# LangChain confie à un agent curateur le savoir de ses agents

_Publié le 21 novembre 2026 — https://ip73.fr/2026/11/21/langchain-confie-a-un-agent-curateur-le-savoir-de-ses-agents/_

LangChain a détaillé le 21 novembre la façon dont l'éditeur fait vivre la base de connaissances de ses propres agents : un agent « curateur » tourne en tâche de fond et la met à jour, pendant que les autres signalent ce qui manque ou ce qui est faux. L'entreprise appelle l'ensemble une « knowledge factory », une usine à connaissances. L'Open Knowledge Format (OKF), que le billet cite parmi les options de stockage, est décrit dans un dépôt GitHub qui donne une idée concrète de ce que l'on y range.

## Connaissance et contexte, deux choses distinctes

Le raisonnement de LangChain part d'un constat : ce qui manque aux agents d'entreprise, ce ne sont pas de meilleurs modèles ni toujours plus de contexte, mais de la connaissance. Celle-ci se trouve dans la tête des employés les plus efficaces, qui savent à qui s'adresser, où chercher et pourquoi on fait les choses d'une certaine manière. Elle est tacite, éparpillée, parfois jamais écrite.

L'éditeur distingue donc le contexte, ce dont l'agent dispose au moment d'une tâche, et la connaissance, une compréhension réutilisable que l'on entretient : ce que signifie un indicateur, quelle source croire, comment traiter un cas particulier. La seconde peut alimenter le premier, sans l'épuiser. D'autres données, déjà collectées et stockées de façon fiable, peuvent être fournies directement à l'agent.

LangChain range cette connaissance en trois familles. Les compétences (skills) décrivent comment faire le travail à la manière de l'entreprise, souvent des procédures jamais écrites et transmises d'un collègue à l'autre. La connaissance métier regroupe définitions, politiques et faits sur les produits, les clients, les concurrents. Enfin, les consignes d'accès aux données indiquent quelles sources utiliser et comment les interroger. Sur ce dernier point, le billet est net : si l'entrepôt de données (Snowflake, Databricks…) est complet et à jour, inutile d'en tenir une copie. Il suffit de documenter où se trouve quoi et comment l'interroger.

## Un curateur, pas des agents qui s'auto-corrigent

Maintenir tout cela à la main serait, selon LangChain, un effort « herculéen ». Son schéma repose sur deux pièces. D'abord, un outil donné aux agents pour signaler une information absente ou fausse, avec, en option, une proposition de correction. Ensuite, le curateur : un agent qui s'exécute en arrière-plan, à intervalles réguliers.

Pourquoi ne pas confier la maintenance aux seuls agents qui utilisent la base ? Parce que, répond LangChain, corriger demande une compréhension fine du sujet et des autres sources de données, alors que ces agents cherchent d'abord à accomplir leur tâche. Les en charger rendrait la base désordonnée et pleine de contradictions. Le curateur, lui, a accès aux sources brutes (Notion, Slack…), aux traces d'exécution des agents, pour repérer comment les gens tentent de s'en servir et en tirer des compétences, ainsi qu'à tout ce qui a été signalé comme erroné.

LangChain affirme faire tourner ce dispositif chez lui : ses agents internes de mise sur le marché (GTM) et de studio de contenu s'appuient sur une knowledge factory, et LangSmith Engine, son agent qui analyse les traces et propose des correctifs, en entretient une par agent. Il s'agit là de l'expérience déclarée par l'éditeur, sans mesure indépendante.

Quant au stockage, c'est presque un détail aux yeux de LangChain : des skills dans GitHub, un fichier unique dans Notion, du OKF dans le Context Hub de LangSmith, un graphe de connaissances dans Neo4j. Le curateur doit simplement savoir comment dialoguer avec l'un d'eux.

## OKF : de simples fichiers Markdown

Reste à savoir à quoi ressemble ce stockage « OKF ». Selon la description du dépôt open-knowledge-format sur github.com, c'est un format neutre vis-à-vis des éditeurs : des fichiers Markdown avec en-tête YAML, organisés en arborescence. Le dépôt cite des producteurs aussi variés que des humains écrivant à la main, des agents bâtis avec Google ADK ou LangChain, ou des exports de catalogues comme Dataplex, Unity Catalog ou Collibra.

Ses promoteurs en tirent plusieurs arguments. Les « bundles » vivent dans git : revues, différences ligne à ligne et historique s'appliquent à la connaissance comme au code. Des index.md générés permettent de naviguer niveau par niveau sans charger tout le corpus dans le contexte d'un modèle. Des champs de l'en-tête indiquent d'où vient un concept, qui l'a produit et qui l'a confirmé (generated, verified), son état (status) et quand il risque de devenir obsolète (stale_after) : de quoi, selon le dépôt, garder fiable un corpus entretenu par un agent. Le dépôt décrit aussi des « calculs attestés », qui permettent de vérifier qu'un agent a exécuté la requête approuvée plutôt qu'une requête de son cru.

Le dépôt propose un agent de référence, présenté comme une simple démonstration : il génère des bundles en deux passes, la première à partir des seules métadonnées BigQuery, et nécessite Python 3.13, un projet Google Cloud facturé pour les requêtes BigQuery ainsi qu'une clé Gemini ou un accès Vertex AI. Trois exemples produits par cet agent sont fournis (GA4, Stack Overflow, Bitcoin), plus un quatrième rédigé à la main sur les indicateurs financiers d'un distributeur, Acme Retail.

## Ce que cela suppose côté entreprise

Pour une équipe française, l'enseignement tient moins à l'outil qu'à la méthode, que rien n'oblige à acheter chez LangChain : le format est en fichiers lisibles, donc portable. Mais le curateur doit lire Slack, Notion et les traces des agents. Reste la question des données personnelles qui y circulent : c'est à l'entreprise de la trancher, RGPD en tête, avant de lui ouvrir ces accès.

Autre point à surveiller : la qualité du curateur lui-même. Qui relit ce qu'il écrit ? Le champ « verified » d'OKF permet au moins de distinguer ce qui a été confirmé de ce qui a seulement été généré. Reste à savoir qui confirme.

## Sources

- [GitHub - open-knowledge-format/open-knowledge-format](https://github.com/open-knowledge-format/open-knowledge-format), github.com
- [How to build a knowledge factory for AI agents](https://www.langchain.com/blog/knowledge-factory), LangChain, 21 novembre 2026
