AutoGen

AutoGen est un framework Python conçu par Microsoft Research pour orchestrer plusieurs agents d'IA dans des workflows collaboratifs. Lancé en 2023 et actuellement en version 0.7.x, il permet aux développeurs de composer des agents autonomes qui communiquent via un échange de messages structuré, délèguent des tâches, appellent des outils, et écrivent et exécutent du code, le tout au sein d'un environnement d'exécution pouvant fonctionner localement ou être distribué sur plusieurs processus. Le framework compte 57,500 étoiles sur GitHub et reste l'un des frameworks d'agents open source les plus cités en production.

Le framework de base comprend trois couches : AutoGen Core (environnement d'exécution basé sur le modèle d'acteur avec échange de messages asynchrone piloté par les événements), AgentChat (une API de plus haut niveau pour les modèles courants tels que le chat à deux agents et le chat de groupe), et Extensions (intégrations pour OpenAI, Azure OpenAI et les serveurs MCP). AutoGen Studio fournit une interface web sans code pour le prototypage et le débogage des workflows sans écrire de Python. Magentic-One, un système multi-agents généraliste préconfiguré inclus avec le framework, a obtenu des résultats compétitifs aux benchmarks sur GAIA, AssistantBench et WebArena fin 2024. La prise en charge multi-langages couvre Python 3.10+ et .NET.

Ce que fait réellement AutoGen en avril 2026

La version stable actuelle d'AutoGen (v0.7.x, avec la v0.7.5 publiée en septembre 2025) s'appuie sur la refonte architecturale de la v0.4 lancée en janvier 2025. Cette refonte a remplacé la boucle de conversation synchrone d'origine par un environnement d'exécution basé sur le modèle d'acteur : les agents sont des unités de calcul indépendantes qui reçoivent et envoient des messages typés via un environnement d'exécution central, plutôt que de s'appeler mutuellement dans une chaîne linéaire. Cela dissocie la distribution des messages de leur traitement, ce qui signifie que les agents peuvent s'exécuter dans des processus distincts, sur des machines distinctes ou dans des langages distincts.

En pratique, cela débloque un ensemble plus large de modèles : distribuer des tâches à des agents parallèles (fan-out), composer des pipelines avec des points de contrôle en cours d'exécution, diffuser des résultats partiels vers un proxy utilisateur, ou passer le relais entre un agent codeur et un agent réviseur en fonction des conditions d'exécution. La couche AgentChat conserve l'API plus simple familière aux utilisateurs d'AutoGen 0.2, de sorte que les modèles existants à deux agents et de chat de groupe fonctionnent toujours sans réécriture.

AutoGen Studio, fourni sous forme d'interface web et de package Python, affiche les agents et les configurations d'équipe sur un canevas en glisser-déposer. Il cible les cas d'usage de prototypage et de débogage : les développeurs peuvent échanger des modèles, ajuster les prompts des agents et rejouer des sessions sans toucher au code. Microsoft précise explicitement qu'AutoGen Studio est un prototype de recherche et non une cible de déploiement en production.

Magentic-One, un système multi-agents préconfiguré construit sur AgentChat, relie un orchestrateur de planification à quatre agents spécialistes : un navigateur web, un navigateur de fichiers, un exécuteur de code et un terminal. Sur le benchmark GAIA, il a obtenu un score de 38% ; sur WebArena, 32.8%. Ces chiffres sont compétitifs par rapport aux principaux systèmes open source au moment de la publication.

"Une longueur d'avance sur les agents LangChain et semble recevoir plus d'attention et de développement que ce que LangChain était prêt à consacrer aux agents." - anais9, Hacker News, octobre 2023

Où se situe AutoGen par rapport à CrewAI et AG2

Les deux comparaisons les plus directes sont CrewAI (l'alternative la plus populaire pour les nouveaux projets) et AG2 (le fork communautaire qui s'est séparé d'AutoGen fin 2024).

AutoGen vs. CrewAI : CrewAI utilise un modèle déclaratif basé sur les rôles où les développeurs définissent une "équipe" (crew) d'agents en attribuant un texte de rôle, un texte d'objectif et un texte de contexte (backstory), et le framework déduit la coordination. Un pipeline CrewAI de base nécessite environ 20 lignes de Python. La couche AgentChat d'AutoGen nécessite plus de code standard (boilerplate) pour spécifier les types d'agents, les conditions de terminaison et le routage des messages, mais elle prend en charge des modèles de conversation que CrewAI n'offre pas : débats de groupe multipartites, protocoles de consensus et changement de rôle dynamique au sein d'une session. Les benchmarks sur la surcharge de tokens montrent systématiquement qu'AutoGen est plus gourmand que CrewAI (environ 24% contre 18%) car son modèle centré sur la conversation conserve l'historique complet des messages à chaque tour. CrewAI a connu une croissance plus rapide en nombre d'étoiles GitHub en 2025-2026 et constitue la recommandation par défaut dans la plupart des tutoriels "pour bien démarrer avec les agents".

AutoGen vs. AG2 : En septembre-octobre 2024, le responsable initial d'AutoGen, Chi Wang, et la co-auteure Qingyun Wu ont quitté Microsoft. Wang a par la suite rejoint Google DeepMind. Les deux chercheurs ont forké la base de code d'AutoGen 0.2 pour créer AG2 sous une nouvelle organisation GitHub (ag2ai), l'ont placé sous licence Apache 2.0 et l'ont rebaptisé "le fork gouverné par la communauté". AG2 maintient la rétrocompatibilité avec AutoGen 0.2 et a attiré des mainteneurs de Meta, IBM et de plusieurs universités. La principale différence mécanique réside dans la gouvernance et la trajectoire : AG2 se dirige vers une v1.0 avec une gouvernance ouverte, tandis que l'AutoGen de Microsoft est officiellement entré en mode maintenance sans aucune nouvelle fonctionnalité prévue, et Microsoft oriente les nouveaux utilisateurs d'entreprise vers Microsoft Agent Framework. Pour les équipes sur AutoGen 0.2 qui ont besoin de stabilité et de rétrocompatibilité, AG2 est la voie de migration naturelle. Pour les équipes qui construisent de tout nouveaux systèmes agentiques, le domaine s'est fracturé.

