L'article répond à une demande récurrente des utilisateurs de LangChain pour un constructeur de workflows visuel, en expliquant pourquoi cette option n'a pas été priorisée malgré son développement par d'autres plateformes comme LangFlow, Flowise ou n8n. L'auteur souligne que ces outils visent principalement à permettre aux utilisateurs non techniques de créer des agents IA, mais qu'ils présentent des limites importantes : la barrière d'entrée reste élevée pour le grand public et la complexité des tâches devient rapidement ingérable visuellement.
La distinction entre workflows et agents est fondamentale : les workflows offrent de la prévisibilité au détriment de l'autonomie, tandis que les agents privilégient l'autonomie avec moins de prévisibilité. Les constructeurs de workflows visuels comme celui d'OpenAI se concentrent sur la création de workflows complexes avec logique conditionnelle et parallélisme, mais ces systèmes deviennent rapidement encombrants. En revanche, les agents reposent sur une structure simple (prompt et outils) où la complexité est gérée en langage naturel.
Pour les problèmes de haute complexité, les workflows en code (via LangGraph) restent la meilleure solution, offrant fiabilité et modularité. Pour les cas simples, les agents sans code deviennent de plus en plus fiables et accessibles. L'auteur estime que les constructeurs de workflows visuels sont pris en tenaille entre ces deux approches, les agents sans code gagnant en capacité et les outils de génération de code réduisant les barrières pour les workflows complexes.
Les défis intéressants à résoudre ne sont pas de créer un autre constructeur de workflows, mais d'améliorer la création d'agents fiables sans code et d'optimiser les modèles de génération de code pour développer des systèmes alimentés par IA. Des plateformes comme n8n ou Flowise ont trouvé leur marché, mais l'innovation devrait se concentrer sur ces axes pour démocratiser davantage l'IA.