LangChain, LangGraph, LlamaIndex : quel framework pour votre IA ?

Construire une application IA un peu sérieuse, un assistant, un agent, un RAG, implique d'orchestrer plusieurs étapes : récupérer des données, appeler un modèle, utiliser des outils, enchaîner. Trois frameworks reviennent : LangChain, LangGraph et LlamaIndex. Ils ne servent pas la même chose.

LangChain : la boîte à outils générale

LangChain est le couteau suisse : connecteurs vers les modèles, gestion des prompts, chaînes d'étapes, intégration d'outils. Pratique pour assembler rapidement une logique IA, du plus simple au plus complexe. Son ampleur est aussi son défaut : il peut être surdimensionné pour un besoin basique.

Une réserve mérite d’accompagner cette description, et elle vaut pour les trois outils. LangChain a beaucoup bougé depuis ses débuts : les modules ont été redécoupés, certaines abstractions ont été dépréciées, et un tutoriel de deux ans ne compile plus. Pour un premier appel à un modèle, un simple appel HTTP à l’API du fournisseur reste souvent plus court, plus lisible et plus facile à déboguer qu’une chaîne d’abstractions. La règle de bon sens : adopter un framework quand on a rencontré le problème qu’il résout, l’orchestration de plusieurs étapes, la reprise sur erreur, le suivi des exécutions, pas avant.

LangGraph : les agents avec état

LangGraph modélise les traitements IA comme un graphe d'étapes avec état. C'est l'outil quand on construit de vrais agents : des boucles, des décisions, des reprises, une mémoire entre les étapes. Plus structuré et robuste que des chaînes linéaires pour les cas avancés.

Le mot important dans cette description est « état », et c’est ce qui justifie l’outil. LangGraph persiste l’état entre les étapes, ce qui permet trois choses qu’une simple chaîne ne sait pas faire : reprendre une exécution interrompue là où elle s’est arrêtée, revenir en arrière pour rejouer une branche, et insérer une validation humaine au milieu du parcours. C’est exactement ce que réclame un agent qui déclenche des actions réelles, envoyer un e-mail, créer une commande, modifier une base. Sans reprise ni point de contrôle, un agent qui échoue à la septième étape recommence tout, et refait les six premières actions.

LlamaIndex : spécialiste de la donnée et du RAG

LlamaIndex est centré sur l'indexation de données et le RAG : ingérer des documents, les découper, les indexer, et servir la recherche pour augmenter le modèle. Quand le cœur du projet est « faire parler des documents », c'est souvent le plus direct.

Sur ce terrain, la qualité se joue avant le framework, et c’est le point que LlamaIndex met en avant à juste titre : le découpage des documents, le choix du modèle d’embedding et la stratégie de récupération pèsent davantage que la bibliothèque qui les assemble. Deux mesures suffisent à piloter : le rappel, la bonne réponse figure-t-elle dans les passages retrouvés?, et la fidélité, c’est-à-dire la part d’affirmations non appuyées par ces passages. Le classement de Vectara mesure cette seconde dimension et rappelle que même les meilleurs modèles restent à quelques pour cent d’hallucination.

Lequel choisir, ou aucun

• LlamaIndex si le projet est avant tout du RAG documentaire.
• LangGraph pour des agents avec logique et état.
• LangChain pour assembler vite une logique variée.
• Aucun, parfois : pour un cas simple, quelques appels d'API bien écrits suffisent, sans la complexité d'un framework.

Un critère manque à cette liste, et il devient déterminant dès qu’un agent peut agir : la sécurité. L’injection de requête est classée première des risques du Top 10 OWASP pour les applications à modèles de langage, un texte présent dans un document indexé ou saisi par un utilisateur peut détourner les instructions du système. La règle qui en découle est indépendante du framework : un agent ne doit disposer que des outils strictement nécessaires, avec des permissions minimales, et toute action irréversible doit passer par une validation. Le Model Context Protocol standardise la façon dont un modèle accède à ces outils, mais ne dispense évidemment pas de les restreindre.

Le bon choix dépend du cas d'usage : c'est l'objet de notre cadrage de projets IA, avant de construire nos assistants IA connectés à vos données.

Un projet IA à architecturer ? On choisit (ou on évite) le bon framework avec vous.