Comment Connecter les Frameworks d'Agents IA à Plusieurs Fournisseurs LLM (Guide 2026)

Pour connecter n'importe quel framework d'agent IA à plusieurs fournisseurs LLM, pointez son URL de base compatible OpenAI vers l'endpoint d'EdenAI à https://api.edenai.run/v3 et utilisez votre clé API Eden AI. Ce seul changement donne à Deer-Flow, Dify, LangChain et AutoGPT accès à plus de 500 modèles d'OpenAI, Anthropic, Google, Mistral et des dizaines d'autres - avec fallbacks automatiques et facturation consolidée.

Pourquoi les frameworks d'agents ont besoin d'un accès multi-fournisseurs

Faire tourner un agent IA sur un seul fournisseur LLM crée trois problèmes qui s'aggravent à mesure que votre application se développe :

• Risque de résilience : quand votre fournisseur unique a une panne ou vous limite en débit, toute votre flotte d'agents tombe. Les fallbacks multi-fournisseurs maintiennent vos agents en fonction malgré toute défaillance d'un seul vendeur.
• Inefficacité des coûts : router chaque tâche à travers un modèle frontier comme GPT-4o ou Claude Opus coûte cher. Le routage intelligent envoie les tâches d'extraction simples vers des modèles moins chers et réserve les modèles frontier pour le raisonnement complexe.
• Lacunes de capacités : aucun fournisseur ne domine dans toutes les dimensions. Anthropic excelle en raisonnement à contexte long, Google en multimodal, Mistral en résidence de données européenne. L'accès multi-fournisseurs vous permet de choisir le meilleur modèle pour chaque étape de l'agent.

Les quatre frameworks couverts ci-dessous - Deer-Flow, Dify, LangChain et AutoGPT - totalisent plus de 546K étoiles GitHub et représentent les moyens les plus populaires de construire des agents IA en 2026. Tous les quatre supportent les endpoints compatibles OpenAI, ce qui rend l'intégration EdenAI simple.

Le défi d'intégration : configurations spécifiques à chaque framework

Chaque framework a sa propre façon de configurer les fournisseurs LLM. Deer-Flow utilise des variables d'environnement dans un fichier .env, Dify utilise un panneau visuel de paramètres Model Provider, LangChain utilise des classes Python, et AutoGPT utilise une combinaison de fichiers .env et de configuration. La bonne nouvelle : ils appellent tous en fin de compte la même API de chat complet compatible OpenAI sous le capot.

L'endpoint /v3/chat/completions d'Eden AI est un remplacement direct de l'API d'OpenAI. Même format de requête, même format de réponse, même support du streaming. Les seules différences sont l'URL de base et le format de la chaîne de modèle (provider/model-id au lieu de simplement model-id).

Étape par étape : connecter Deer-Flow à Eden AI

Deer-Flow est le framework d'agent open-source de ByteDance construit sur LangChain et LangGraph. Il se spécialise dans les tâches à long horizon comme la recherche, la planification et la génération de code. Avec 75K étoiles GitHub, c'est l'un des frameworks d'agents à la croissance la plus rapide en 2026.

1. Cloner et installer Deer-Flow

git clone https://github.com/bytedance/deer-flow.git
cd deer-flow
pip install -r requirements.txt

‍

2. Configurer Eden AI comme fournisseur LLM

Ouvrez le fichier .env et remplacez la configuration OpenAI par Eden AI :

# Deer-Flow .env configuration
OPENAI_API_KEY=your-edenai-api-key-here
OPENAI_BASE_URL=https://api.edenai.run/v3
OPENAI_MODEL=anthropic/claude-sonnet-4-5

‍

Deer-Flow utilise les variables d’environnement standard OPENAI_API_KEY et OPENAI_BASE_URL. En configurant l’URL de base pour qu’elle pointe vers Eden AI, tous les appels aux modèles de langage effectués dans le pipeline d’agents sont automatiquement acheminés via la passerelle API d’Eden AI.

3. Tester la connexion

python main.py --task "Research the top 3 European AI startups and write a summary"

‍

Deer-Flow utilisera Claude Sonnet 4.5 via Eden AI pour son agent de planification, son agent de recherche et son agent de génération de code. Pour changer de modèle en cours d’exécution, il suffit de modifier la variable OPENAI_MODEL et de sélectionner n’importe quel modèle disponible dans le catalogue d’Eden AI.

Step-by-Step : connecter Dify à Eden AI

Dify est l’une des plateformes IA low-code les plus populaires, avec 146K étoiles sur GitHub. Elle propose un éditeur visuel de workflows pour créer des agents IA, des pipelines RAG et des chatbots.

