Deep Agents ou LangGraph : de quelle couche avez-vous réellement besoin ?

Créer un agent ne se résume pas à connecter un LLM à quelques outils. Vous devez également décider de la manière dont l'agent gère l'état, traite le contexte, appelle les outils, exécute les tâches et détermine la suite des opérations.

LangGraph et Deep Agents résolvent ces problèmes à différents niveaux d'abstraction. LangGraph fournit aux développeurs les primitives nécessaires pour définir et contrôler le flux d'exécution d'un agent, tandis que Deep Agents propose une structure d'agent pré-assemblée de haut niveau s'appuyant sur LangGraph.

Tous deux résolvent le même problème fondamental. Un modèle raisonne mais ne peut pas agir. Il ne peut pas ouvrir un fichier, appeler une API, exécuter le code qu'il vient d'écrire ou se souvenir de ce qu'il a décidé quatre étapes plus tôt. Quelque chose doit entourer le modèle pour combler ce fossé, et continuer à le faire aussi longtemps que la tâche l'exige. LangGraph vous donne les pièces pour construire ce mécanisme. Deep Agents vous le livre assemblé.

Qu'est-ce que LangGraph ?

LangGraph est un moteur d'exécution d'agents. Vous modélisez le flux de travail sous forme de graphe orienté : les nœuds sont des opérations discrètes, les arêtes définissent la suite des opérations, et un schéma d'état typé circule à chaque étape. L'exécution parcourt votre structure jusqu'à ce qu'un nœud renvoie END.

Une construction LangGraph ressemble généralement à ceci :

• Définir le schéma d'état. Un objet typé que chaque nœud lit et modifie.
• Écrire les nœuds. Chacun est une fonction : appeler un modèle, utiliser un outil, transformer l'état, valider une donnée.
• Relier les arêtes. Des séquences fixes, ainsi que des arêtes conditionnelles qui bifurquent selon l'état actuel.
• Ajouter des points de contrôle (checkpointers). Une persistance qui permet à une exécution interrompue de reprendre à la dernière étape terminée plutôt qu'au début.
• Ajouter des interruptions. Des points de pause où un humain examine ou approuve l'exécution avant qu'elle ne se poursuive.

Les points de contrôle et les interruptions sont les véritables éléments différenciateurs ici, et c'est pourquoi LangGraph se retrouve à la base de presque tout le reste de la pile LangChain. Tant LangChain que create_agent et les Deep Agents s'exécutent dessus.

LangGraph est idéal lorsque :

• Le flux de travail possède une structure définie, et cette structure intègre des connaissances métier que vous ne voulez pas laisser un modèle remettre en question
• Les étapes déterministes et les étapes basées sur un modèle sont combinées dans le même pipeline
• Une intervention humaine est requise à un point précis, et non « quelque part dans la boucle »
• Les exécutions sont suffisamment longues pour qu'il soit nécessaire de pouvoir reprendre à partir d'un point de contrôle
• Vous avez besoin de branchements ou de boucles de retour vers des étapes antérieures qu'aucune boucle fixe ne permettrait

L'exemple fourni par LangChain est un pipeline de demande de location : extraire les revenus et l'historique de crédit à partir de documents, évaluer selon les critères du propriétaire, puis approuver, rejeter ou escalader automatiquement les cas limites. Seule la première étape fait appel à un LLM. Le reste est constitué de code fixe, et doit le rester.

Que sont les Deep Agents ?

Deep Agents est un environnement d'exécution pour agents. Il utilise la même boucle principale que le create_agentde LangChain, mais avec une approche plus directive, intégrant par défaut des pratiques d'ingénierie de contexte. LangChain le décrit comme l'agent principal accompagné d'un ensemble de middlewares, le tout reposant sur un graphe LangGraph.

Ce qui est inclus :

• Un système de fichiers, permettant à l'agent de lire et d'écrire des données contextuelles qu'il ne devrait pas encombrer dans sa fenêtre de contexte
• Des sous-agents, qui effectuent des tâches spécialisées sans alourdir le processus principal
• Des compétences, des instructions et des scripts que l'agent charge à la demande
• Mémoire, afin que l'agent conserve son apprentissage d'une exécution à l'autre
• Structure de planification, le mécanisme qui décompose une tâche avant de l'exécuter

Vous obtenez un agent via create_deep_agent avec un modèle, un ensemble d'outils et une instruction système. Aucun graphe à concevoir.

