Le NeMo Agent Toolkit (NAT) de NVIDIA représente une avancée significative dans le développement d’applications d’agents LLM prêtes à être déployées en production. Contrairement à de nombreux frameworks existants comme LangGraph, CrewAI ou DSPy, NAT ne se contente pas de proposer un cadre d’agencement d’agents : il agit comme un « glue » intelligent, permettant d’intégrer seamlessment des composants provenant de différentes bibliothèques (LangChain, LlamaIndex, etc.) tout en résolvant les défis du « jour 2 » — exposition via API, observabilité, évaluation, réutilisation d’agents existants. Dans cet article, une application pratique a été construite autour du World Happiness Report (2019–2025), illustrant progressivement la puissance du toolkit. Le processus commence par une configuration simple via un fichier YAML, permettant de lancer une interaction de type chat-completion avec un modèle Anthropic (Claude Sonnet). L’agent répond correctement à des questions générales, mais sans accès aux données. La véritable valeur de NAT apparaît lors de l’ajout d’outils personnalisés. En définissant des fonctions Python (comme get_country_stats ou get_year_stats) avec des schémas Pydantic, et en les enregistrant via des décorateurs NAT, l’agent acquiert la capacité à interagir avec des données réelles. Grâce à un agent ReAct, il peut raisonner, appeler des outils, analyser les résultats et produire des réponses fondées sur les données — par exemple, conclure que la Finlande est plus heureuse que le Danemark, en se basant sur les classements annuels. L’étape suivante révèle l’un des atouts majeurs de NAT : l’intégration d’agents existants, même construits avec d’autres frameworks. En réutilisant un agent calculateur basé sur LangGraph, capable d’exécuter du code Python pour des calculs complexes, l’agent principal peut déléguer des tâches de raisonnement mathématique. Lorsqu’on demande « De combien de pour cent les habitants de la Finlande sont-ils plus heureux que ceux du Royaume-Uni ? », l’agent récupère les scores, les transmet à l’agent calculateur, et obtient une réponse précise (15,18 %), évitant ainsi les hallucinations. Le déploiement final est simplifié : NAT permet d’exposer l’agent via une API REST compatible OpenAI, puis d’interagir avec une interface utilisateur préconstruite (NeMo Agent Toolkit UI), qui affiche non seulement la réponse finale, mais aussi toutes les étapes de raisonnement et les appels d’outils — un atout essentiel pour le debugging et la transparence. Si le toolkit excelle dans la modularité, la production et l’interopérabilité, il présente toutefois quelques points de friction. Le code boilerplate nécessaire pour intégrer des outils reste conséquent, même avec l’aide d’assistants comme GitHub Copilot. La documentation, bien que complète, manque parfois de clarté dans les guides de démarrage, et la communauté reste encore petite, ce qui rend difficile la recherche de solutions à des problèmes spécifiques. En somme, le NeMo Agent Toolkit n’est pas un framework pour les prototypes rapides, mais un outil robuste conçu pour les applications réelles. Il transforme des agents LLM en systèmes fiables, observables et évolutifs. Pour les équipes cherchant à déployer des agents intelligents en production, NAT offre une infrastructure solide, bien que demandant un investissement initial. Les prochaines étapes — observabilité, évaluation automatisée, monitoring — promettent d’approfondir encore davantage cette vision d’un écosystème d’agents LLM mature et fiable.