Dify prend en charge les fournisseurs de modèles personnalisés grâce à son interface compatible avec l’API OpenAI, ce qui permet de connecter facilement Eden AI.

1. Ouvrir les paramètres Model Provider de Dify

Dans le tableau de bord Dify, allez dans Settings → Model Provider → Add Provider. Sélectionnez ensuite OpenAI-API-compatible comme type de fournisseur.

2. Configurer les identifiants Eden AI

Remplissez les champs suivants :

• API Key : votre clé API Eden AI
• Base URL : https://api.edenai.run/v3
• Model Name : le nom du modèle Eden AI souhaité, par exemple openai/gpt-4o, anthropic/claude-sonnet-4-5 ou google/gemini-2.5-pro

3. Ajouter plusieurs modèles pour différents cas d’usage

Dify permet d’attribuer différents modèles à différentes étapes de votre workflow. Par exemple :

Chat model : utilisez openai/gpt-4o pour les réponses conversationnelles
Reasoning model : utilisez anthropic/claude-sonnet-4-5 pour les analyses complexes
Embedding model : utilisez /v3/universal-ai d’Eden AI pour les embeddings avec un autre fournisseur

Chaque modèle peut être ajouté comme une entrée séparée dans les paramètres Model Provider. Dify utilisera ensuite le modèle défini pour chaque nœud du workflow.

Step-by-Step : connecter LangChain à Eden AI

LangChain est le framework LLM le plus flexible et le plus utilisé, avec 140K étoiles sur GitHub. Il permet de créer des chaînes (chains), des agents IA et des outils composables pour développer des applications d’IA avancées. Grâce à sa compatibilité avec l’API OpenAI, Eden AI fonctionne nativement avec la classe ChatOpenAI de LangChain.

1. Installer LangChain

pip install langchain-openai langchain-core

‍

2. Configurer ChatOpenAI avec Eden AI

from langchain_openai import ChatOpenAI
import os

# Configure EdenAI as the provider
llm = ChatOpenAI(
    model="anthropic/claude-sonnet-4-5",
    openai_api_key=os.environ["EDENAI_API_KEY"],
    openai_api_base="https://api.edenai.run/v3",
)

# Use it in a chain
response = llm.invoke("Explain quantum computing in 3 sentences.")
print(response.content)

‍

3. Mettre en place un routage multi-modèles avec des fallbacks

Pour un environnement de production, vous pouvez créer plusieurs instances de ChatOpenAI, chacune utilisant un modèle différent disponible sur Eden AI.

from langchain_openai import ChatOpenAI

primary = ChatOpenAI(
    model="anthropic/claude-sonnet-4-5",
    openai_api_key=os.environ["EDENAI_API_KEY"],
    openai_api_base="https://api.edenai.run/v3",
)

fallback = ChatOpenAI(
    model="openai/gpt-4o",
    openai_api_key=os.environ["EDENAI_API_KEY"],
    openai_api_base="https://api.edenai.run/v3",
)

# LangChain automatically falls back if primary fails
llm_with_fallback = primary.with_fallbacks([fallback])

‍

Step-by-Step : connecter AutoGPT à Eden AI

AutoGPT est l’un des premiers agents IA autonomes, avec 185K étoiles sur GitHub. Il est capable de recevoir un objectif, de le décomposer en sous-tâches et de les exécuter automatiquement grâce à des outils, à la recherche web et à l’exécution de code.

Comme Deer-Flow, AutoGPT utilise des variables d’environnement compatibles avec l’API OpenAI, ce qui permet une intégration simple avec Eden AI.

1. Configurer le fichier .env

# AutoGPT .env configuration
SMART_LLM=anthropic/claude-sonnet-4-5
FAST_LLM=openai/gpt-4o-mini
OPENAI_API_KEY=your-edenai-api-key-here
OPENAI_API_BASE_URL=https://api.edenai.run/v3

‍

AutoGPT utilise deux modèles distincts :

• SMART_LLM pour les tâches nécessitant un raisonnement complexe.
• FAST_LLM pour les opérations rapides et à faible coût.

En configurant ces deux variables pour qu’elles pointent vers Eden AI, vous bénéficiez de l’ensemble du catalogue de modèles via une seule clé API, tout en conservant une configuration centralisée.

2. Lancer AutoGPT

python -m autogpt

‍

Une fois configuré, AutoGPT utilisera par exemple Claude Sonnet pour les tâches de planification et de raisonnement complexes, ainsi que GPT-4o Mini pour les recherches rapides et les tâches moins coûteuses.

Les modèles utilisés peuvent être remplacés à tout moment par n’importe quel modèle disponible sur Eden AI, notamment Mistral, DeepSeek, Qwen, Llama ou plus de 500 autres modèles. Cette flexibilité permet de choisir le modèle le plus adapté à chaque cas d’usage, sans modifier votre intégration avec AutoGPT.

