Chapitre 6

Vue d’ensemble des frameworks d’applications IA

Comprendre en un coup d'œil LangChain、LlamaIndex、LangGraph、AutoGPT、MetaGPT Cliquez sur chaque carte pour accéder à la page de détails correspondante et consulter les fonctionnalités principales et la Code Map des cinq principaux frameworks d'applications d'IA.

En un coup d'œil : les fonctions clés des quatre principaux frameworks et la vue d'ensemble complète de Code Map

Schéma d’ensemble d’origine (quatre grands frameworks)

FRAMEWORK MAP

AI Frameworks

LangChainLlamaIndexLangGraphAutoGPTMetaGPT

Ci-dessous, nous décomposerons un par un la logique de base, la structure du code, les capacités principales et les scénarios adaptés de chaque framework, et fournirons un tableau comparatif ainsi qu’un guide de choix.

Idée clé : un framework n’est pas de la magie, c’est une division du travail

Ces frameworks résolvent des problèmes à différents niveaux des applications d’IA :LlamaIndex gère « l’entrée de connaissances »，LangChain gère « l'orchestration des flux de travail »，LangGraph gère les « flux complexes avec état »，AutoGPT gère l’« exécution autonome »，MetaGPT gère la « collaboration d’équipe ». Il ne s’agit pas de remplacer l’un par l’autre, mais de faire en sorte que chacun joue son rôle ; ensemble, ils constituent un système complet d’applications d’IA.

1. LangChain

· Boîte à outils + couche d’orchestration

Cadre d’orchestration d’applications IA

Logique de base

Chain (appels en chaîne) + Agent (décide quels outils appeler), pour combiner les LLM, les outils, la mémoire et d’autres capacités en une application.

Code Map (module principal)

chains/

Orchestration de flux en chaîne

agents/

Agent (prise de décision + appel d’outils)

tools/

Couche d’intégration des outils

memory/

Gestion de la mémoire

prompts/

Modèle de prompt

output_parsers/

Analyse des sorties

retrievers/

Interface de recherche (connectée à une base vectorielle)

Capacités principales

Orchestration en chaîne

Agent

Appel d'outil

Gestion de la mémoire

Modèle de prompt

Scénarios adaptés

Développement d’applications IAOrchestration de workflowsConstruction d’un système d’agent

Voir LangChain Explication détaillée

2. AutoGPT

· Laisser l’IA faire le travail elle-même

Agent IA autonome

Logique de base

Goal → Plan → Execute → Reflect (boucle). L’IA décompose les tâches de manière autonome, appelle des outils et itère en continu.

Boucle principale

RéflexionThought

ActionAction

ObserverObservation

MémoireMemory

Boucle continue

Code Map (module principal)

autogpt/agent/

Cycle central de l'agent

autogpt/memory/

Mémoire à court terme et à long terme

autogpt/workspace/

Système de fichiers (lecture/écriture)

autogpt/tools/

ชุด d’outils (testeur/exécution de code, etc.)

autogpt/config/

Paramètres d’exécution

autogpt/loop.py

Point d’entrée du cycle principal (point clé)

Capacités principales

Planification autonome

Utilisation des outils

Stockage mémoire

Exécution de code

Opérations sur les fichiers

Scénarios adaptés

Exécution automatique des tâchesCollecte de donnéesAssistant personnelValidation du prototype

Voir AutoGPT Explication détaillée

3. MetaGPT

· Simulateur d’entreprise IA

Cadre de collaboration multi-agent

Logique de base

Multi-Agent + SOP (procédure opérationnelle standard). Permet à plusieurs rôles d’IA de collaborer selon un processus pour accomplir des tâches.

Processus principal (exemple : processus de développement logiciel)

Analyse des besoins

Architect

Plan de conception

Engineer

Implémentation du code

Validation des tests

Deploy

Livraison et déploiement

Code Map (module principal)

metagpt/roles/

Définition des rôles (PM/Engineer/QA, etc.)

metagpt/actions/

Comportement et capacités du rôle

metagpt/environment/

Environnement et contexte partagés

metagpt/memory/

Mémoire d’équipe

metagpt/workflows/

Orchestration des flux

metagpt/team.py

Noyau de la collaboration multi-agents

Capacités principales

Répartition des rôles

Communication de collaboration

Décomposition des tâches

Orchestration des flux

Génération de code

Scénarios adaptés

Génération automatique de projetSimulation de collaboration d’équipePipeline de tâches complexes

Voir MetaGPT Explication détaillée

4. LlamaIndex

· Nourrir l’IA avec des connaissances

Connexion de données et moteur RAG

Logique de base

Data → Index → Retrieve → Generate. Donnez vos connaissances au LLM et améliorez la précision des questions-réponses.

