Mise à jour LangBot 4.10.2 expliquée : Sandbox, Skills, plugins RAG et fonctionnalités du framework de bots IA pour l’entreprise

Le Sandbox, également appelé Box Runtime, fournit à l’Agent intégré un environnement d’exécution isolé. En termes simples, l’Agent peut fonctionner davantage comme un développeur : il peut exécuter des commandes, lire et écrire des fichiers, modifier des fichiers et parcourir le contenu du projet sans toucher directement à l’environnement hôte.

L’ensemble d’outils natif comprend six outils de base :

Le backend du bac à sable est modulaire. Selon l’environnement de déploiement, LangBot peut utiliser Docker, nsjail ou E2B comme backend d’isolation. Le système peut automatiquement choisir une option appropriée.

L’auteur original souligne également un avantage architectural : LangBot sépare déjà l’environnement d’exécution des plugins du système principal. Cela rend la conception plus facile à étendre. Par exemple, la WebUI peut s’exécuter sur une machine, le backend de LangBot peut s’exécuter sur un NAS, et le Plugin Runtime peut être déployé ailleurs, par exemple sur un Raspberry Pi.

Box Runtime peut également héberger des serveurs MCP en mode stdio, offrant à LangBot un moyen plus sûr et plus flexible d’étendre les capacités des outils.

Pour activer le profil complet dans un déploiement Docker, utilisez :

docker compose --profile all up

Pour désactiver le bac à sable, définissez :

box:
  enabled: false

Système de compétences

Les compétences sont des ensembles d’instructions à la demande. Une compétence peut inclure des prompts, des scripts, des procédures, des modèles ou des fichiers de référence. Le point clé est que l’agent n’a pas besoin de charger en permanence chaque compétence dans le contexte.

À la place, l’Agent ne voit généralement qu’une liste des compétences disponibles. Lorsqu’une tâche nécessite une compétence spécifique, le contenu complet de cette compétence n’est chargé qu’à ce moment-là. Cela réduit le gaspillage de contexte et facilite la gestion des conversations longues ou complexes.

Cette conception est utile lorsqu’un Agent a besoin de capacités spécialisées, mais ne devrait pas transporter chaque instruction dans l’invite système. Elle allège le contexte par défaut tout en permettant une capacité plus approfondie lorsque cela est nécessaire.

Fonctionnalités déjà arrivées dans la v4.9.x

LangBot v4.9.0 : Pluginisation de la base de connaissances

LangBot v4.9.0 s’est concentré sur la restructuration de la capacité de base de connaissances, ou RAG, en une architecture basée sur des plugins. L’auteur indique qu’il s’agissait d’une mise à jour majeure planifiée de longue date, en particulier pour une meilleure intégration avec des plateformes telles que Dify.

Dans la nouvelle conception, LangBot ne considère plus les bases de connaissances intégrées et les bases de connaissances externes comme deux catégories distinctes. À la place, toutes les bases de connaissances sont gérées de manière unifiée. Différents moteurs de connaissances sont fournis via des plugins.

Les principaux changements incluent :

1. Gestion unifiée : les bases de connaissances intégrées et externes sont prises en charge dans un même modèle de gestion.

Nouveau type de composant : le composant plugin KnowledgeEngine a été introduit.

• Formulaires dynamiques : lors de la création d’une base de connaissances, le formulaire peut s’afficher différemment selon le moteur sélectionné.

• Capacités de base fondées sur l’API : les appels d’embedding et les opérations sur la base de données vectorielle sont encapsulés dans RAGRuntimeService, afin que les plugins puissent y accéder via des API.

• Migration automatique : les bases de connaissances créées dans des versions antérieures peuvent être migrées automatiquement après la mise à niveau vers la version v4.9.0.

La capture d’écran montre plusieurs plugins de moteur de connaissances liés au RAG. Le billet d’origine mentionne cinq options RAG, y compris les travaux de recherche propres à l’équipe de LangBot.

Autres mises à jour importantes

LangBot Cloud a également été officiellement lancé. Les utilisateurs qui ne souhaitent pas l’auto-héberger peuvent découvrir LangBot via le service cloud officiel.

Cette version comprend également plusieurs correctifs, couvrant des domaines tels que l’analyse des sorties de Dify, l’envoi de messages WebSocket et la conversion des types de configuration.

Après la modularisation de la base de connaissances sous forme de plugins, les développeurs ont bénéficié d’un moyen plus propre de connecter des moteurs de connaissances personnalisés à LangBot. Cela est particulièrement utile pour les équipes ayant des exigences métier plus complexes.

Mises à jour déjà ajoutées mais rarement évoquées

L’auteur original va ensuite au-delà des notes de version publiques et énumère plusieurs fonctionnalités qui avaient déjà changé mais n’avaient pas été pleinement expliquées dans les articles précédents.

