Merci d'avoir envoyé votre demande ! Un membre de notre équipe vous contactera sous peu.
Merci d'avoir envoyé votre réservation ! Un membre de notre équipe vous contactera sous peu.
Plan du cours
LangGraph et modèles d'agents : un guide pratique
- Graphes vs chaînes linéaires : quand et pourquoi
- Agents, outils et boucles planificateur-exécutant
- Premier flux de travail : un graphe agent minimal
État, mémoire et transmission du contexte
- Conception de l'état du graphe et des interfaces des nœuds
- Mémoire à court terme vs mémoire persistée
- Fenêtres de contexte, résumé et réhydratation
Logique de ramification et flux de contrôle
- Routage conditionnel et décisions multi-chemins
- Tentatives de reconnexion, délais d'expiration et disjoncteurs
- Mécanismes de repli, impasses et nœuds de récupération
Utilisation des outils et intégrations externes
- Appels de fonctions/outils depuis les nœuds et les agents
- Consommation d'API REST et de bases de données depuis le graphe
- Analyse et validation des sorties structurées
Flux de travail d'agents à récupération augmentée (RAG)
- Ingestion de documents et stratégies de segmentation
- Embeddings et bases de données vectorielles avec ChromaDB
- Réponses étayées avec citations et garde-fous
Évaluation, débogage et observabilité
- Suivi des chemins et inspection des interactions entre nœuds
- Ensembles de référence, évaluations et tests de régression
- Surveillance de la qualité, de la sécurité et du coût/latence
Conditionnement et livraison
- Déploiement via FastAPI et gestion des dépendances
- Versionnage des graphes et stratégies de rollback
- Manuels opérationnels et réponse aux incidents
Résumé et prochaines étapes
Pré requis
- Connaissances pratiques en Python
- Expérience dans la création d'applications LLM ou de chaînes d'invites (prompt chains)
- Maîtrise des API REST et de JSON
Audience
- Ingénieurs en intelligence artificielle
- Chefs de produit
- Développeurs construisant des systèmes interactifs pilotés par des LLM
14 Heures