La distinction avec LangGraph réside dans la gestion de la boucle. Avec LangGraph, vous déclarez les nœuds et les conditions, et vous gardez le contrôle sur le flux. Avec Deep Agents, vous fournissez les outils et les instructions, vous lancez le processus, et le modèle décide de la suite des opérations au sein d'une boucle prédéfinie. Si vous souhaitez approfondir ce point, nous avons rédigé un article séparé sur agent harness vs agent framework.

Deep Agents est particulièrement adapté lorsque :

• Le cheminement de l'agent dépend des résultats de l'étape précédente, rendant impossible la modélisation par graphe
• Vous souhaitez disposer d'un agent performant en quelques heures plutôt qu'en quelques jours
• Il s'agit de recherche, d'investigation en plusieurs étapes ou de toute tâche nécessitant une exploration multi-sources
• Vous utilisez déjà LangGraph et souhaitez bénéficier de la boucle sans avoir à la construire manuellement
• Votre équipe préfère s'appuyer sur des décisions de gestion de contexte prédéfinies plutôt que de les définir elle-même

Deep Agents vs LangGraph : différences fondamentales

Bien qu'ils visent le même objectif, ils se situent à des niveaux différents de la pile technologique, ce qui rend la question du « meilleur » outil sans objet. L'un vous demande de concevoir le comportement de l'agent. L'autre en décide pour vous, au prix d'une consommation de jetons plus généreuse pour les choix effectués automatiquement.

Une meilleure alternative pour la production : TrueForge Agent Harness

LangChain Deep Agents simplifie une grande partie du travail complexe au sein d'un agent individuel, notamment la planification, les sous-agents, les outils de système de fichiers, les compétences, la mémoire et l'exécution longue durée. Cependant, lorsque vous déployez des agents au sein de plusieurs équipes, le défi ne consiste plus à construire l'agent, mais à exploitation de la flotte.

TrueForge est le harnais d'agents open-source et agnostique de TrueFoundry pour cette couche d'exécution. Il gère la boucle de l'agent autour du modèle, incluant la planification, les appels d'outils, la gestion du contexte, les approbations et l'état de session, tout en vous laissant utiliser vos propres modèles, serveurs MCP et fournisseurs de sandbox.

Vous pouvez l'exécuter localement avec npx @truefoundry/trueforge, ou déployer le même harnais pour une équipe via Docker Compose ou Helm. Consultez la documentation de TrueForge.

Optimisation de l'exécution des agents

TrueForge propose également plusieurs mécanismes pour contrôler la quantité de contexte et de données d'outils transmise au modèle.

Le chargement différé des outils signifie que les schémas d'outils MCP sont chargés à la demande plutôt que d'encombrer la fenêtre dès le départ. Le mode Code permet à l'agent d'enchaîner plusieurs appels d'outils au sein d'un même script sandbox, de sorte que seul le résumé généré soit intégré au contexte, plutôt que chaque résultat intermédiaire. Les réponses d'outils trop volumineuses sont déportées vers un fichier sandbox et remplacées par un chemin d'accès et un aperçu. La compression se déclenche à 80 % de la longueur du contexte du modèle et remplace l'historique ancien par un résumé structuré, qui constitue la réponse directe pour la relecture. Les sous-agents s'exécutent avec leur propre contexte propre et ne renvoient que le résultat.

Le modèle de sandbox est l'autre levier. La plupart des harnais encapsulent toute la session dans un conteneur. TrueForge traite la sandbox comme un outil et n'en lance une que lorsque l'agent a réellement besoin d'exécuter du code ; ainsi, un seul serveur peut gérer plusieurs agents simultanément et les tâches qui ne nécessitent pas de code restent peu coûteuses.

Bien plus qu'une bibliothèque Python

TrueForge est également structuré comme un environnement d'exécution plutôt que comme une simple interface de bibliothèque.

Le serveur principal exécute la boucle d'agent et fournit le streaming, les portes d'approbation, la délégation de sous-agents, la compaction et les sessions persistantes. Un API HTTP et SDK TypeScript( @truefoundry/trueforge-sdk) exposent les mêmes fonctionnalités par programmation. Une

interface de chat et un SDK d'interface utilisateur

( @truefoundry/trueforge-ui

) peuvent être utilisés directement, personnalisés ou intégrés dans un autre produit.

