Accueil › Glossaire › AutoGen

AutoGen

AutoGen est un framework open source développé par Microsoft Research pour construire des applications multi-agents IA où des agents autonomes collaborent via des conversations asynchrones pour résoudre des tâches complexes. Depuis février 2026, AutoGen a fusionné avec Semantic Kernel dans le Microsoft Agent Framework unifié.

AutoGen a été le projet pionnier qui a popularisé le paradigme de l’orchestration multi-agents. Son concept central est simple mais puissant : au lieu d’un seul agent qui fait tout, vous créez plusieurs agents spécialisés qui discutent entre eux pour résoudre un problème. Un agent code, un autre exécute le code, un troisième critique le résultat, et le cycle continue jusqu’à la résolution. Ce pattern conversationnel entre agents est devenu la référence du domaine, adopté ensuite par CrewAI, LangGraph et d’autres frameworks.

L’histoire d’AutoGen

AutoGen est né au sein de Microsoft Research comme un projet de recherche sur la collaboration entre agents IA. L’idée fondatrice : les LLM sont plus efficaces quand ils peuvent interagir entre eux dans des boucles conversationnelles, chacun apportant une compétence ou un point de vue différent. Le projet a été lancé en open source et a rapidement gagné en traction, atteignant 50 400+ stars sur GitHub, ce qui en fait l’un des projets IA les plus populaires de Microsoft.

AutoGen a connu deux grandes phases. La version 0.2 (initiale) a posé les fondations avec les concepts de GroupChat et de conversation multi-agents. La version 0.4, sortie courant 2025, a apporté une refonte complète avec une architecture asynchrone event-driven, une messagerie entre agents plus robuste, et un système d’extensions modulaire. Cette refonte a résolu les critiques de la v0.2 (difficulté à scaler, observabilité limitée, patterns de collaboration rigides).

En octobre 2025, Microsoft a annoncé la fusion d’AutoGen avec Semantic Kernel dans un nouveau Microsoft Agent Framework. Ce framework unifié combine les abstractions multi-agents d’AutoGen avec les fonctionnalités enterprise de Semantic Kernel (plugins, sécurité, télémétrie, gestion de mémoire). Le Agent Framework a atteint le statut Release Candidate le 19 février 2026, avec une GA (General Availability) prévue fin Q1 2026.

Architecture et concepts

Architecture en couches

AutoGen utilise un design en couches qui permet de travailler à différents niveaux d’abstraction :

Core API : la couche fondamentale. Elle implémente le passage de messages asynchrone, les agents event-driven, et un runtime local et distribué. C’est la couche la plus flexible mais aussi la plus bas-niveau, conçue pour les développeurs qui veulent un contrôle total sur le comportement des agents et la communication inter-agents.

AgentChat API : une couche plus opinionée et plus simple, construite sur le Core API. Elle fournit des patterns multi-agents prêts à l’emploi (two-agent chat, group chat) et est la plus proche de ce que les utilisateurs de la v0.2 connaissent. C’est le point d’entrée recommandé pour le prototypage rapide.

Extensions API : un système d’extensions pour étendre les capacités du framework. Les extensions fournissent des clients modèles (OpenAI, Azure OpenAI), des exécuteurs de code (Docker), des connecteurs MCP, et d’autres intégrations. La communauté peut créer et maintenir ses propres extensions.

Types d’agents

L’agent de base d’AutoGen est l’AssistantAgent, qui combine un LLM avec des outils et un prompt système. Il peut engager des conversations, appeler des outils, et exécuter du code. Dans AutoGen v0.4, le comportement par défaut est single-turn (l’agent répond une fois), contrairement au Microsoft Agent Framework où l’agent est multi-turn par défaut (il continue d’invoquer des outils jusqu’à produire une réponse finale).

Pour l’exécution de code, AutoGen propose le DockerCommandLineCodeExecutor, qui exécute le code généré par le modèle dans un conteneur Docker isolé. C’est un pattern central d’AutoGen : un agent « codeur » génère du code, un agent « exécuteur » le teste dans Docker, et les résultats sont renvoyés au codeur pour itération.

