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 les modèles d'agents : un guide pratique
- Graphiques vs chaînes linéaires : quand et pourquoi
- Agents, outils et boucles planificateur-exécutant
- Premiers pas : un graphique agent minimal
État, mémoire et transmission du contexte
- Conception de l'état du graphique et des interfaces des nœuds
- Mémoire à court terme vs mémoire persistante
- Fenêtres de contexte, résumés et récupération
Logique de branchement et contrôle du flux
- Routage conditionnel et décisions multi-chemins
- Tentatives de reprise, délais d'expiration et disjoncteurs
- Solutions de secours, 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 graphique
- Analyse et validation des sorties structurées
Flux de travail d'agents à récupération augmentée (RAG)
- Stratégies d'ingestion de documents et de fractionnement
- Embeddings et bases de données vectorielles avec ChromaDB
- Réponses étayées avec citations et garde-fous
Évaluation, débogage et observabilité
- Suivi des parcours et inspection des interactions entre les nœuds
- Ensembles de référence, évaluations et tests de régression
- Surveillance de la qualité, de la sécurité et des coûts/latence
Emballage et livraison
- Serving via FastAPI et gestion des dépendances
- Versionnement des graphiques et stratégies de retour en arrière
- Procédures opérationnelles et réponse aux incidents
Résumé et prochaines étapes
Pré requis
- Connaissance pratique de Python
- Expérience dans la création d'applications LLM ou de chaînes d'invites (prompt chains)
- Maîtrise des API REST et du format JSON
Audience
- Ingénieurs IA
- