Création de votre premier agent LangChain avec LangGraph en 2026

De nombreux développeurs ont suivi des tutoriels LangChain pour créer un chatbot qui invente des noms d’outils et boucle indéfiniment jusqu’à épuisement du budget de tokens. Il y a un grand écart entre une installation terminée et un agent fonctionnel prêt à être déployé, et la plupart des tutoriels omettent les parties qui causent des problèmes. Voici ce qu’un agent fait en réalité, comment en construire un avec la technologie actuelle, quels erreurs éviter et à quoi ressemble un déploiement réaliste dans le domaine de la technologie éducative.

En bref : un agent LangChain combine le raisonnement d’un LLM avec des outils externes afin de mener à bien des tâches en plusieurs étapes. Les dernières versions de LangChain s’appuient sur LangGraph pour créer des agents capables de boucler et de conserver un état, plutôt que d’utiliser uniquement l’ancien AgentExecutor. Les outils, le système de récupération d’informations et la mémoire représentent l’essentiel dans tout système de niveau professionnel.

Qu’est-ce qui fait d’un outil un agent ?

Un chatbot reçoit une entrée et renvoie une sortie en une seule étape. Un agent, quant à lui, prend un objectif, choisit des outils, les exécute, examine les résultats obtenus et décide de la prochaine action, en répétant ce processus jusqu’à ce que l’objectif soit atteint ou qu’une condition d’arrêt soit déclenchée. C’est cette différence de fonctionnement qui fait toute la différence.

Cela est très important pour les produits d’apprentissage. Imaginez un étudiant qui tape : « Faites-moi un quiz sur le chapitre 5, vérifiez mes trois derniers résultats de quiz et rendez-le plus difficile si je continue à obtenir plus de 80 % de points. » Un chatbot statique ne peut pas gérer cela. Un agent, en revanche, peut diviser la demande en plusieurs parties, appeler une API de quiz, interroger une base de données de notes, appliquer la logique conditionnelle et renvoyer un ensemble de quiz personnalisé. Les plateformes d’apprentissage et les startups spécialisées dans les LMS développent actuellement ce type d’architecture.

La conception se compose de trois couches :

• Le noyau basé sur un LLM, tel que GPT-4o, Claude, Gemini ou un modèle à poids ouverts.

La couche d’outils : des fonctions Python simples, des API externes, ou les outils intégrés de LangChain tels que Tavily Search, Wikipedia et des requêtes SQL personnalisées.

La couche de mémoire : tout, depuis un buffer de conversation à court terme jusqu’à des stockages vectoriels à long terme ou une mémoire d’entités.

En les reliant avec une machine à états LangGraph, vous obtenez un système prêt à être mis en production.

Création pas à pas

Suivez les étapes dans l’ordre. Omettre une d’entre elles est la raison habituelle pour laquelle les agents débutants échouent dès l’apparition d’utilisateurs réels.

1. Installez l’ensemble des outils. Exécutez pip install langchain langchain-openai langgraph langchain-community tavily-python sur Python 3.11 ou une version ultérieure. Placez OPENAI_API_KEY et TAVILY_API_KEY dans des variables d’environnement et évitez de les coder directement dans le code.

Écrivez l’objectif en une phrase avant de toucher au code. Par exemple : l’agent répond aux questions concernant les progrès d’un étudiant en interrogeant l’API du LMS et en résumant le résultat. Des objectifs vagues entraînent des agents défaillants, et préciser l’objectif dès le début permet d’économiser des heures de débogage.

Configurez le modèle. ChatOpenAI(model="gpt-4o", temperature=0) vous offre un raisonnement plus fiable, et une température de zéro est importante pour les appels aux outils, car elle réduit le risque d’appels inventés. Pour des déploiements sensibles au coût, gpt-4o-mini peut gérer une grande partie du travail pour une fraction du prix.

Définissez les outils à l’aide du décorateur @tool. Chacun d’eux est une fonction Python accompagnée d’une documentation claire, car le modèle lit cette documentation pour décider quand l’appeler. Une documentation insuffisante signifie que l’outil n’est jamais appelé, ou bien qu’il est appelé au mauvais moment.

Créez l’état et les nœuds de LangGraph. Déclarez un schéma d’état TypedDict, créez un nœud pour le raisonnement du modèle et un autre pour l’exécution d’outils, puis reliez-les via StateGraph avec des arêtes conditionnelles. Ces arêtes forment le cycle de raisonnement.

Ajoutez une mémoire. MemorySaver de LangGraph gère l’état à court terme. Pour la mémoire à long terme, dont dépendent les agents d’apprentissage personnalisés, connectez un stockeur de vecteurs tel que Pinecone ou Chroma.

Compilez, testez et observez. Compilez avec graph.compile(checkpointer=memory), appelez-le avec une requête de test et utilisez LangSmith, la plateforme d’analyse de LangChain, pour examiner chaque étape : quel outil a été exécuté, quels entrées il a reçues et quelle décision le modèle a prise par la suite.

Rendre le système plus robuste : ajouter des tentatives de réessai, des limites de budget de tokens (max_iterations), une validation des entrées ainsi qu’un recursion_limit afin qu’un agent bloqué ne puisse pas tourner en boucle indéfiniment. Enregistrer chaque appel à l’outil dans votre stack de surveillance.

Le rôle des agents dans la technologie éducative

Les plateformes LMS telles que Moodle, Canvas ou des systèmes développés en interne peuvent utiliser des agents comme assistants pédagogiques. Ces derniers consultent les notes, recommandent le module suivant, signalent aux enseignants les étudiants en difficulté et créent des questions de quiz à partir de PDF téléchargés grâce à la technologie RAG. Un fournisseur LMS de taille moyenne a indiqué avoir réduit de 40 % le temps d’administration nécessaire aux enseignants après que des agents ont commencé à répondre aux questions concernant les progrès des étudiants.

Les tuteurs basés sur l’IA fonctionnent le mieux en tant qu’agents plutôt que par des appels à un modèle unique. Le tuteur vérifie ce que l’étudiant sait déjà (mémoire), récupère le matériel pédagogique pertinent (RAG), ajuste la manière dont il explique les choses (outil de profil de préférences) et planifie un quiz de suivi (outil de calendrier). La chaînage d’outils de LangChain permet de maintenir tout cela à environ 500 lignes de code Python.

Les portails universitaires et de recherche sont également des utilisations adaptées. Les étudiants en master utilisent des agents pour rechercher dans les dépôts institutionnels, résumer des articles, vérifier les citations et rédiger des sections de revue de littérature. L’agent s’occupe des tâches de récupération de données, tandis que l’étudiant effectue la réflexion ; il s’agit d’un flux de travail raisonnable et sûr en termes de citations lorsqu’il est correctement configuré.

Les plateformes d’apprentissage basées sur des compétences, comme les bootcamps de programmation et les certifications professionnelles, utilisent des agents pour effectuer une évaluation en temps réel du code, comparer les résultats de l’apprenant à un critère d’évaluation, fournir des retours ciblés et mettre à jour les graphes de compétences. Une bonne plateforme ne se contente pas de noter : elle analyse les raisons pour lesquelles l’apprenant a commis une erreur particulière et crée une leçon courte et ciblée.

Choisir un framework

Comparer LangChain, LlamaIndex, CrewAI et AutoGen mériterait un article entier, mais une règle générale peut aider. LangChain associé à LangGraph est le choix idéal pour les agents polyvalents qui ont besoin d’outils, de mémoire et de boucles de raisonnement. LlamaIndex est conçu pour les pipelines de récupération d’informations et la réponse à des questions sur des documents. De nombreux systèmes en production les combinent, avec LlamaIndex chargé de l’ingestion et de la récupération des données tandis que LangChain orchestre le fonctionnement de l’agent.

Le flux d’une seule requête se déroule comme suit : définir l’objectif et le prompt du système, configurer le modèle et lier les outils, créer l’état du graphe ainsi que ses nœuds, puis laisser l’agent se demander quel outil il a besoin. Il exécute cet outil avec des entrées générées, observe la sortie et décide si la tâche est terminée ou si le cycle doit se poursuivre. Une fois cela fait, il renvoie la réponse.

Quelques leçons ressortent de ce flux.

