BESSER Bot Framework

Cette analyse du BESSER Bot Framework aborde les domaines d’application du framework, ses principales fonctionnalités, son coût, les implications du changement de nom en « BESSER Agentic Framework » pour vous, ses points forts et ses limites, ainsi que sa comparaison avec d’autres outils. Le BESSER Bot Framework (BBF) fait partie de BESSER (Building Better Smart Software Faster), un projet open source « low-code » mené par l’Institut luxembourgeois des sciences et technologies (LIST), qui vise à aider les équipes à développer plus rapidement de meilleurs logiciels intelligents. En février 2025, le projet a été rebaptisé « BESSER Agentic Framework » (BAF) afin de refléter son évolution des bots basés sur des règles vers des agents IA (annonce du LIST). L’ancien besser-bot-framework paquet sur PyPI s’arrête à la version 1.5.0 ; les nouveaux développements sont disponibles sous la besser-agentic-framework, version 4.5.2 au moment de la rédaction de cet article. Vous écrivez un agent en code Python standard : les états, les transitions entre ceux-ci et les intentions qui déclenchent ces transitions.

À quoi sert le BESSER Bot Framework ?

Ce framework sert à créer des chatbots et des agents IA qui suivent un fil de conversation clair tout en étant capables de comprendre du texte libre. Parmi les exemples typiques, on peut citer les bots d’assistance client et de FAQ, les assistants qui répondent à des questions à partir de vos propres documents grâce à RAG, les bots qui réagissent à des événements dans un dépôt GitHub ou GitLab, les bots Telegram, ainsi que les systèmes multi-agents dans lesquels un agent dialogue avec l’utilisateur tandis que d’autres génèrent ou révisent du code. Les chercheurs s’en servent pour mener des expériences sur la conception d’agents, et les équipes y ont recours lorsqu’elles souhaitent disposer d’un agent qu’elles peuvent exécuter sur leurs propres serveurs plutôt que sur une plateforme de chatbots hébergée.

Un agent étant une machine à états finis, vous pouvez visualiser et tester chaque étape d’une conversation, ce qui convient aux flux de travail déterministes tels que les flux d’assistance ou les dialogues de type formulaire. Les modèles de langage à grande échelle (LLM) prennent en charge les parties où les règles ne suffisent pas : classer les intentions, extraire des données des entrées de l’utilisateur ou rédiger une réponse. Il en résulte un système hybride qui combine une logique structurée à des capacités génératives. Le fait qu’il s’agisse d’un code Python pur facilite également l’intégration de bibliothèques de science des données, de bases de données et d’API dans un agent.

Caractéristiques principales

• Machines à états : un agent est un ensemble d’états, chacun comportant un corps (code Python qui s’exécute à l’entrée) et des transitions déclenchées par des intentions, des événements ou des conditions.
• Intentions et entités : définissez des intentions à l’aide d’exemples de phrases et extrayez des entités des entrées utilisateur grâce à la reconnaissance d’entités nommées. Le classificateur d’intentions simple dispose d’une implémentation PyTorch et d’une implémentation TensorFlow, et un classificateur basé sur un LLM est disponible.
• Modèles LLM : connectez les modèles OpenAI, HuggingFace, Replicate, Groq, Mistral et bien d’autres, et combinez les réponses des modèles LLM avec une logique basée sur des règles.
• RAG : répondez à partir de vos propres documents grâce à la génération augmentée par la recherche (Retrieval Augmented Generation).
• Plateformes : une plateforme WebSocket avec une interface utilisateur Streamlit ou un widget de chat, ainsi que Telegram, GitHub, GitLab et une plateforme A2A pour la communication entre agents.
• Reconnaissance vocale : conversion de la parole en texte et du texte en parole pour les agents vocaux.
• Systèmes multi-agents : depuis la version 2.0, les agents peuvent communiquer entre eux et se répartir une tâche.
• Suivi : une base de données et un tableau de bord qui suivent les sessions et les interactions des agents, vous permettant ainsi de consulter les détails des conversations passées.
• Langues : les agents peuvent fonctionner dans plusieurs langues ; pour que l'agent soit configuré en luxembourgeois, la bibliothèque spellux est nécessaire et doit être installée manuellement.