Processus principal

Source de données

Découpage en chunks

Embedding vectorisé

Recherche Retrieve

Générer

Code Map (module principal)

llama_index/readers/

Chargement des données (PDF/pages web/BDD, etc.)

llama_index/nodes/

Segmentation de texte (Node)

llama_index/indices/

Structures d’index (index vectoriels, etc.)

llama_index/retrievers/

Récupérateur

llama_index/query_engine/

Moteur de requête

llama_index/embeddings/

Interface de modèle vectorisée

Capacités principales

Intégration des données

Construction de l’index

Recherche vectorielle

Moteur de requête

Renforcement RAG

Scénarios adaptés

Q&R de base de connaissancesRecherche d’entrepriseService client IAAnalyse de documents

Voir LlamaIndex Explication détaillée

5. LangGraph

· Avec état · Multinœud · Exécution en boucle

Cadre d’orchestration d’agents basé sur des graphes

Logique de base

Graph (graphe) + Node (nœud) + Edge (arête) + State (état). Orchestrez des applications complexes avec une structure en graphe, prenant en charge les branches conditionnelles, les boucles et l’intervention humaine.

Explication détaillée de l’aperçu de l’image(Le schéma récapitulatif quatre-en-un n’est pas inclus ; ajouté séparément)

FRAMEWORK MAP

LangGraph

Cliquez sur l’image ou sur « Voir les détails de LangGraph » ci-dessous pour accéder à la page de détails et consulter l’image originale en haute résolution ainsi que l’analyse section par section.

Code Map (module principal)

langgraph/graph/

Noyau de la structure de graphe (StateGraph, etc.)

langgraph/nodes/

Définition des nœuds (unité de tâche)

langgraph/edges/

Branchements et sauts conditionnels

langgraph/state/

État global et persistance

langgraph/checkpoint/

Points de contrôle et restauration

langgraph/prebuilt/

Modèle d’Agent préconfiguré

Capacités principales

Orchestration de structures en graphe

Gestion d'état

Boucle / branchement conditionnel

Multi-agent

Débogage visuel

Scénarios adaptés

Système de conversation complexeCollaboration multi-agentsAutomatisation des workflowsPrise de décision et planification

Voir LangGraph Explication détaillée

Aperçu comparatif des cinq grands frameworks

Framework	Positionnement central	Logique de base	Capacités principales	Avantages	Point faible
LangChain	Orchestration d’applications	Appels en chaîne + Agent	Orchestration, outils, mémoire	Flexible et puissant, avec un écosystème riche	Il faut concevoir le workflow soi-même
AutoGPT	Exécution autonome	Exécution guidée par les objectifs + auto-réflexion	Planifier et exécuter de manière autonome	Forte autonomie	Instable, faible contrôlabilité
MetaGPT	Collaboration multi-agents	Répartition des rôles + SOP	Collaboration, processus, génération	Standardisation, industrialisation	Le processus est figé et manque de flexibilité
LlamaIndex	Recherche de données et de connaissances	Génération augmentée par récupération (RAG)	Données, index, recherche	Traitement des données performant	Ne prend pas en charge la logique d’exécution
LangGraph	Orchestration d’agents schématique	Graph + State + Edge	État, boucle, multi-agent	Processus flexible, visualisation intégrée	Coût d’apprentissage plus élevé que LangChain

Comment travailler ensemble ? (combinaisons recommandées)

Besoins des utilisateurs

LlamaIndexFournir des connaissances

LangChainOrchestration des workflows

AutoGPTExécution autonome

MetaGPTCollaboration multi-agents

Résultat de sortie

Combinaison de bonnes pratiques : LangChain + LlamaIndex + AutoGPT + MetaGPT

Des connaissances plus précises

(RAG)

L’exécution est plus automatisée

(Agent autonome)

La collaboration devient plus efficace

(Multi-agent)

Le processus est plus flexible

(Contrôle d’orchestration)

Guide de sélection

Je veux mettre rapidement en place un framework d’application

LangChain

Vouloir construire des flux complexes avec état / multi-agents

LangGraph

Vouloir que l’IA exécute automatiquement des tâches

AutoGPT

Vouloir que l’équipe IA collabore pour mener le projet à bien

MetaGPT

Vous voulez des questions-réponses avec des données privées locales

LlamaIndex

Vous voulez une plateforme d’IA tout-en-un

Utiliser en combinaison

Résultats d’apprentissage

À la fin de ce chapitre, vous pourrez :

1Comprendre les différences de positionnement essentielles entre les quatre grands frameworks : LangChain / AutoGPT / MetaGPT / LlamaIndex
2Être capable de lire la Code Map de chaque framework et de savoir quels modules du code source sont les plus importants
3Maîtriser les approches de mise en œuvre technique des quatre paradigmes : RAG, Agent, Multi-Agent et Workflow
4Être capable de choisir en fonction des besoins métier plutôt que de suivre aveuglément les frameworks à la mode
5Comprendre comment les quatre frameworks se combinent pour former un système d’application IA complet

Chapitre précédent : paradigme d’architecture d’adaptation de l’IA Chapitre suivant : les bases du développement