Le marché des plugins de LangBot a dépassé les 400 éléments

Selon la publication originale, le marché des plugins de LangBot a déjà dépassé les 400 éléments. L’auteur note également que l’équipe examine les plugins et que les plugins uniquement dédiés au divertissement sont relativement limités, avec peu de doublons.

Ce point est important, car les écosystèmes de plugins sont souvent plus importants qu’une simple liste de fonctionnalités intégrées. Un écosystème plus vaste signifie que les utilisateurs peuvent étendre LangBot à différents flux de travail au lieu d’attendre que chaque capacité fasse partie du produit principal.

La compatibilité avec les plateformes externes d’applications d’IA a dépassé sept plateformes

LangBot a continué d’étendre sa compatibilité avec les plateformes externes de développement d’applications d’IA. L’article original mentionne des mises à jour récentes concernant Weknora et Deerflow, en soulignant que LangBot accorde une grande attention à l’extensibilité.

La capture d’écran montre des fichiers liés aux connecteurs pour plusieurs plateformes, notamment Coze, DashScope, DeerFlow, Dify, Langflow, des agents locaux, n8n, Tbox et Weknora.

Les capacités de type LangTARS et OpenClaw continuent de s’améliorer

LangTARS est décrit comme une couche de capacités modulaire. LangBot agit comme une base unifiée qui expose en toute sécurité les modèles, les outils, les bases de connaissances et l’historique des conversations à des Agents locaux ou tiers.

Cela permet à un Agent de se concentrer sur l’intelligence métier : comprendre l’intention de l’utilisateur, appeler des outils, récupérer des connaissances et organiser les réponses. L’Agent n’a pas à se soucier des détails techniques de bas niveau liés aux connexions.

L’article mentionne également que ces capacités peuvent prendre en charge à la fois des scénarios d’exploitation en environnement sandbox et de contrôle d’ordinateur personnel.

Mises à jour de l’agent de la plateforme SaaS

La plateforme SaaS a également reçu des mises à jour de l’agent. L’auteur n’entre pas ici dans les détails, mais note que les utilisateurs SaaS ont déjà constaté ces changements, tandis que la communauté open source pourrait voir certaines fonctionnalités arriver quelques versions plus tard.

Routage de rappel de modèle pour l’entreprise

LangBot a ajouté un routage de rappel de modèle de niveau entreprise. Lorsqu’un appel de modèle échoue, le message peut être redirigé vers un modèle de secours prédéfini.

L’intérêt de cette conception est qu’elle aide à dépasser les limitations liées aux clés API et aux fournisseurs de modèles. Pour les systèmes d’entreprise, cela peut améliorer la fiabilité lorsqu’un fournisseur échoue ou atteint une limite.

LangBot prend en charge plus de 30 plateformes de messagerie instantanée, directement ou indirectement

LangBot a déjà atteint une large compatibilité avec les plateformes de messagerie instantanée. L’article original indique que LangBot prend en charge directement ou indirectement plus de 30 plateformes de messagerie instantanée.

Pour les frameworks de bots, la couverture des messageries instantanées est très importante. Une entreprise peut avoir besoin qu’un seul système de bot fonctionne sur WeChat, QQ, Lark, DingTalk, Telegram, Discord, Slack, LINE et d’autres plateformes. Un framework de bot unifié peut réduire le travail d’intégration redondant.

Routage par pipeline : routage de conversation de type workflow

L’article mentionne également le routage par pipeline, qui se comporte un peu comme un workflow.

Grâce à cette fonctionnalité, LangBot peut acheminer les conversations vers différents pipelines en fonction de mots-clés métier ou d’autres conditions. Différents pipelines peuvent utiliser des prompts, des extensions et des bases de données différents. Ils peuvent également être imbriqués.

L’auteur original ajoute une remarque importante : après l’arrivée de la mise à jour du workflow visuel, cette fonctionnalité de routage par pipeline pourra être supprimée ou remplacée, car l’orchestration visuelle des workflows sera plus stable et plus facile à utiliser.

Configuration par code QR

Pour certaines plateformes ouvertes prises en charge, LangBot peut utiliser une configuration basée sur un code QR. Cela facilite la configuration d’une plateforme ouverte sans avoir à saisir manuellement chaque détail.

Aperçu des futures mises à jour

Certaines fonctionnalités à venir étaient déjà en cours de développement au moment de la rédaction de l’article source. L’auteur note qu’une partie du contenu était si récente que même le site officiel n’avait pas encore été mis à jour à ce moment-là.

L’orchestration visuelle des workflows est déjà développée

La fonctionnalité d’orchestration visuelle des workflows a déjà terminé son développement, et le calendrier de fusion a été déterminé.