Cela offre aux équipes une surface de déploiement au-delà de la définition même de l'agent Python : le même runtime peut alimenter une application, une API ou une expérience d'agent intégrée. utilisé par Deep Agents et était environ 2,5 fois moins cher par exécution sur le même modèle.

The Runtime Layer for Production AI Agents

Run production agents with an open-source runtime for your models, MCP tools, sandboxing, approvals, and observability.

Explore TrueForge

View on GitHub

La différence provient en grande partie de la manière dont les deux environnements d'exécution gèrent l'orchestration et le contexte. Deep Agents offre des fonctionnalités telles que la planification, un système de fichiers virtuel et des sous-agents, mais celles-ci peuvent également alourdir l'orchestration et le contexte à chaque étape. TrueForge adopte une approche plus légère, utilisant des appels d'outils ciblés et la compression de contexte pour éviter d'envoyer systématiquement des historiques volumineux et des réponses d'outils au modèle. C'est un point crucial car le coût d'un agent ne dépend pas uniquement du prix du modèle. Deux systèmes d'agents utilisant le même modèle peuvent avoir une consommation de jetons très différente selon la manière dont ils implémentent la planification, l'utilisation des outils, la gestion du contexte et les sous-agents.

Connexion de l'environnement d'exécution d'agent à la couche plateforme

TrueForge peut également se connecter aux passerelles AI Gateway et MCP Gateway de TrueFoundry pour fournir les contrôles qui deviennent essentiels une fois que les agents ne sont plus des projets isolés, notamment l'accès centralisé aux modèles, les identifiants MCP, le contrôle d'accès basé sur les rôles (RBAC), les budgets, les garde-fous, la rotation des identifiants et le traçage unifié. Cela permet de déplacer ces préoccupations hors des définitions individuelles des agents pour les intégrer dans une couche plateforme partagée.

Pour les équipes évaluant Deep Agents pour la production, ce benchmark rappelle utilement que le framework n'est qu'une partie de la pile technologique. L' architecture de l'environnement d'exécution autour de l'agent peut avoir un impact significatif sur l'utilisation des jetons, la latence et le coût. TrueForge est conçu pour fournir cette couche d'exécution tout en laissant le choix du modèle et de l'infrastructure ouvert.

Alors, lequel choisir ?

Optez pour LangGraph lorsque la structure du graphe est la valeur ajoutée. Des points de contrôle de conformité à des nœuds spécifiques, des boucles conditionnelles vers des étapes précédentes, un pipeline où une seule étape doit interagir avec un modèle. Si vous utilisez déjà LangGraph et que votre flux est réellement structuré en graphe, restez-y.

Optez pour un harnais lorsque vous vous retrouvez à créer manuellement une boucle qui existe déjà ailleurs. La question devient alors de savoir quel harnais choisir, ce qui relève de la gestion du contexte ; lisez donc la documentation sur la compression, le déchargement et le chargement différé avant de vous engager. Si rien n'en fait mention, vous avez affaire à un framework qui se fait passer pour un harnais.

Optez pour deepagents si vous souhaitez utiliser l'écosystème et les abstractions de LangChain et que le profil de jetons est adapté à votre charge de travail. Les exécutions courtes ne verront pas la différence.

Optez pour TrueForge si les exécutions longues sont votre norme, si vous avez besoin d'une API HTTP ou d'une interface utilisateur intégrée plutôt que d'une bibliothèque, si vous souhaitez une licence MIT sans engagement envers un écosystème, ou si le coût par exécution doit pouvoir être justifié auprès de votre service financier. Notre analyse des alternatives à LangGraph couvre les options au niveau du framework si c'est la couche dont vous avez réellement besoin.

Et souvent, la réponse est les deux. Un framework gère l'orchestration entre les agents, ou le flux de travail déterministe au sein duquel un agent piloté par un harnais est intégré. Un harnais exécute les agents eux-mêmes. Les deux erreurs à éviter sont d'utiliser un framework pour reconstruire une boucle dont vous auriez pu hériter, et de forcer un harnais à suivre une séquence de conformité rigide en la décrivant dans un prompt, sans garantie de résultat.