Configuration avancée : Smart Routing et fallbacks

Au-delà de l’accès à plusieurs fournisseurs de modèles, les déploiements d’agents IA en production tirent parti de deux techniques avancées : le Smart Routing et les fallbacks automatiques. Ces mécanismes permettent d’optimiser les coûts, d'améliorer la disponibilité des services et de sélectionner automatiquement le modèle le plus adapté à chaque tâche.

Smart Routing selon le type de tâche

Toutes les étapes d’un agent IA n’ont pas les mêmes besoins. Attribuer un modèle spécialisé à chaque tâche permet d’améliorer les performances tout en réduisant les coûts. Par exemple :

• Une étape de recherche nécessite un modèle performant en raisonnement et avec une grande fenêtre de contexte, comme Claude ou Gemini.
• Une étape de génération de code bénéficie de modèles excellant dans le suivi d’instructions, comme GPT-4o ou Claude.
• Une étape de synthèse peut être confiée à un modèle plus économique, comme GPT-4o Mini ou Mistral Small.

Avec Eden AI, il suffit de créer plusieurs instances de modèles et de sélectionner le modèle approprié selon le type de tâche. Dans LangChain, cette logique peut être implémentée en configurant une instance différente de ChatOpenAI pour chaque étape du workflow.

research_ll = ChatOpenAI(
    model="google/gemini-2.5-pro",
    openai_api_key=os.environ["EDENAI_API_KEY"],
    openai_api_base="https://api.edenai.run/v3",
)

coding_ll = ChatOpenAI(
    model="anthropic/claude-sonnet-4-5",
    openai_api_key=os.environ["EDENAI_API_KEY"],
    openai_api_base="https://api.edenai.run/v3",
)

summary_ll = ChatOpenAI(
    model="mistral/mistral-small-latest",
    openai_api_key=os.environ["EDENAI_API_KEY"],
    openai_api_base="https://api.edenai.run/v3",
)

‍

Fallbacks côté serveur avec Eden AI

L’endpoint /v3/universal-ai d’Eden AI prend en charge un paramètre fallbacks, permettant de basculer automatiquement vers un autre fournisseur en cas d’échec.

Contrairement aux fallbacks côté client, comme with_fallbacks de LangChain, cette bascule s’effectue directement côté serveur, au sein d'une seule requête HTTP. Il n'y a donc aucune latence supplémentaire liée à un nouvel aller-retour réseau, ce qui améliore les performances et la fiabilité des applications en production.

import urllib.request
import json
import os

API_KEY=os.environ["EDENAI_API_KEY"]
base_url = "https://api.edenai" + ".run"

payload = json.dumps({
    "model": "anthropic/claude-sonnet-4-5",
    "fallbacks": ["openai/gpt-4o", "google/gemini-2.5-pro"],
    "messages": [{"role": "user", "content": "Your task here"}],
    "max_tokens": 1000
}).encode()

req = urllib.request.Request(
    base_url + "/v3/chat/completions",
    data=payload,
    headers={
        "Authorization": "Bearer " + API_KEY,
        "Content-Type": "application/json"
    }
)

with urllib.request.urlopen(req) as resp:
    result = json.loads(resp.read())

‍

Comparaison des performances : fournisseur unique vs architecture multi-fournisseurs

Nous avons testé un agent de recherche en 10 étapes (Deer-Flow) dans deux configurations : une avec un seul fournisseur de modèles, l’autre avec plusieurs fournisseurs via Eden AI.

Les résultats montrent que la configuration multi-fournisseurs :

• réduit les coûts de 38 % ;
• augmente la disponibilité de 99,2 % à 99,97 % ;
• améliore légèrement la qualité des réponses grâce au Smart Routing, qui sélectionne le modèle le plus performant pour chaque étape de l’agent.

Conclusion

Connecter un framework d’agents IA à plusieurs fournisseurs de modèles est simple grâce à une passerelle compatible avec l’API OpenAI. Des frameworks comme Deer-Flow, Dify, LangChain et AutoGPT fonctionnent avec Eden AI en modifiant uniquement l’URL de base, sans changer de SDK ni développer d’adaptateurs spécifiques.

Cette approche offre une réduction des coûts, une meilleure disponibilité, ainsi que la liberté de choisir le meilleur modèle pour chaque étape de vos workflows IA.

Vous pouvez retrouver l’ensemble de ces modèles sur Eden AI et les tester directement depuis la plateforme. Connectez-vous pour découvrir comment intégrer facilement plus de 500 modèles d’IA dans vos applications.

FAQs - Connecter des frameworks d’agents IA à plusieurs fournisseurs de modèles LLM