Sur cette page
En bref
En bref
Choisissez RabbitMQ lorsque les agents se transmettent des tâches qui durent des secondes ou des minutes et ne doivent pas être perdues : acquittement par message, nouvelle livraison, timeouts consommateur, dead-lettering et routage par exchange sont des fonctionnalités du broker, et Direct Reply-To couvre la requête-réponse. Choisissez Kafka lorsque l'historique des événements est le produit : les agents lisent et rejouent un journal conservé, le traitement de flux s'exécute à côté, et Kafka 4.2 a rendu les share groups prêts pour la production pour le travail de type file d'attente. Choisissez NATS lorsque les agents sont répartis entre clouds, sites et appareils et que l'essentiel du trafic relève de la requête-réponse ou du fan-out, JetStream ajoutant la persistance là où c'est nécessaire. Rien ne vous empêche d'en exploiter deux : un journal pour les événements et une file d'attente pour le travail.
RabbitMQ, Kafka et NATS face aux besoins des systèmes d'agents
| RabbitMQ | Apache Kafka | NATS avec JetStream | |
|---|---|---|---|
| Transmission de tâches | Acquittement par message ; messages non acquittés remis en file d'attente à la fermeture d'un canal | Offsets par partition ; les share groups ajoutent accept, reject et, depuis la 4.2, renew par enregistrement | Les consommateurs JetStream acquittent chaque message ; Core NATS n'a pas d'acquittement |
| Traitements longs | Timeout consommateur, 30 minutes par défaut, défini par file d'attente ou par consommateur | Verrou d'enregistrement du share group, 30 secondes par défaut, prolongé par renew | AckWait, 30 secondes par défaut, réinitialisé par les acquittements in-progress |
| Messages empoisonnés | Les quorum queues envoient en dead-letter après 20 livraisons par défaut | Les share groups s'arrêtent après 5 tentatives de livraison par défaut | MaxDeliver et backoff par consommateur ; term met fin aux nouvelles tentatives |
| Requête-réponse | Intégrée : Direct Reply-To, sans file d'attente de réponse | Non intégrée ; corrélation des topics de requête et de réponse dans le code | Intégrée : réponses vers un sujet _INBOX, avec signal no-responders |
| Routage | Exchanges topic et headers ; les bindings changent sans toucher aux producteurs | Topic et clé de partition ; le filtrage se fait côté consommateurs | Hiérarchie de sujets avec jokers ; les queue groups répartissent la charge |
| Rejouer | Les streams permettent le rejeu ; les files d'attente suppriment à l'acquittement | Principe fondateur : journal conservé, sept jours par défaut | Les streams se rejouent depuis le début, un numéro de séquence ou un horodatage |
| Ordre | La file d'attente conserve l'ordre de publication ; les nouvelles livraisons peuvent arriver dans le désordre | Au sein d'une partition | Numéro de séquence du stream pour chaque message stocké |
| Contre-pression | Prefetch consommateur ; producteurs bloqués par le contrôle de flux et les alarmes | Les consommateurs lisent à leur propre rythme | MaxAckPending, 1 000 par défaut |
Ce qu'un système d'agents attend d'un broker
Les protocoles d'agents ne remplacent pas le broker. Le Model Context Protocol définit deux transports standard, stdio et Streamable HTTP, et autorise des transports personnalisés : les appels d'outils entre un agent et un serveur MCP passent donc normalement par stdio ou HTTP plutôt que par un broker. Le broker transporte ce qui les entoure : les tâches mises en file d'attente pour les workers, les résultats renvoyés à l'agent demandeur, les événements diffusés vers d'autres agents et la trace de ce qui s'est passé. Chacun de ces besoins correspond à une propriété du broker : acquittement et nouvelle livraison, requête-réponse, routage, rétention avec rejeu.
Transmission de tâches et traitements longs
Les tâches d'agents sont lentes, car une seule étape peut attendre un modèle pendant plusieurs minutes. RabbitMQ conserve une livraison jusqu'à ce que le consommateur l'acquitte et la remet dans la file d'attente si le consommateur disparaît ou dépasse le timeout consommateur, que RabbitMQ 4.3 permet de définir par file d'attente ou par consommateur sur les quorum queues. Le prefetch limite le nombre de tâches détenues par un worker. Les équipes Python y accèdent généralement via Celery ; notre guide Celery et RabbitMQ pour les files de tâches LLM détaille les paramètres.