Il s’agit de l’un des changements futurs les plus importants, car elle peut rendre la création et la maintenance de logiques complexes plus faciles depuis la WebUI.

Intégration d’autres capacités d’agents de type CLI

L’article mentionne également que le projet connecté à cc avait suscité un certain intérêt, si bien que l’équipe a décidé d’ajouter la prise en charge d’autres capacités de type CLI similaires à Claude Code et Codex.

Cette orientation s’inscrit dans la tendance plus large consistant à permettre aux agents d’IA de travailler plus directement avec les environnements de développement, les outils en ligne de commande et les projets locaux.

D’autres fonctionnalités arrivent

L’auteur garde les autres fonctionnalités à venir comme un teaser. Le message principal est clair : la mise à jour actuelle de LangBot n’est pas le point final, et la feuille de route comprend encore d’autres améliorations liées aux Agents et aux Workflows.

Remarque sur les comparaisons non vérifiées

L’article original répond également à un autre article qui, selon l’auteur, n’a pas vérifié suffisamment de détails avant d’établir des comparaisons.

La capture d’écran indique que LangBot et AstrBot travaillent tous deux à la création d’écosystèmes de bots IA utiles, mais qu’ils mettent l’accent sur des orientations différentes. LangBot se concentre davantage sur la connexion rapide des applications d’IA aux écosystèmes de chat, tandis qu’AstrBot se concentre davantage sur la transformation du bot lui-même en une plateforme intelligente extensible.

La conclusion pratique est simple : les comparaisons doivent se fonder sur des fonctionnalités vérifiées, des cas d’usage et des besoins de déploiement. Un framework peut sembler « plus petit » uniquement si la comparaison ignore les systèmes de plugins, la séparation à l’exécution, les intégrations de plateforme ou les fonctionnalités de routage pour les entreprises.

Nous nous ressemblons tous

L’auteur ajoute brièvement une réflexion : les projets d’un même écosystème se ressemblent souvent, car ils répondent à des besoins utilisateurs similaires.

Les frameworks de bots d’IA cherchent tous à connecter des modèles, des outils, des bases de connaissances, des plateformes de messagerie et des flux de travail utilisateurs. La similarité n’est pas nécessairement un problème. La véritable différence réside dans l’architecture, le modèle d’extension, la conception du déploiement et la rapidité avec laquelle une équipe peut prendre en charge des cas d’usage réels.

Chacun a des situations différentes

Les différentes équipes développent sous des contraintes שונות. Certaines se concentrent sur la facilité d’utilisation en local. D’autres se concentrent sur la richesse des plugins. D’autres encore se concentrent sur le déploiement en entreprise. Certaines se concentrent sur la couverture des plateformes de chat.

C’est pourquoi une comparaison sérieuse ne devrait pas seulement demander « lequel a le plus de fonctionnalités ? » Elle devrait aussi demander : quel framework correspond au scénario de déploiement, à la taille de l’équipe, aux exigences de la plateforme, à la capacité de maintenance et au plan d’extension à long terme ?

Test d’arriéré à haute concurrence

À la fin de l’article original, l’auteur ajoute des données liées aux performances. Pour un framework, la haute concurrence et la gestion de plusieurs sessions sont des indicateurs importants.

La méthode de test consistait à forcer l’accumulation des sessions non traitées jusqu’à environ 50 à 70, puis à réduire progressivement la vitesse et à observer le TPS lorsque le système atteignait l’équilibre de charge.

L’auteur note qu’il y avait un arriéré de sessions pendant le test, ce qui représente donc un environnement à forte concurrence et ne correspond pas exactement au trafic normal en production. Cependant, cela donne tout de même un aperçu utile des performances du framework sous pression.

Conditions de test décrites dans l’article source :

Cadres nationaux A/B

Les graphiques suivants proviennent du test A/B des cadres nationaux présenté dans l’article original.

D’après l’interprétation du graphique par l’auteur original, le TPS est d’environ 240 réponses par heure.

LangBot

Les graphiques suivants proviennent du test LangBot présenté dans l’article original.

Selon l’interprétation du graphique par l’auteur original, LangBot atteint environ 1 260 réponses par heure dans ce test.

L’auteur note également que cela peut encore être quelque peu injuste pour LangBot, car LangBot démarre avec un composant Runtime supplémentaire. Même avec ce composant en plus, le résultat reste nettement supérieur dans le test présenté.

Prudence dans l’interprétation des performances

Ces graphiques sont utiles, mais ils ne doivent pas être considérés comme une référence universelle pour la production. L’auteur a utilisé un Raspberry Pi 5 et une méthode de test spécifique, de sorte que les chiffres absolus peuvent varier selon le matériel, les API, la latence du modèle et les topologies de déploiement.

Le signal le plus utile est le ratio TPS relatif dans les mêmes conditions de test. L’auteur original indique également que le logiciel de test associé pourrait être publié en open source plus tard.