FAQ

Q : Quelle est la différence entre deep agents et LangGraph ?

R : LangGraph est un moteur d'exécution d'agents et Deep Agents est un harnais d'agent construit par-dessus. Avec LangGraph, vous déclarez des nœuds, des arêtes et des états, et vous écrivez vous-même le flux de contrôle. Avec Deep Agents, la boucle est déjà écrite, accompagnée d'un système de fichiers, de sous-agents, de compétences et d'une mémoire ; il vous suffit donc de fournir les outils et les instructions. Deep Agents est compilé en un graphe LangGraph en arrière-plan.

Q : Deep Agents remplace-t-il LangGraph ?

R : Non, et cela ne peut pas être le cas, car il fonctionne sur LangGraph. Un harnais vous offre une boucle fixe pilotée par un modèle. Si votre flux de travail nécessite une topologie arbitraire, des portes de validation sur des nœuds nommés ou des boucles conditionnelles vers des étapes précédentes, aucun harnais ne pourra l'exprimer et LangGraph reste l'outil approprié. De nombreux systèmes en production utilisent les deux à des niveaux différents.

Q : Lequel est le moins coûteux à exécuter, deepagents ou un autre harnais ?

R : Lors de notre test Enterprise-Bench, deepagents sur Opus 4.8 a utilisé 16,5 millions de jetons pour 21 $ par exécution, contre 3,8 millions de jetons et 8,50 $ pour TrueForge sur le même modèle et les 14 mêmes tâches, avec une précision équivalente à une tâche près. L'écart provient de la relecture du contexte accumulé plutôt que de sa compression, ainsi que de l'infrastructure maintenue à chaque étape.

Q : Puis-je exécuter l'un ou l'autre dans mon propre VPC ou sur site ?

R : Oui. Les deux sont open source et auto-hébergeables. TrueForge s'exécute à partir d'une simple commande npx en local, ou via Docker Compose et Helm pour les déploiements en équipe avec Postgres, Redis, des réplicas et une connexion OIDC. La plateforme gérée de TrueFoundry fonctionne également en auto-hébergé, sur site, en environnement isolé (air-gapped) ou hybride, afin qu'aucune donnée ne quitte votre domaine.

Q : Comment gérer les modèles et les serveurs MCP pour un grand nombre d'agents ?

R : Via une couche de passerelle, dès que la gestion autonome des clés ne suffit plus. L' AI Gateway de TrueFoundry centralise plus de 1 000 LLM derrière une API compatible OpenAI, avec une latence ajoutée d'environ 3 à 4 ms et plus de 350 requêtes par seconde sur un seul vCPU. Elle inclut le contrôle d'accès (RBAC), la gestion des budgets, des garde-fous, la rotation des identifiants, ainsi que des traces OpenTelemetry vers Grafana, Datadog ou Prometheus. Les agents basés sur LangGraph, deepagents ou tout autre framework sont gouvernés de la même manière.

Lectures complémentaires

• Harness d'agents vs Framework d'agents : quelles sont les réelles différences ?: la distinction catégorielle au cœur de cette décision
• Alternatives à LangChain Deep Agents: le domaine des harness si deepagents ne convient pas
• TrueForge vs Agents gérés par Claude : jusqu'à 75 % moins cher: méthodologie et résultats complets de l'Enterprise-Bench
• Meilleurs harness d'agents open source : comparatif des 5 meilleurs projets: comment se comparent les options open source
• Alternatives à LangGraph : comparatif de 5 options pour 2026: si c'est la couche framework dont vous avez besoin

Conclusion

Le choix entre deep agents et LangGraph dépend de la couche où se situe votre problème. Vous pouvez trancher avec une seule question : le cheminement de l'agent a-t-il une structure que vous souhaitez définir, ou est-il découvert au fur et à mesure de l'exécution ?

S'il a une structure, choisissez LangGraph. Sinon, il vous faut un harness, et le facteur différenciant sera alors l'impact de ce harness sur votre fenêtre de contexte au quarantième tour. Cela mérite d'être mesuré avant de construire votre solution.

npx @truefoundry/trueforge vous permet d'avoir un agent opérationnel en une minute environ, ou découvrez comment TrueForge gère le contexte sur les longues exécutions.