Les consumer groups Kafka suivent un offset validé par partition : un enregistrement lent retarde donc généralement ceux qui le suivent dans cette partition. Les share groups, prêts pour la production depuis Kafka 4.2, permettent à plusieurs consommateurs de traiter les mêmes partitions avec acquittement et comptage des livraisons par enregistrement ; le verrou d'enregistrement est de 30 secondes par défaut, configurable jusqu'à une heure, et la 4.2 a ajouté un acquittement renew pour les traitements plus longs. NATS JetStream relivre après AckWait, 30 secondes par défaut, et un acquittement in-progress réinitialise le minuteur pour les tâches longues. Un stream WorkQueue supprime chaque message après un acquittement.
Requête-réponse pour les appels d'outils
Lorsqu'un agent appelle un outil via un broker, il a besoin de récupérer la réponse. NATS intègre la requête-réponse à son protocole de base : le client crée un sujet privé _INBOX, le répondeur y répond et, si personne n'est abonné, le serveur signale immédiatement l'absence de répondeur au lieu de laisser l'appelant attendre un timeout. L'Agent Protocol for NATS, open source, de Synadia construit sur ces primitives la découverte d'agents, les réponses en streaming et les heartbeats, et documente une livraison at-most-once. Direct Reply-To de RabbitMQ remet les réponses sur le canal du demandeur sans créer de file d'attente de réponse, ce qui garde la requête-réponse peu coûteuse avec des dizaines de milliers de clients. Kafka n'a pas de primitive de requête-réponse ; les applications associent un topic de requête à un topic de réponse et corrèlent elles-mêmes les messages.
Routage par compétence
Le routage détermine quel agent ou pool de workers reçoit une tâche : selon la compétence, le modèle, le tenant ou la classe de GPU. RabbitMQ s'en charge dans le broker. Un topic exchange compare des clés de routage comme agent.summarize.gpu aux bindings avec les jokers * et # : un nouvel agent spécialisé se résume à un nouveau binding, sans modifier les producteurs. Les sujets NATS offrent une souplesse comparable avec les jokers * et >, et les queue groups répartissent les requêtes entre les instances d'un même agent. Kafka route par topic et clé de partition ; la sélection plus fine se fait dans les consommateurs ou dans le traitement de flux, ce qui convient mieux au fan-out d'événements qu'à la répartition de tâches individuelles.
Rejeu, ordre et contre-pression
Le rejeu compte lorsqu'un nouvel agent doit rattraper l'historique ou qu'une exécution doit être auditée. C'est le principe fondateur de Kafka : les enregistrements restent jusqu'à ce que la rétention les supprime, sept jours par défaut, et chaque consumer group lit à son propre offset, dans l'ordre au sein d'une partition. Les streams RabbitMQ et les streams NATS JetStream offrent tous deux lecture non destructive et rejeu ; les files d'attente RabbitMQ suppriment les messages une fois acquittés. Côté contre-pression, RabbitMQ limite les livraisons non acquittées par consommateur et bloque les producteurs trop rapides via le contrôle de flux, JetStream plafonne les messages en cours avec MaxAckPending, et les consommateurs Kafka lisent simplement à leur rythme tandis que le journal absorbe les pics.
Les outils IA autour de chaque broker
Les éditeurs proposent désormais des outils pour agents au-dessus de ces brokers. Décrits d'après les pages de chaque éditeur :
- Confluent : les Streaming Agents sont des agents orientés événements qui s'exécutent sur Flink dans Confluent Cloud, avec appel d'outils MCP et rejeu pour le débogage. Son serveur MCP open source permet aux assistants IA de travailler avec Confluent Cloud, Confluent Platform et Apache Kafka ; une version entièrement managée existe aussi.
- Synadia, l'entreprise derrière NATS : l'Agent Protocol for NATS open source et des SDK d'agents pour Python et TypeScript.
