Open Agent Kit - Build Agents in Minutes

LangCrew est un framework de haut niveau qui tourne sur LangGraph et s'inspire de CrewAI. Vous définissez agents, tâches et équipes avec des objets Python, et le framework gère l'orchestration entre eux. Il prend en charge les pipelines séquentiels, le routage conditionnel et l'exécution parallèle, donc le même code passe d'une démo à deux agents à un vrai flux de travail.

Le paquet langcrew-tools est la boîte à outils officielle, et chaque outil hérite de BaseTool de LangChain pour offrir une interface homogène. Il couvre l'automatisation du navigateur, un interpréteur de code en bac à sable, les commandes de terminal, les opérations sur les fichiers, le contrôle de téléphones cloud, la récupération de données, la recherche et la génération d'images. Vous évitez ainsi de recoller la même intégration que tout projet d'agents finit par réclamer.

LangCrew intègre les étapes de validation dans le framework au lieu de les ajouter après coup. Vous pouvez placer des points d'interruption avant ou après une tâche, mettre en pause pour qu'une personne relise, puis reprendre avec sa réponse. Les composants d'interface bilingues sont pensés pour que ces points servent dans un vrai produit, pas seulement dans un script.

Un protocole Agent-UI et une bibliothèque de composants React transforment l'exécution en quelque chose que vous pouvez regarder. Le frontend montre comment l'agent planifie, ordonnance le travail, exécute les tâches et appelle les outils, étape par étape. C'est la différence entre fixer des logs bruts et voir réellement ce que fait l'équipe.

La mémoire se répartit entre court terme, long terme et stockage d'entités, avec des backends natifs PostgreSQL et Redis et une recherche par similarité vectorielle. Les conversations restent cohérentes d'un fil à l'autre, et le savoir passe d'une session à la suivante. Pour les agents qui doivent retenir du contexte, cela supprime pas mal de travail manuel.

Le framework diffuse au niveau du token et émet des événements détaillés au fil de l'exécution. Vous suivez les réflexions de l'agent, les appels d'outils et les résultats intermédiaires au moment où ils se produisent, via WebSocket ou SSE. C'est ce qui alimente les mises à jour en direct de l'interface web, et cela aide aussi à déboguer les longues exécutions.

Le dossier d'exemples livre des solutions prêtes pour le recrutement, la stratégie marketing, la génération de contenu de jeu, la planification de voyage et les offres d'emploi. Chacune est un système multi-agents que vous pouvez lire, lancer et adapter au lieu de partir d'une page blanche. Elles servent aussi de référence sur la façon d'utiliser le framework.

Vous pouvez faire tourner toute la pile sur votre propre machine ou serveur. Un fichier Docker Compose lance le backend et l'interface de chat ensemble, et la seule dépendance externe est la clé d'API du modèle que vous choisissez. Pour les équipes qui veulent des agents IA auto-hébergés et doivent garder prompts et données en interne, c'est un vrai atout face aux plateformes d'agents hébergées.