FAQ

Qu’est-ce que LangBot ?

LangBot est une plateforme open source de niveau production permettant de créer des bots de messagerie instantanée alimentés par l’IA. Elle connecte de grands modèles de langage et des plateformes d’applications d’IA à des plateformes de chat telles que Discord, Telegram, Slack, WeChat, QQ, Lark, DingTalk, et bien d’autres.

Qu’est-ce qui a changé dans LangBot v4.10.x ?

La mise à jour la plus importante est l’introduction de Sandbox et de Skills. Sandbox offre à l’Agent un espace de travail isolé pour les commandes et les opérations sur les fichiers, tandis que Skills permet à l’Agent de charger des instructions spécialisées uniquement lorsque cela est nécessaire.

Qu’est-ce que LangBot Box Runtime ?

Box Runtime est l’environnement d’exécution sandbox de LangBot. Il peut fournir des outils tels que exec, read, write, edit, glob et grep, tout en maintenant l’exécution isolée de l’environnement hôte.

Comment activer la sandbox LangBot dans Docker ?

Pour un déploiement Docker, l’article d’origine utilise docker compose --profile all up pour démarrer le profil complet. Pour désactiver la sandbox, définissez box.enabled: false dans la configuration.

À quoi servent les Skills de LangBot ?

Les Skills sont des ensembles d’instructions à la demande pour l’Agent. Ils peuvent inclure des prompts, des procédures, des scripts et des fichiers de référence, permettant à l’Agent d’utiliser des connaissances spécialisées sans tout charger dans le contexte dès le départ.

LangBot est-il meilleur qu’AstrBot ?

La réponse dépend du cas d’usage. LangBot met fortement l’accent sur la connexion des applications d’IA aux écosystèmes de chat, le routage d’entreprise, la séparation de l’exécution des plugins, le RAG, le MCP et le déploiement IM multiplateforme. AstrBot dispose également de solides capacités d’Agent et de framework pour bots, donc le bon choix dépend du scénario de déploiement et des priorités fonctionnelles.

Les chiffres de TPS dans cet article sont-ils des références de production ?

Non. Le test d’origine a utilisé une configuration spécifique de Raspberry Pi 5 et un scénario d’arriéré contrôlé. Ces chiffres sont utiles à titre de référence, mais les performances en production dépendront du matériel, de la latence de l’API, de la méthode de déploiement, de la charge des sessions et de la configuration.

LangBot peut-il être utilisé pour des bots d’entreprise ?

Oui, LangBot est conçu pour les environnements de production et les scénarios d’entreprise, en particulier lorsque les équipes ont besoin d’une prise en charge de la messagerie instantanée multi-plateforme, de l’intégration d’une base de connaissances, du routage des modèles, de la supervision et de capacités de plugins extensibles.

Outils associés

• LangBot : Plateforme open source pour créer des bots de messagerie instantanée alimentés par l’IA.

• Documentation LangBot : Documentation officielle pour le déploiement, la configuration des bots, les modèles, les pipelines, les plugins, le bac à sable et les compétences.

• SDK de plugins LangBot : SDK officiel de plugins, CLI, infrastructure Plugin Runtime et Box Runtime pour LangBot.

• LangBot Cloud : Service LangBot géré pour les utilisateurs qui ne souhaitent pas l’héberger eux-mêmes.

• AstrBot : Framework open source d’assistant IA Agent et de chatbot, utilisé ici comme référence de comparaison.

• Docker : Plateforme de conteneurs utilisée par les déploiements LangBot et le backend du bac à sable.

• Dify : Plateforme de développement d’applications LLM à laquelle LangBot peut se connecter.

• n8n : Plateforme d’automatisation des flux de travail pouvant être connectée à LangBot pour des déclencheurs de flux de travail basés sur le chat.

Liens connexes

• Article original sur CSDN : Article source adapté dans cette version Markdown en anglais.

• Article de blog sur la sortie de LangBot v4.10.0 Sandbox and Skills : Article officiel de LangBot expliquant Sandbox et Skills.

• Dépôt GitHub de LangBot : Principal dépôt open source de LangBot.

• Versions de LangBot : Historique officiel des versions de LangBot.

• Documentation officielle de LangBot : Point d’entrée pour la documentation d’utilisation, de déploiement et de configuration de LangBot.

• Documentation des Skills de LangBot : Documentation officielle pour installer et utiliser les Skills.

• Dépôt SDK des plugins LangBot : Dépôt officiel du SDK et de l’environnement d’exécution pour les plugins LangBot et l’infrastructure sandbox.

• Dépôt GitHub d’AstrBot : Dépôt officiel d’AstrBot pour les lecteurs souhaitant comparer les orientations des frameworks.