Orkas : orchestrer une équipe d'agents depuis une seule fenêtre de chat

Un Commander qui découpe l'objectif avant de déléguer

Le problème visé est celui de la coordination. Une personne qui utilise un chatbot unique doit elle-même découper son objectif, choisir un modèle, relancer les étapes et recoller les morceaux. Orkas déplace cette charge vers un agent appelé Commander, décrit dans le README comme celui qui planifie le travail, traite lui-même les parties générales et coordonne les agents spécialisés en parallèle ou en séquence. L'exemple donné par le README est explicite : à la demande de recherche de cinq concurrents, de rédaction puis de production d'un deck, le Commander répartit le travail entre DeepResearcher, ContentWriter et PptMaker. Le public visé n'est donc pas le développeur qui veut écrire une boucle d'orchestration, mais celui qui veut formuler un objectif en langage naturel et récupérer des fichiers sur son disque. Le README mentionne aussi la possibilité de décrire un besoin pour que le Commander construise un agent personnalisé, sans détailler le mécanisme de génération.

Neuf agents livrés, trente au marketplace

L'application embarque neuf agents installés dès le premier lancement, chacun avec ses propres compétences, sa mémoire et ses outils. Le tableau du README couvre des domaines assez éloignés : recherche sourcée avec citations, rédaction, génération de PPTX, développement assisté par dépôt, production de fichiers Word/Excel/PowerPoint/PDF, montage vidéo, création d'images, design d'interface en HTML, et audit SEO avec Core Web Vitals et score de santé. Le marketplace en annonce trente au total. Cette diversité est un choix de positionnement : plutôt qu'un agent généraliste que l'on outille soi-même, Orkas livre une équipe prête à l'emploi et laisse l'utilisateur ajouter des rôles. La contrepartie est moins visible dans le README : rien n'indique comment sont contrôlées les frontières entre agents, ni ce qui se passe quand deux d'entre eux peuvent légitimement prendre en charge la même étape. Le Commander est présenté comme celui qui choisit, mais le critère de choix n'est pas documenté dans le matériel fourni.

Local-first : ce que cela couvre réellement

Le README affirme que les conversations, les fichiers, les clés d'API, les bases de connaissances et les agents personnalisés restent sur le disque de l'utilisateur, et que les appels aux modèles partent directement de la machine vers le fournisseur sans passer par des serveurs Orkas. C'est une revendication d'architecture, pas une preuve d'audit : le matériel ne contient ni schéma de chiffrement, ni description du format de stockage, ni procédure de vérification. Un lecteur qui doit valider ce point pour une adoption en entreprise devra inspecter lui-même le dossier de configuration après installation, ou lire le code TypeScript du dépôt. Le point intéressant est ailleurs : le modèle économique suppose que l'utilisateur apporte ses propres clés, ce qui déplace la question de la confidentialité vers les fournisseurs de modèles. Une conversation peut rester locale et être néanmoins traitée par Claude, OpenAI ou DeepSeek selon l'agent qui l'exécute.

Mélanger les fournisseurs agent par agent

Le README liste Claude, OpenAI, Gemini, DeepSeek, Kimi, GLM, Qwen, MiniMax et Doubao, et indique que l'on peut placer un agent sur Claude, un autre sur DeepSeek, un troisième sur un point de terminaison local. Cette répartition par agent est ce qui distingue Orkas d'un client de chat multi-modèles : la clé n'est pas seulement choisie pour une conversation, elle est attachée à un rôle. Concrètement, cela permet de faire tourner un agent de recherche sur un modèle à long contexte et un agent de production de fichiers sur un modèle moins coûteux. Le revers est une surface de configuration plus large : chaque agent a son propre fournisseur, sa propre clé, et vraisemblablement ses propres paramètres. Le README ne décrit pas d'interface de gestion centralisée des clés, ni de mécanisme de bascule automatique en cas d'échec d'un fournisseur.