GroupChat

Le GroupChat est le pattern multi-agents emblématique d’AutoGen. Plusieurs agents participent à une conversation de groupe, chacun prenant la parole selon une stratégie de sélection (round-robin, LLM-based, ou custom). Le manager du GroupChat orchestre les tours de parole et la terminaison de la conversation. C’est ce pattern qui a inspiré les « Crews » de CrewAI et d’autres frameworks multi-agents.

Support MCP

AutoGen supporte le Model Context Protocol via l’extension McpWorkbench. Les agents peuvent découvrir et utiliser des outils exposés par des serveurs MCP (Playwright pour la navigation web, outils personnalisés, etc.). Le Microsoft Agent Framework offre un support MCP plus complet et natif, en plus des protocoles A2A (Agent-to-Agent) pour la communication inter-agents et AG-UI pour l’intégration avec des interfaces utilisateur.

Support cross-langage

AutoGen v0.4 a introduit le support cross-langage, permettant l’interopérabilité entre agents construits dans différents langages de programmation. Le support actuel couvre Python et .NET, avec d’autres langages en développement. C’est un avantage significatif pour les organisations enterprise qui ont des équipes développant dans des langages différents. Un agent Python peut communiquer avec un agent .NET via le runtime distribué, chacun exploitant les forces de son écosystème.

Le Microsoft Agent Framework poursuit cette vision multi-langage avec une parité de fonctionnalités entre Python et .NET, et une API cohérente entre les deux langages. Les patterns d’orchestration (séquentiel, parallèle, handoff, group chat) fonctionnent de manière identique dans les deux langages.

Magentic-One

Magentic-One est le projet phare construit sur AutoGen. C’est une équipe multi-agents de pointe conçue pour gérer une variété de tâches nécessitant la navigation web, l’exécution de code et la manipulation de fichiers. L’architecture comprend un agent orchestrateur qui coordonne des agents spécialisés (navigateur web, codeur, exécuteur de fichiers, etc.).

Magentic-One a démontré des performances remarquables sur des benchmarks d’agents, validant l’approche multi-agents pour des tâches complexes du monde réel. Le pattern Magentic est intégré comme pattern d’orchestration dans le Microsoft Agent Framework.

AutoGen Studio

AutoGen Studio est l’interface graphique no-code pour construire et exécuter des workflows multi-agents sans écrire de code. Vous installez AutoGen Studio avec pip install autogenstudio, lancez l’UI sur localhost, et vous pouvez prototyper des systèmes multi-agents visuellement. C’est particulièrement utile pour les non-développeurs qui veulent expérimenter avec des agents IA, ou pour les développeurs qui veulent prototyper rapidement avant de coder.

AutoGen → Microsoft Agent Framework

La migration d’AutoGen vers le Microsoft Agent Framework est relativement directe pour les cas simples. L’interface single-agent est quasi identique, avec des capacités supplémentaires (gestion de threads conversationnels, middleware, outils hébergés). Les différences principales :

Comportement des agents : dans AutoGen, AssistantAgent est single-turn par défaut (vous contrôlez le nombre d’itérations d’outils avec max_tool_iterations). Dans Agent Framework, Agent est multi-turn par défaut et continue d’invoquer des outils jusqu’à pouvoir retourner une réponse finale, avec des mécanismes de sécurité pour éviter les boucles infinies.

Runtime : AutoGen propose un runtime embarqué et un runtime distribué expérimental. Agent Framework se concentre sur la composition single-process, avec un runtime distribué prévu pour les versions futures.

Multi-agent : les patterns multi-agents d’AutoGen (GroupChat, event-driven) deviennent des patterns d’orchestration basés sur des graphes dans Agent Framework (séquentiel, parallèle, handoff, group chat). Si vous utilisiez déjà GraphFlow dans AutoGen, la transition sera plus fluide.