Tarifs du framework BESSER Bot

Le framework est gratuit. Il est open source sous licence MIT, ce qui vous permet de l’utiliser dans des projets commerciaux, de modifier le code source et de l’héberger vous-même sans frais de licence (dépôt GitHub). Il n’y a pas de forfait payant, pas de version hébergée et aucune limite d’utilisation imposée par le projet lui-même.

Les coûts à prendre en compte concernent tout ce qui entoure le framework. Les fournisseurs de LLM tels qu’OpenAI facturent au token, l’hébergement de l’agent et de son serveur WebSocket est à votre charge, et les dépendances optionnelles comme PyTorch ou TensorFlow nécessitent un serveur disposant d’une mémoire suffisante. L’assistance est assurée via les tickets GitHub et la documentation, et non par le biais d’un contrat avec un fournisseur.

Installation et exemples d’agents

Le framework nécessite Python 3.10 ou une version ultérieure. Créez un environnement virtuel, puis installez le paquet de base avec pip :

pip install besser-agentic-framework

Cette commande installe le paquet de base avec uniquement les dépendances principales. Pour ajouter les dépendances nécessaires aux fonctionnalités supplémentaires des agents, utilisez les balises suivantes : extras (RAG, reconnaissance vocale, plotly, opencv), llms (les dépendances supplémentaires pour exécuter les LLM : OpenAI, Replicate, transformers), torch pour installer PyTorch pour le classificateur d'intentions simple et les modèles HuggingFace, tensorflow (un paquet très lourd, ne l’installez donc que si nécessaire), docs pour compiler la documentation du projet, et all pour toutes les dépendances en une seule fois. Si vous avez cloné le dépôt, procédez plutôt à l’installation à partir des fichiers de dépendances. La documentation contient des détails sur chaque option ainsi qu’un exemple concret pour chaque concept. Le dépôt contient des exemples d’agents pour commencer : un agent très simple pour le premier contact (salutations), un agent météo avec des entités, un agent LLM, un agent RAG, des agents Telegram, GitHub et GitLab, ainsi qu’un exemple de système multi-agents A2A. D’autres exemples sont disponibles dans le dépôt BAF-agent-examples.

Ordre de procédure recommandé : créez l’environnement virtuel, exécutez la commande d’installation du paquet de base, puis commencez par l’agent très simple avant d’ajouter tout paquet lourd. N’ajoutez le tag « torch » ou « tensorflow » que si vous avez besoin du classificateur d’intentions simple sur votre propre serveur ; ses implémentations PyTorch et TensorFlow requièrent les mêmes dépendances que les modèles HuggingFace, et le projet lui-même qualifie TensorFlow de paquet très lourd. Si la langue de l’agent est le luxembourgeois, installez également « spellux » manuellement. En limitant le nombre de dépendances essentielles, le système est plus facile à déployer dans un conteneur et à intégrer à un backend Python existant.

Du BESSER Bot Framework au BESSER Agentic Framework open source

Le BESSER Bot Framework et le BESSER Agentic Framework constituent un seul et même projet. Le changement de nom a eu lieu avec la version 2.0, qui a ajouté la prise en charge multi-agents ; la documentation, le dépôt et le paquet portent désormais ce nouveau nom (documentation). Les anciens liens vers la documentation de BESSER Bot Framework ne fonctionnent plus, et l’ancien dépôt GitHub redirige vers le nouveau. Les projets basés sur BBF 1.x continuent de fonctionner avec l’ancien paquet, mais les nouvelles fonctionnalités ne sont disponibles que dans BAF ; il est donc recommandé de démarrer les nouveaux projets avec le nouveau paquet. Le framework s’inscrit également dans le cadre plus large de la plateforme low-code BESSER, dont le fondement est le langage de modélisation B-UML. L’équipe de recherche présente les machines à états du framework comme un terrain d’essai permettant de démontrer comment le B-UML modélisera les logiciels intelligents, et BESSER est un projet quinquennal financé par le Fonds national de la recherche du Luxembourg (article sur arXiv).