Installation et lancement

Pour macOS et Windows, le README renvoie à des installeurs packagés : Orkas-mac-arm64.dmg, Orkas-mac-x64.dmg et Orkas-Setup.exe, téléchargeables depuis orkas.ai. Sur Linux, il n'y a pas d'installeur publié : le README précise que les distributions glibc x64 et arm64 s'exécutent depuis les sources et renvoie à la section Quick start du dépôt. Le dépôt est en TypeScript et l'application est construite avec Electron, ce que confirment les sujets du dépôt (electron, cross-platform, desktop-app). Le matériel fourni ne contient pas les commandes exactes de la section Quick start, ni les clés de configuration à renseigner pour déclarer un fournisseur de modèle : ces éléments sont dans le dépôt, pas dans le README transmis. Il faut donc les consulter avant de planifier un déploiement sur poste Linux.

Ce que le README ne dit pas sur l'auto-évolution

Orkas met en avant des agents qui s'améliorent, avec des compétences privées, une mémoire propre et une réflexion après chaque tâche. Le vocabulaire employé est celui de la cristallisation de compétences, sans que le README décrive le format de stockage de ces compétences, la façon dont elles sont réutilisées lors d'une tâche ultérieure, ni les garde-fous empêchant une réflexion erronée de se figer en compétence permanente. C'est la zone la plus floue du projet et, pour un usage professionnel, la plus importante : une mémoire d'agent qui dérive produit des résultats difficiles à reproduire. Un utilisateur qui a besoin de reproductibilité devra probablement désactiver ou contourner cette couche, et le matériel ne précise pas si l'option existe. À l'inverse, quelqu'un qui accepte une part d'imprévisibilité y trouvera un gain de temps sur des tâches répétitives, à condition de relire les sorties.

Face à LangChain et CrewAI

Le README positionne Orkas contre deux frameworks Python. LangChain est une bibliothèque pour construire des applications LLM, orientée code et intégrée dans une application Python ou JS existante. CrewAI orchestre des agents autonomes à rôle, définis dans du code. La différence n'est pas la fonctionnalité mais le lieu d'exécution : Orkas est une application de bureau que l'on pilote au chat, sans écrire d'orchestration, avec stockage local et évolution par agent intégrée. Cela signifie aussi que l'on n'hérite pas de l'écosystème de connecteurs, de traceurs et de tests construits autour de LangChain, et que l'on ne peut pas embarquer l'orchestrateur dans un service backend. Les plateformes d'agents hébergées, citées dans le même tableau, conservent conversations, fichiers et clés sur l'infrastructure du fournisseur ; c'est le point sur lequel Orkas se démarque le plus clairement. Le README mentionne enfin OpenClaw, un assistant personnel unique joignable via des canaux de messagerie, sans terminer la comparaison dans l'extrait fourni.

Licence, maintenance et coût réel

Le dépôt est publié sous MIT, ce qui autorise la réutilisation et la modification, y compris en contexte commercial, à condition de conserver la notice de licence. Cette licence couvre le code du dépôt : elle ne dit rien des agents du marketplace, dont les conditions propres ne sont pas décrites dans le matériel fourni. Sur la maintenance, les trois versions citées (2026.8.11, 2026.8.25, 2026.8.29) montrent un rythme de publication rapproché sur le mois d'août 2026, et le dépôt n'est pas archivé. Cela implique des mises à jour fréquentes de l'application de bureau, donc un coût de validation à chaque montée de version si l'outil est déployé sur plusieurs postes. Le coût direct, lui, n'est pas celui d'un abonnement : il correspond à la consommation des modèles choisis, facturée par chaque fournisseur selon la clé associée à chaque agent. Une équipe qui place tous ses agents sur un modèle haut de gamme verra la facture suivre le volume de tâches, sans plafond intégré à l'application.

Conclusion éditoriale

Orkas convient à ceux qui veulent obtenir des livrables (rapport, PPTX, audit SEO) sans écrire de code d'orchestration, et qui acceptent de fournir leurs propres clés de modèles. Ceux qui ont besoin d'un composant embarqué dans une application Python ou JS, ou d'un contrôle déterministe du routage entre agents, devraient regarder ailleurs. Avant d'adopter, vérifiez le contenu du dossier de configuration local où sont stockées conversations et clés, et le schéma de licence MIT appliqué aux agents du marketplace, qui ne sont pas forcément couverts par la même licence que le dépôt.

Sources officielles

1. License: MIT
2. Orkas-AI/Orkas on GitHub
3. Project website
4. README
5. Releases