"AutoGen est très vivant, il fait toujours l'objet d'investissements... sous-tendant des systèmes d'agents dans plusieurs produits internes." - Marc Sweet, architecte Microsoft, en réponse aux inquiétudes concernant la fragmentation de la communauté, fin 2024

À quoi ressemble la réalité de la boucle d'agents au quotidien

Un workflow AutoGen typique implique la définition d'un UserProxyAgent (qui peut exécuter du code et représenter l'humain) et d'un ou plusieurs AssistantAgents (qui appellent le LLM), puis le lancement d'un chat. Le framework gère les tours de parole, les conditions de terminaison et le sandboxing du code. Par défaut, l'exécution du code se fait dans des conteneurs Docker, ce qui offre une isolation mais ajoute de la latence et une dépendance à la disponibilité de Docker dans l'environnement.

Les points de friction récurrents sur les forums de développeurs et les tickets GitHub se concentrent autour de quatre domaines. Premièrement, les boucles d'agents : sans conditions de terminaison soigneusement ajustées, les agents peuvent entrer dans des cycles d'échange répétitifs qui consomment des tokens sans converger. Deuxièmement, l'opacité des coûts : comme chaque tour d'agent s'ajoute à un tampon de conversation croissant, les sessions multi-agents génèrent des nombres de tokens difficiles à prédire avant l'exécution. Une exécution complexe de chat de groupe peut coûter considérablement plus cher qu'un appel à un seul LLM pour résoudre la même tâche. Troisièmement, la migration de la v0.2 à la v0.4 : la refonte architecturale n'était pas rétrocompatible, et les équipes qui avaient construit des systèmes de production sur la v0.2 ont dû faire face à une réécriture partielle. Microsoft a maintenu une branche héritée v0.2 mais n'y a ajouté aucune nouvelle fonctionnalité. Quatrièmement, la confusion autour du nom des packages : cinq packages PyPI différents (autogen, pyautogen, autogen-agentchat, ag2 et autogen-core) circulent simultanément, et l'installation du mauvais package produit un comportement inattendu.

Le fork AG2 ajoute une couche politique. Les équipes qui choisissent AutoGen aujourd'hui optent implicitement pour la trajectoire de maintenance de Microsoft plutôt que pour le fork gouverné par la communauté. Aucune des deux options n'est manifestement supérieure pour tous les cas d'usage, mais le choix a son importance pour la gestion des dépendances à long terme.

À qui s'adresse AutoGen

AutoGen est particulièrement adapté aux développeurs Python qui ont besoin de modèles d'agents conversationnels flexibles et qui sont à l'aise avec la gestion de leur propre infrastructure. Le framework récompense les ingénieurs qui souhaitent un contrôle précis sur le flux de messages, la logique de terminaison et la composition des agents. Les équipes qui construisent des prototypes de recherche, des outils internes ou des pipelines agentiques ponctuels en tirent le plus de valeur. Le SDK .NET en fait l'un des rares frameworks d'agents open source offrant une prise en charge native des bases de code C# d'entreprise.

AutoGen Studio abaisse la barrière à l'entrée pour les non-ingénieurs qui expérimentent des configurations d'agents, mais il s'agit explicitement d'un outil de prototypage. Les équipes qui ont besoin de fiabilité en production, d'observabilité de l'interface utilisateur ou d'hébergement infogéré doivent considérer Studio uniquement comme un bac à sable.

Le positionnement de Microsoft a évolué. L'entreprise recommande désormais Microsoft Agent Framework pour les tout nouveaux projets d'entreprise, présentant AutoGen comme le prototype de recherche qui l'a inspiré. AutoGen continue de recevoir des correctifs de sécurité et de bugs, mais la vitesse de développement des fonctionnalités a considérablement chuté depuis la sortie de la v0.4.

Ce que n'est pas AutoGen

AutoGen n'est pas un service infogéré. Il n'y a pas d'API hébergée, pas d'environnement d'exécution cloud, pas de tableau de bord d'observabilité intégré et pas de niveau de support fournisseur. Chaque décision de déploiement, de la sélection du modèle à la configuration du conteneur en passant par la gestion des coûts, incombe à l'équipe de mise en œuvre.

Ce n'est pas la voie la plus facile pour obtenir un agent fonctionnel en 2026. CrewAI permet d'atteindre une démo fonctionnelle plus rapidement avec moins de code standard. LangGraph offre une gestion d'état plus explicite et de meilleurs outils pour les workflows conditionnels en production. Si votre objectif principal est de livrer une fonctionnalité agentique dans un produit, la courbe d'apprentissage d'AutoGen et l'incertitude liée à sa maintenance le rendent plus difficile à justifier qu'en 2023.

Il ne convient pas non plus aux équipes qui ont besoin de garanties de la part d'un fournisseur. La licence MIT signifie que vous pouvez l'utiliser librement, mais Microsoft a signalé une réduction de ses investissements. Les équipes qui construisent des automatisations critiques sur AutoGen devraient avoir un plan de migration, soit vers Microsoft Agent Framework (voie entreprise), soit vers AG2 (voie communautaire), avant que la posture de maintenance ne devienne problématique.