LangChain ou LlamaIndex : comment un agent de connaissances reprend-il après une approbation humaine ?

Un agent de connaissances interne doit chercher des informations puis écrire dans les systèmes métier après approbation. Si le point de reprise et l’historique d’exécution sont les contraintes centrales, évaluez d’abord LangGraph. Avec un environnement de données et d’outils LlamaIndex existant, conservez éventuellement Workflows, en précisant qui gère les instantanés et la reprise. Aucun ne remplace la déduplication des actions métier.

Source: docs.langchain.com
11 novembre 2026
6 min

Quand un assistant de connaissances interne crée aussi un ticket après avoir répondu à une question de procédure, le risque ne se limite plus à la justesse de la réponse : il faut savoir ce qu’une personne a approuvé et si un redémarrage créera un second ticket. Pour les équipes développant ces applications à agent unique, LangChain et LlamaIndex peuvent tous deux connecter des outils, conserver l’état et attendre une saisie humaine. Le choix dépend de l’intégration du mécanisme de reprise dans leur propre service.

Pour unifier points de pause, historique d’état et reprise après redémarrage dans un même mécanisme d’exécution, évaluez d’abord LangGraph dans l’écosystème LangChain. Si recherche et outils sont déjà construits autour de LlamaIndex et que l’équipe accepte de gérer événements et persistance, conserver Workflows se justifie pleinement. Cette analyse repose sur les documents Python officiels consultés le 2026-11-10. Ce n’est pas un test d’exécution ni une garantie de reprise après incident.

Définir d’abord la couche comparée

La présentation officielle de LangChain distingue plusieurs couches : create_agent de LangChain fournit une boucle d’agent composable ; LangGraph est le framework d’orchestration sous-jacent ; Deep Agents ajoute un framework d’agents plus complet ; LangSmith fournit notamment traçage, débogage et évaluation. Cet article porte sur le contrôle d’exécution d’agents développés en interne. Acheter LangSmith ou adopter Deep Agents ne signifie pas configurer la persistance de LangGraph.

Le framework LlamaIndex comprend lui aussi depuis longtemps agents et Workflows pilotés par événements. La recherche documentaire n’est qu’une catégorie d’outil accessible aux agents. Il faut le distinguer des services documentaires LlamaCloud ; les pages officielles actuelles présentent aussi les capacités hébergées d’analyse et d’indexation concernées sous la plateforme LlamaParse. Connecter ces services ne rend pas automatiquement le processus de l’agent capable de reprendre.

Un même point d’approbation, deux expressions

Supposons que l’assistant ait retrouvé la politique de réparation d’équipements et prépare un ticket. L’interface d’approbation doit montrer l’équipement, la description du problème et la file destinataire prévus, puis associer l’accord à cette version des paramètres. Il s’agit du scénario de conception de cet article, pas d’un cas client fournisseur.

LangGraph suspend l’exécution avec interrupt et utilise Command pour recevoir la saisie humaine à la reprise. L’application doit configurer un checkpointer et retrouver l’état avec le même thread_id. Cela permet de séparer « recherche, préparation d’une action à approuver, écriture » en nœuds explicites, pour vérifier ce qui est conservé à chaque étape.

L’exemple de participation humaine de LlamaIndex fait plutôt attendre un événement à un outil : InputRequiredEvent demande une saisie, HumanResponseEvent transmet la réponse et wait_for_event assure l’attente. Une équipe ayant déjà un service consommateur d’événements peut raccorder son interface d’approbation à ces points d’entrée. La vérification d’identité de l’approbateur, la version des paramètres et le traitement métier après refus restent à définir par l’application.

Les deux intègrent une saisie humaine au processus d’exécution. Mais un bouton d’approbation n’est pas un système d’autorisation : n’autorisez pas n’importe quel client à reprendre le ticket d’autrui en soumettant seulement un « oui ».

Enregistrer le contexte au bon moment

Le checkpointer de LangGraph conserve l’état du graphe à chaque super-step et organise les points de contrôle par thread. Dans un runtime exploité en interne, il faut toujours choisir le backend de persistance et la stratégie d’écriture. Un exemple en mémoire ne constitue pas directement une reprise entre processus. La valeur est un modèle uniforme de points de contrôle, pas la suppression de l’exploitation de base de données.

Le Context de LlamaIndex peut être réutilisé entre exécutions, sérialisé puis écrit dans une base de données ou un fichier. Si l’équipe possède déjà un stockage d’état fiable et du code de traitement d’événements, cela s’aligne facilement sur les limites de ses services existants. Mais enregistrer seulement à la fin de toute l’exécution ne préserve pas la progression la plus récente avant un plantage intermédiaire.

La documentation des workflows durables décrit la capture des changements d’état pendant l’exécution, l’écriture d’instantanés et la restauration de Context. Le fonctionnement par défaut dans le processus exige de gérer soi-même cette boucle de points de contrôle. La documentation présente aussi des plugins de runtime, notamment DBOS, pouvant prendre en charge persistance et reprise. Il serait donc faux de dire que LlamaIndex ne sait pas reprendre, mais aussi de considérer qu’un Context sérialisable équivaut à un stockage fiable déjà configuré.

Une approbation n’empêche pas les exécutions répétées

Reprendre ne signifie pas continuer exactement à une ligne de code. Le nœud contenant l’interruption LangGraph est réexécuté depuis son début. La documentation LlamaIndex indique également que les étapes encore en cours lors de l’instantané redémarrent : la reprise a une sémantique d’exécution au moins une fois. Les deux approches exigent donc une gestion attentive des effets de bord.

Par exemple, le système de tickets a déjà créé le ticket, mais l’agent plante avant d’enregistrer le résultat réussi. Placer l’écriture après l’approbation limite seulement le moment où elle est autorisée ; cela n’empêche pas une soumission répétée après reprise. Conservez un identifiant d’opération stable pour cette version de l’action approuvée et faites dédupliquer le système destinataire sur cette base. S’il ne prend pas en charge les requêtes idempotentes, consultez d’abord le résultat de l’exécution ou passez à une vérification humaine, sans réessayer aveuglément.

Conserver ensemble paramètres approuvés, approbateur, identifiant d’opération et numéro de ticket externe est plus utile que garder uniquement la conversation. Si l’équipement cible ou la description change après accord, faites réapprouver selon les règles métier. Ce sont des recommandations de conception applicative, pas des garanties transactionnelles fournies automatiquement par un framework.

Choisir finalement selon les limites de panne

Vérifiez 3 situations avec le même processus de réparation : redémarrer pendant l’attente d’approbation ; reprendre après un refus ; interrompre après la création du ticket mais avant l’enregistrement du résultat. Contrôlez respectivement la récupération de l’action d’origine, la conservation du refus et la présence d’un seul ticket attendu dans le système externe. Ce sont des validations à réaliser avant mise en production, pas des résultats déjà obtenus ici.

Une équipe voulant gérer uniformément ces étapes par points de contrôle et limites de nœuds peut essayer LangGraph d’abord, en incluant backend d’état et outils idempotents dans le périmètre. Une équipe disposant déjà de recherche et de workflows événementiels LlamaIndex peut commencer par les instantanés Context ou un runtime durable adapté. Il n’est pas nécessaire de réécrire la couche de données uniquement pour « prendre en charge les agents ».

Si l’application reste strictement en lecture seule et qu’une nouvelle réponse depuis le début est acceptable après échec, la reprise longue durée des deux solutions ne mérite pas forcément une introduction immédiate. L’investissement devient crucial quand l’assistant attend une approbation et modifie un système externe. Prouver qu’un même accord ne produit pas d’actions métier en double détermine alors davantage la viabilité que le nom du framework.

À propos de cet article :Cet article s’appuie sur des informations publiques et sert de référence pour vous aider à choisir vos outils. Les fonctionnalités, les tarifs et les politiques associées peuvent évoluer à tout moment ; veuillez consulter les informations officielles les plus récentes.

Source originale :docs.langchain.com