Nouveautés Agent Framework : middleware (interception et transformation des appels), outils hébergés, workflows typés, gestion d’état basée sur des sessions, et support natif A2A (Agent-to-Agent) et AG-UI en plus de MCP.

AutoGen / Agent Framework vs. alternatives

Le Microsoft Agent Framework se distingue par son support multi-langage (.NET + Python), son intégration native Azure, et le support des trois protocoles d’interopérabilité (MCP, A2A, AG-UI). Pour les organisations dans l’écosystème Microsoft, c’est le choix le plus naturel. Pour les équipes Python-first sans dépendance Microsoft, LangGraph ou CrewAI offrent plus de flexibilité et une communauté plus large dans le monde Python.

Cas d’usage

BMW : analyse de télémétrie véhicule avec des multi-agents qui traitent les données de capteurs en parallèle. Chaque agent est spécialisé dans un sous-système (moteur, batterie, freinage) et les résultats sont agrégés par un agent orchestrateur.

Commerzbank : automatisation du support client avec intégration CRM/ERP via MCP. Les agents accèdent aux données client en temps réel et génèrent des réponses personnalisées avec validation humaine.

Fujitsu : automatisation des opérations IT avec orchestration d’agents déclarative en YAML. Les agents surveillent les systèmes, diagnostiquent les incidents, et proposent des résolutions.

KPMG : KPMG Clara AI utilise le Microsoft Agent Framework pour connecter des agents spécialisés aux données et outils enterprise, avec les guardrails nécessaires dans un environnement régulé. Les connecteurs open source permettent l’interopérabilité avec Azure AI Foundry et des systèmes externes.

Recherche et développement de code : le pattern le plus emblématique d’AutoGen. Un agent « codeur » génère du code Python, un agent « exécuteur » le teste dans un conteneur Docker isolé, et un agent « critique » évalue la qualité. La boucle continue jusqu’à ce que le code passe tous les tests. Ce pattern a été reproduit et adapté par de nombreux projets dérivés.

Recherche académique : AutoGen est l’un des frameworks IA les plus cités dans la littérature scientifique sur les systèmes multi-agents, la collaboration entre LLM, et l’orchestration agentique. Il sert de base de comparaison dans de nombreuses publications de recherche.

Forces et faiblesses

Prise en main

Pour AutoGen (projets existants) :

Pour le Microsoft Agent Framework (nouveaux projets, recommandé) :

Le Agent Framework propose des guides de démarrage rapide pour créer un agent simple, ajouter des outils, construire des workflows multi-agents (séquentiel, parallèle, handoff, group chat), et déployer sur Azure AI Foundry. La documentation est disponible sur learn.microsoft.com.

Verdict

AutoGen est le framework qui a défini le paradigme multi-agents dans l’écosystème IA. Son concept de conversations entre agents autonomes a inspiré toute une génération de frameworks (CrewAI, MetaGPT, Swarm). Avec 50 400+ stars sur GitHub et 559 contributeurs, c’est l’un des projets IA les plus significatifs de Microsoft Research.

Cependant, AutoGen en tant que projet indépendant est désormais en mode maintenance. La fusion avec Semantic Kernel dans le Microsoft Agent Framework marque une évolution logique : combiner les forces du multi-agent (AutoGen) avec la robustesse enterprise (Semantic Kernel) dans un framework unifié.

Notre recommandation : si vous avez un projet AutoGen existant qui fonctionne, pas de panique. Le framework est maintenu et continuera de recevoir des correctifs. Planifiez une migration progressive vers le Microsoft Agent Framework en utilisant les guides officiels. Si vous démarrez un nouveau projet dans l’écosystème Microsoft, allez directement au Agent Framework : il combine le meilleur d’AutoGen et de Semantic Kernel avec des capacités enterprise complètes. Si vous n’êtes pas dans l’écosystème Microsoft, CrewAI (pour la simplicité multi-agent) ou LangGraph (pour le contrôle maximal) sont les meilleures alternatives en Python pur.