Ce qu'est Rasa
Rasa est un framework d'IA conversationnelle mature : classification des intentions et extraction d'entités par un pipeline NLU entraîné, plus gestion du dialogue par des règles, des stories et des politiques. Il est natif Python, auto-hébergeable, et constitue depuis des années la réponse par défaut pour les assistants de service client scénarisés à fort volume. Rasa Pro ajoute des offres commerciales, dont un dialogue piloté par LLM.
Un problème commun, une autre génération de solution
EDDI et Rasa viennent tous deux du monde de l'IA conversationnelle, et EDDI est en développement continu comme plateforme conversationnelle depuis 2006. La différence tient à l'endroit où se situe l'intelligence. Rasa la place dans un modèle que vous entraînez sur vos propres données étiquetées, ce qui donne un contrôle précis et reproductible. EDDI la place dans des LLM orchestrés et gouvernés par une configuration déclarative, sacrifiant un peu de déterminisme au profit de la portée et de la rapidité de changement.
Dialogue, outillage et coût du changement
| Dimension | Rasa | EDDI |
|---|---|---|
| Compréhension | NLU entraîné : classification des intentions et extraction d'entités à partir de données étiquetées | Compréhension par LLM plus découverte et routage d'agents par intention |
| Modifier le comportement | Mettre à jour les données d'entraînement, réentraîner, évaluer, redéployer | Modifier la configuration JSON ; ni réentraînement ni redéploiement |
| Déterminisme | Élevé. Les règles et les politiques rendent les flux reproductibles et testables | Plus faible par nature, compensé par les règles de comportement et les points d'approbation |
| Langage | Python ; les actions personnalisées sont du code Python | Runtime JVM ; la logique des agents est de la configuration, les outils sont déclarés |
| Écosystème d'outils | Un serveur d'actions personnalisé que vous construisez et hébergez | 84 outils MCP, outils d'agent intégrés, plus tout point de terminaison OpenAPI |
| Multi-agents | Un assistant par déploiement est le schéma courant | Orchestration par coordinateur et 7 styles de discussion de groupe |
| Licence | Édition communautaire plus offres Rasa Pro sous licence commerciale ; vérifiez les conditions actuelles | Apache 2.0, approuvée par l'OSI |
| Conformité | L'auto-hébergement permet la résidence des données ; référentiels mis en œuvre par déploiement | Registre d'audit, API des droits des personnes concernées et 15+ référentiels couverts dans la plateforme |
Les informations sur l'autre outil ont été vérifiées dans sa documentation officielle et son dépôt en octobre 2026. Ces projets évoluent vite : confirmez le comportement actuel auprès de l'éditeur avant de décider.
Choisir entre les deux
Quand Rasa est le meilleur choix
- Vous avez déjà des données conversationnelles étiquetées et une équipe ML capable de maintenir un pipeline NLU.
- Des contraintes réglementaires ou de marque exigent un assistant déterministe avec un chemin de décision auditable qui n'implique pas de modèle de langage.
- Très fort volume sur un ensemble d'intentions restreint, où le coût d'un LLM à chaque tour dominerait.
- Vous avez besoin d'un contrôle fin sur les seuils de confiance de classification et le comportement de repli.
Quand EDDI est le meilleur choix
- L'assistant doit répondre à partir de documents et de systèmes qui changent plus vite qu'un cycle de réentraînement.
- Les utilisateurs métier doivent changer le comportement sans ingénieur ML, sans entraînement ni déploiement.
- Le problème exige que plusieurs agents spécialisés collaborent plutôt qu'un arbre d'intentions plat.
- Vous voulez la souplesse d'un LLM, mais un responsable conformité exige des points d'approbation et des journaux signés avant la mise en production.
- Vous voulez éviter l'enfermement au niveau du modèle : 19 fournisseurs, ou un modèle local via Ollama ou Jlama.
Migrer un assistant depuis Rasa
La correspondance est conceptuelle plutôt que mécanique, car les deux placent l'intelligence à des endroits différents. Attendez-vous à traduire la structure des intentions en routage et en prompts plutôt qu'à convertir des fichiers.
| Rasa | EDDI |
|---|---|
| Intentions et exemples d'entraînement | Découverte d'agents par intention ; les données étiquetées deviennent du matériel d'évaluation plutôt que d'entraînement |
| Entités et slots | Extraction structurée plus mémoire utilisateur persistante |
| Stories et règles | Règles de comportement et configuration du pipeline |
| Serveur d'actions personnalisé | Outils MCP ou définitions d'outils httpCall |
| Réponses et fichier de domaine | Extraits de prompts, réutilisables et versionnés |
| Politique de repli | Escalade Humain dans la boucle avec une politique de délai |
Questions fréquentes
EDDI n'est-il qu'une énième surcouche LLM qui remplace le NLU entraîné ?
EDDI est développé comme plateforme conversationnelle depuis 2006, bien avant la génération actuelle de LLM, et il a conservé ce qui comptait : le routage par intention, l'état de conversation géré et l'architecture en pipeline. Les LLM ont remplacé la couche de compréhension, pas l'orchestration autour.
Nous avons besoin de réponses déterministes pour la conformité. Cela exclut-il EDDI ?
Pas nécessairement, mais le compromis doit être explicite. La sortie d'un LLM n'est pas déterministe. EDDI y répond par des règles de comportement qui contraignent les réponses, des points d'approbation humaine sur les actions importantes et un registre d'audit signé qui consigne ce qui a été décidé et pourquoi. Si votre exigence est qu'aucun modèle de langage ne participe à la décision, Rasa est la meilleure réponse.
Peut-on faire tourner les deux pendant une transition ?
Oui. Un schéma courant achemine les intentions connues à fort volume vers l'assistant Rasa existant pendant qu'EDDI traite les requêtes ouvertes et l'intégration aux systèmes, puis fait basculer le trafic à mesure que la confiance grandit. EDDI peut appeler un point de terminaison Rasa via httpCall.
Autres comparatifs
- EDDI vs. LangChain et LangGraph
- EDDI vs. Microsoft Agent Framework (AutoGen et Semantic Kernel)
- EDDI vs. CrewAI
- EDDI vs. Dify
- EDDI vs. n8n
- EDDI vs. Flowise
- Toutes les alternatives : constructeurs, bibliothèques et plateformes cloud
Prêt pour la production ?
Bénéficiez d'un déploiement géré, d'un support garanti par SLA et de l'accompagnement direct de l'équipe qui développe EDDI.
Parlez-nous de votre déploiement en entreprise