• La température est plus importante que le choix du modèle. La mettre à zéro sur le modèle de l’agent tend à réduire considérablement les appels d’outils erronés par rapport à des valeurs plus élevées, quel que soit le modèle utilisé. Considérez toute pourcentage spécifique que vous lisez en ligne comme une estimation approximative et testez avec vos propres outils.
• Les docstrings constituent le manuel d’instructions de l’agent. Une description vague en une seule ligne est la cause la plus fréquente d’utilisation incorrecte des outils dans les projets débutants.

LangGraph a remplacé AgentExecutor pour des raisons valables. AgentExecutor convient bien aux agents simples à un seul passage, mais tout système impliquant des branches, des étapes avec intervention humaine ou des appels à des outils en parallèle nécessite une machine à états basée sur des nœuds.

C’est l’association de RAG et d’un agent qui confère une véritable valeur aux produits éducatifs. Sans récupération de données, un agent ne peut raisonner qu’à partir des données d’entraînement. Avec elle, l’agent peut répondre à des questions concernant le contenu réel du cours, les données des étudiants ou les connaissances institutionnelles.

Le suivi des trajectoires n’est pas optionnel. Ne lancez jamais un agent sans LangSmith ou un équivalent, car déboguer un agent en boucle sans traces relève du hasard, tandis qu’avec elles l’analyse des causes racines ne prend que quelques minutes.

Étude de cas : un service d’assistance pour des bootcamps

L’établissement était un bootcamp en ligne de taille moyenne comptant environ 1 200 étudiants actifs suivant des cours de Python, de science des données et de développement web. Le service d’assistance répondait à plus de 800 questions des étudiants par semaine, dont environ 60 % étaient des demandes répétées concernant les délais, les retours sur les projets et la recherche d’informations dans le programme de formation.

Au préalable, trois employés à temps plein géraient tout via une boîte de réception partagée. Le temps moyen de réponse était de 6,2 heures, le taux de satisfaction des étudiants (CSAT) s’élevait à 62 %, et chaque formateur perdait environ 11 heures par semaine à cause des demandes administratives.

L’équipe, composée de deux développeurs sur une période de six semaines, a créé un agent LangGraph doté de quatre outils. L’un d’eux recherchait du matériel pédagogique à l’aide de RAG sur la base de connaissances du LMS. Un autre consultait les progrès des étudiants via l’API du LMS. Un troisième calculait les délais à partir du calendrier des cours. Enfin, le quatrième outil transmettait les demandes complexes à un humain, accompagnées de tout le contexte nécessaire.

Quatre-vingt jours après le lancement, les résultats obtenus étaient les suivants :

• L’agent a géré 74 % des demandes reçues.
• Le temps de réponse moyen est tombé à 8 secondes.
• Le CSAT a atteint 81 %.
• Le nombre de tickets de support humain a diminué de 52 %.
• Chaque formateur économisait environ 7 heures par semaine.
• Le coût de développement a été récupéré en environ 4,5 mois.

La leçon la plus importante concerne l’outil d’escalade, qui s’est avéré être l’élément le plus crucial du kit. Les étudiants ont eu davantage confiance en l’agent une fois qu’il est devenu clair qu’il connaissait ses limites et savait transférer les tâches de manière efficace. La conception de ce processus de transfert a contribué davantage à la satisfaction que toute amélioration des capacités de raisonnement.

Ces chiffres proviennent des rapports internes de l’équipe ; utilisez-les donc comme illustration de l’ampleur des gains obtenus, et non comme référence à atteindre impérativement.

Quatre erreurs fréquentes

Utilisation d’AgentExecutor pour des agents complexes

Ce dernier ne prend pas en charge la bifurcation conditionnelle, l’exécution parallèle d’outils ni un état persistant au fil des échanges, or ces fonctionnalités constituent aujourd’hui des exigences standard. Migrez vers LangGraph. La courbe d’apprentissage est plus raide au début, mais vous obtenez un contrôle total sur le cycle de raisonnement, et la documentation officielle de LangChain indique désormais LangGraph comme solution par défaut pour tout ce qui n’est pas simple.

Absence de limite de récursivité

En l’absence d’une valeur pour recursion_limit, un agent confus peut entrer en boucle indéfiniment, ce qui entraîne une consommation excessive de tokens et d’argent. Le risque augmente avec les agents utilisant beaucoup d’outils, où une seule tentative échouée peut déclencher des tentatives répétées. Définissez recursion_limit=25 ou une valeur inférieure dans la configuration de compilation de LangGraph, et implémentez des conditions d’arrêt explicites dans la logique de vos nœuds plutôt que de laisser cette décision au modèle.

