oriente les nouveaux projets vers Microsoft Agent Framework, et un fork communautaire, AG2, continue séparément.19
Avantages :
- Une conception en couches offre à la fois une API de haut niveau pour les motifs courants et un cœur de bas niveau pour les motifs personnalisés, avec une interopérabilité Python et .NET.
- La discussion de groupe convient aux tâches multi-tours telles que le brainstorming et la revue itérative.20
Inconvénients :
- Le projet est désormais géré par la communauté, donc les réponses de support peuvent être lentes.
- AutoGen Studio est destiné au prototypage et, selon son propre README, n'est pas une application prête pour la production.21
Microsoft Semantic Kernel
Un SDK construit autour de plugins, avec des connecteurs vers les systèmes d'entreprise existants et un Process Framework pour les workflows métier structurés. Microsoft fournit des guides de migration qui transfèrent les plugins existants vers Microsoft Agent Framework.22
Avantages :
- Agnostique au model, avec prise en charge de MCP pour les plugins.
- Exécute des models locaux via Ollama, LM Studio ou ONNX.
Inconvénients :
- Son README indique désormais que Semantic Kernel « est désormais Microsoft Agent Framework », et que les nouvelles fonctionnalités vont là-bas.
OpenAI Agents SDK
Construit autour des agents, des transferts, des garde-fous, des sessions et du traçage. Les agents Sandbox travaillent dans un conteneur sur des tâches longues et conservent l'état de l'espace de travail entre les étapes, et les agents en temps réel gèrent la voix. Il remplace la bibliothèque Swarm retirée d'OpenAI.
Avantages :
- L'intervention humaine est intégrée, et les garde-fous d'entrée et de sortie peuvent s'exécuter en parallèle et arrêter une exécution prématurément.23
- Fonctionne avec plus de 100 models au-delà de ceux d'OpenAI.24
Inconvénients :
- Le sandbox local par défaut ne fonctionne que sur macOS et Linux ; Windows nécessite Docker ou un sandbox hébergé.
- Les transferts sont la seule primitive de coordination, donc une règle comme « deux agents doivent tous deux terminer avant qu'un troisième ne commence » doit être construite en dehors du SDK.20
PraisonAI
Les agents et les configurations multi-agents peuvent être définis en YAML sans code, construits dans l'éditeur glisser-déposer Flow (basé sur Langflow), ou écrits en Python ou JavaScript. Il est livré avec plus de 100 outils intégrés et prend en charge plus de 100 models.
Avantages :
- Le tableau de bord Claw connecte les agents à Telegram, Discord, Slack et WhatsApp.
- La détection de boucle infernale, l'approbation humaine et les garde-fous aident à prévenir les agents emballés.
Inconvénients :
- Claw nécessite à la fois des clés OpenAI et Tavily API.
- Le projet vit sur le compte GitHub personnel de son créateur.25
Spring IA Alibaba
Le framework d'agents est un framework Java construit sur Spring IA avec deux couches. Il inclut l'ingénierie de contexte intégrée et la prise en charge de l'intervention humaine, ainsi que des agents de workflow tels que SequentialAgent, ParallelAgent, RoutingAgent et LoopAgent. Le runtime Graph sous-jacent fournit la persistance, l'orchestration et le streaming pour les agents à état de longue durée.26
Avantages :
- La communication d'agent à agent fonctionne via Nacos, de sorte que les agents peuvent se coordonner entre services.26
- La plateforme Admin vous permet de construire des agents visuellement, de les déployer sans code ou de les exporter en tant que projet Java, et elle peut migrer Dify DSL.26
- Il utilise exclusivement Java et est étroitement intégré aux services Alibaba Cloud tels que Bailian, ARMS et Nacos.
Swarms
Via une interface SwarmRouter, vous choisissez parmi des modèles de coordination prêts à l'emploi tels que séquentiel, concurrent, hiérarchique, graphe et mélange d'agents. AutoSwarmBuilder génère une équipe d'agents à partir d'une description de tâche, et les modèles de consensus et de débat permettent aux agents de voter. Swarms Cloud est une API hébergée facturée à l'utilisation.
Avantages :
- Documente dix architectures dans son README et renvoie vers plus de 60 autres.
- GraphWorkflow exécute automatiquement des branches indépendantes en parallèle.
- Revendique une compatibilité avec les agents construits dans LangChain, AutoGen et CrewAI.