- Solace : Solace Agent Mesh, une plateforme de développement et d'exécution d'agents sur le broker d'événements de Solace, avec un framework open source et la prise en charge d'A2A et de MCP.
- StreamNative : Orca Agent Engine, en preview privée, exécute des agents Google ADK et OpenAI Agents SDK sur des topics Pulsar et Kafka dans StreamNative Cloud.
- Redis : Redis Agent Memory, en preview, stocke la mémoire de session et à long terme des agents. C'est un service de mémoire, pas un broker.
Les agents accèdent à RabbitMQ via ses clients et protocoles standard, dont AMQP 0-9-1, AMQP 1.0 et MQTT, et via des frameworks de tâches comme Celery.
Redis Streams, Pulsar et files d'attente cloud
Redis Streams offre consumer groups, acquittements et reprise des entrées bloquées, ce qui suffit pour une transmission de tâches légère là où Redis tourne déjà ; la durabilité dépend des paramètres de persistance. Apache Pulsar propose des abonnements Shared et Key_Shared avec acquittements individuels et négatifs, plus proches de la sémantique d'une file d'attente que les consommateurs Kafka classiques. Amazon SQS ne nécessite aucun broker, mais un message reste invisible au maximum 12 heures pendant qu'un consommateur le traite et n'est conservé que 14 jours au maximum.
Lequel choisir selon le cas
- Vos agents se transmettent des tâches longues et coûteuses qui ne doivent pas être perdues ? RabbitMQ avec quorum queues, ou les share groups Kafka si Kafka est déjà votre plateforme.
- Appels d'outils et requêtes entre agents à travers clouds, sites et appareils ? NATS.
- Vos agents réagissent à des événements métier et les nouveaux agents doivent rejouer l'historique ? Kafka.
- Routage par compétence, modèle ou tenant sans modifier les producteurs ? Exchanges RabbitMQ ou sujets NATS.
- Une petite équipe qui veut un seul système léger pour la messagerie, la persistance et un magasin clé-valeur ? NATS avec JetStream.
Consultez RabbitMQ pour les charges de travail IA et le guide RabbitMQ pour les agents IA pour approfondir le volet RabbitMQ. AceMQ fournit un support RabbitMQ 24/7 et un support Kafka : nos conseils ne dépendent donc pas du broker que vous choisissez.
Notre méthode de comparaison
Nous avons comparé RabbitMQ, Apache Kafka et NATS avec JetStream sur huit points qu'un système d'agents attend d'un broker : transmission de tâches, traitements longs, messages empoisonnés, requête-réponse, routage, rejeu, ordre et contre-pression. Les informations proviennent de la documentation de chaque projet et des pages de chaque éditeur, vérifiées le 10 octobre 2026. Les outils IA proposés autour de chaque broker sont traités dans une section distincte, séparément du comportement de livraison du broker. Les valeurs par défaut et les outils évoluent vite : vérifiez-les pour la version que vous prévoyez d'exploiter.
Questions fréquentes
Quel est le meilleur broker de messages pour les agents IA ?
Tout dépend du trafic. RabbitMQ convient à la transmission de tâches avec acquittements et routage, Kafka aux flux d'événements que les agents rejouent, et NATS à la requête-réponse et au fan-out entre sites distribués. Certains systèmes exploitent un journal et une file d'attente côte à côte.
Peut-on utiliser Kafka comme file d'attente de tâches pour des agents IA ?
Oui, grâce aux share groups, prêts pour la production depuis Kafka 4.2. Ils ajoutent l'acquittement par enregistrement, le comptage des livraisons et le renouvellement des verrous, afin que plusieurs consommateurs puissent traiter les enregistrements des mêmes partitions.
NATS garantit-il la livraison des messages d'agents ?
Core NATS livre au plus une fois aux abonnés connectés à ce moment-là. JetStream ajoute le stockage, les acquittements, la nouvelle livraison et le rejeu.
Les agents IA ont-ils besoin d'un broker de messages s'ils utilisent MCP ?
MCP définit la manière dont un agent communique avec un serveur d'outils, via stdio ou HTTP. Un broker reste utile pour mettre en file d'attente les tâches longues, diffuser des événements et conserver un historique rejouable.