Les points forts et les limites du BESSER Bot Framework

Points forts :

• Gratuit et open source sous licence MIT, sans dépendance vis-à-vis d’un fournisseur.
• Modèle de machine à états clair qui permet de tester les conversations.
• Combine des flux basés sur des règles avec des modèles de langage (LLM), la technologie RAG, la reconnaissance vocale et le traitement du langage naturel multilingue au sein d’un même cadre.
• Développement actif par un institut de recherche, avec des mises à jour régulières.

Inconvénients :

• Code uniquement : il n’existe pas de générateur visuel ni d’interface glisser-déposer pour les non-développeurs.
• Les machines à états rendent plus difficile la conception de conversations fluides et ouvertes.
• Une communauté restreinte par rapport aux grands frameworks d'agents.
• Dépendances optionnelles lourdes pour les modèles locaux.
• La documentation et les exemples partent du principe que vous maîtrisez Python.

Comparaison du framework BESSER Bot

• BESSER : la plateforme de modélisation « low-code » à laquelle appartient le framework.
• Voiceflow : un éditeur visuel hébergé pour les agents de chat et vocaux, destiné aux équipes produit.
• Landbot : des chatbots « no-code » pour les sites web et WhatsApp, disponibles via un abonnement mensuel.
• Chatfuel : des bots « no-code » pour Facebook Messenger, Instagram et WhatsApp.
• n8n : automatisation des workflows avec des nœuds d'agents IA, auto-hébergable comme BAF.
• AI Builder : les modèles d’IA de Microsoft pour Power Apps et Power Automate.

Un site tiers consacré aux alternatives (NoCodes.ai) décrit le framework comme un générateur de chatbots sans code et met en garde contre les limites d’une installation sur site ; la documentation du projet lui-même présente une bibliothèque Python que vous installez et hébergez vous-même, ce qui rend ces deux affirmations infondées.

Le BESSER Bot Framework en vaut-il la peine ?

Le BESSER Bot Framework, désormais appelé BESSER Agentic Framework, est intéressant pour les développeurs Python qui recherchent un framework gratuit et auto-hébergé pour les chatbots et les agents IA, doté d’une structure claire, ainsi que pour les équipes qui ont besoin de combiner des flux de conversation fixes avec des modèles de langage (LLM). Il convient particulièrement à la recherche, aux assistants internes et aux outils de développement sur GitHub ou GitLab. Ce n’est pas le bon choix pour les non-développeurs qui ont besoin d’un générateur visuel, ni pour les équipes qui souhaitent une plateforme hébergée avec assistance et intégrations prêtes à l’emploi ; Voiceflow ou Landbot leur conviennent mieux. Si vous avez besoin d’aide pour concevoir ou développer des agents avec cet outil, les agences et les développeurs de LowCodeDevs peuvent s’en charger.

Sources

• BESSER Agentic Framework sur GitHub : README, installation, licence et exemples d’agents.
• Documentation du BESSER Agentic Framework : concepts fondamentaux, plateformes, prise en charge du NLP et des LLM.
• Des bots aux agents, LIST : changement de nom en février 2025 et version 2.0.
• Développement de BESSER : une plateforme open source low-code, arXiv : le rôle du framework dans BESSER et le financement FNR PEARL.
• Alternatives au framework BESSER Bot, NoCodes.ai : liste d'alternatives tierces (sa description est en contradiction avec la documentation du projet).