Saut précoce du suivi LangSmith

Lorsqu’un agent donne une réponse incorrecte, il existe d’innombrables endroits où la chaîne de traitement a pu mal fonctionner, et sans aucune trace, on se contente de lire le résultat final en devinant. Activez LangSmith dès le premier jour, car il est gratuit pour un usage de développement. Exportez LANGCHAIN_TRACING_V2=true et LANGCHAIN_API_KEY avant d’écrire la première ligne de code de l’agent, et vous en serez reconnaissant lors de votre première session de débogage.

Rédaction d’outils avec des docstrings vagues

Le choix de l’outil est entièrement déterminé par le modèle qui lit votre docstring. Une description comme « obtient les données de l’utilisateur » ne lui fournit rien sur quoi travailler, ce qui le pousse à appeler l’outil au hasard ou pas du tout. Décrivez clairement la fonction de l’outil, les entrées qu’il nécessite et les situations dans lesquelles il s’applique. Une bonne description pourrait être : récupère les cinq derniers résultats de quiz d’un étudiant dans la base de données du LMS pour un given student_id, afin d’être utilisée lorsque l’utilisateur demande des informations sur ses performances passées ou son historique de quiz.

Réponses rapides

Que fait LangChain pour les débutants ? C’est un framework Python qui relie les modèles de langage à des outils, des sources de données et de la mémoire. Vous fournissez au modèle un ensemble d’outils et il décide lesquels appeler pour atteindre un objectif. Commencez par les documents de démarrage rapide et un agent simple d’appel d’outils avant d’essayer des workflows à plusieurs étapes.

LangChain est-il supérieur à LlamaIndex pour les agents ? Pour des agents polyvalents dotés d’outils, de mémoire et de boucles de raisonnement, LangChain associé à LangGraph est la meilleure solution. LlamaIndex est plutôt optimisé pour la récupération d’informations et le contrôle qualité des documents, et de nombreuses équipes les utilisent tous les deux.

Combien de temps faut-il pour créer un premier agent ? Un agent simple utilisant un seul outil nécessite à un développeur ayant de bases en Python environ deux à quatre heures. Un agent de niveau production disposant de plusieurs outils, de mémoire, de mécanismes de gestion des erreurs et d’outils d’observabilité comme LangSmith prend généralement de une à trois semaines, en fonction de la complexité des API.

Qu’est-ce que RAG et en avez-vous besoin ? La génération augmentée par la récupération permet à l’agent de répondre aux questions concernant vos propres données, telles que le contenu des cours, les dossiers des étudiants ou des PDF, en récupérant des extraits pertinents avant d’écrire une réponse. Vous en avez besoin chaque fois que l’agent doit connaître des informations qui ne figuraient pas dans les données d’entraînement du modèle, ce qui est presque toujours le cas pour les produits éducatifs.

LangGraph remplace-t-il LangChain ? Non, il le complète. LangChain fournit les éléments de base (modèles, outils, mémoire) tandis que LangGraph ajoute une orchestration graphique avec gestion de l’état pour les boucles, les branches et la coordination entre plusieurs agents. C’est la solution recommandée pour tout agent complexe au sein de l’écosystème LangChain.

Démarrez petit

Il n’est plus nécessaire d’être chercheur en apprentissage automatique ou ingénieur dans une grande entreprise technologique pour créer des agents. Quelqu’un ayant de bases en Python peut développer un agent fonctionnel en une fin de semaine à l’aide de LangGraph, LangSmith et d’une méthode claire. Des tuteurs adaptatifs, des assistants pour systèmes d’enseignement en ligne et des coachs de progression sont tous à portée de main, et les outils disponibles sont suffisamment matures pour être utilisés en production.

Les équipes qui réussissent ne sont pas celles disposant des modèles les plus puissants. Elles comprennent suffisamment bien l’architecture des agents pour concevoir des ensembles d’outils pertinents, une mémoire fiable et des mécanismes de gestion efficaces en cas d’erreur. Commencez par un outil, un objectif et un agent, puis itérez.