Inconvénients :
- Le mode « auto » recommandé n'a pas de plafond d'itération fixe, et le README lui-même conseille un plafond fixe pour les travaux sensibles aux coûts.27
Modèles et tendances d'orchestration des essaims d'agents
1. Les grands fournisseurs ont remplacé leurs premiers frameworks d'agents
Entre mars 2025 et avril 2026, OpenAI, Microsoft et Google ont chacun remplacé ou reconstruit leurs frameworks d'agents.
- OpenAI : Swarm a été remplacé par l'Agents SDK en mars 2025. Le SDK conserve le modèle de transfert de Swarm et ajoute des garde-fous IA, le traçage et les sessions.28
- Microsoft : AutoGen et Semantic Kernel ont fusionné dans Microsoft Agent Framework, qui a atteint la version 1.0 en avril 2026. Les deux anciens frameworks sont désormais en mode maintenance.29
- Google : ADK 2.0 a remplacé son exécuteur d'agents hiérarchique par un moteur de workflow basé sur des graphes.30
- AWS : Agent Squad a quitté AWS Labs lorsque ses auteurs d'origine l'ont emmené dans leur propre entreprise, 2FastLabs.31
2. Les moteurs de workflow basés sur des graphes sont devenus la norme
En 2026, ADK, Microsoft Agent Framework, LangGraph et Mastra permettent tous aux développeurs de construire des workflows multi-agents sous forme de graphes. Les agents et les fonctions sont les nœuds, et les arêtes définissent l'ordre, les branches et les boucles. 20 Un graphe peut exprimer l'un des trois modèles de coordination courants et la plupart des systèmes de production en combinent plus d'un.
Centralisé (orchestrateur-travailleur)
Un agent superviseur divise la tâche, envoie des sous-tâches aux agents travailleurs et combine leurs résultats. Voici quelques exemples :
- Amazon Bedrock : La collaboration multi-agents utilise ce model et est généralement disponible depuis le 10 mars 2025.32
- Anthropic : Son système de recherche utilise un agent principal avec des sous-agents parallèles. 1
Hiérarchique
Les superviseurs délèguent à des superviseurs de niveau inférieur, ce qui aide pour les tâches trop volumineuses pour la fenêtre de contexte d'un seul agent.
- ADK 2.0 : Le Workflow Runtime prend en charge les workflows imbriqués, l'éclatement et la convergence, les boucles et les nouvelles tentatives.33
- Modèles ADK : SequentialAgent, ParallelAgent et LoopAgent couvrent les pipelines courants sans construire de graphe à la main.34
Décentralisé (transferts pair-à-pair)
Les agents se passent le contrôle directement pendant que la tâche s'exécute, sans superviseur.
Par exemple, la bibliothèque swarm de LangGraph implémente cela et se souvient du dernier agent actif, de sorte qu'un message de suivi y revienne.35
Quel que soit le model utilisé par un framework, le transfert lui-même est rarement le goulot d'étranglement. Dans notre benchmark d'orchestration, le passage du travail d'un agent au suivant a pris des millisecondes sur chaque framework ; les différences provenaient de la manière dont chaque framework gère les appels d'outils et le contexte.
3. Les deux principaux protocoles d'agents ont rejoint la Linux Foundation en 2025
Un agent peut utiliser les deux :
- Model Context Protocol (MCP) connecte un agent à ses outils et à ses données. Anthropic l'a créé en 2024 et en a fait don à la Agentic IA Foundation de la Linux Foundation en décembre 2025.36
- Agent2Agent (A2A) connecte des agents distincts entre eux, même à travers les frameworks et les fournisseurs. Google l'a créé en avril 2025 et l'a transféré à la Linux Foundation en juin de la même année.37
Lectures complémentaires
- Principaux modèles de conception d'IA agentique & exemples concrets
- LLM Orchestration : meilleurs frameworks et passerelles
- Meilleurs constructeurs d'agents IA
Citer cette recherche
Choisissez le format qui correspond à votre lieu de publication. Coller la version avec lien dans votre CMS préserve le lien retour.
@misc{simsek2026,
author = {Şimşek, Hazal},
title = {{Comparer 15 frameworks d'essaim d'agents: OpenAI, Google, Microsoft}},
year = {2026},
month = nov,
howpublished = {\url{https://aimultiple.com/agent-swarm}},
note = {AIMultiple. Consulté le 5 novembre 2026}
}Résultats et horodatages de 475 points de données. Téléchargez les données de synthèse présentées dans les graphiques et les tableaux de cet article sous forme de fichier ZIP contenant 3 fichiers CSV.
Vous voulez les données détaillées derrière ? Rejoindre Premium

Soyez le premier à commenter
Votre adresse courriel ne sera pas publiée. Tous les champs sont obligatoires. Les commentaires sont laissés dans leur langue d'origine.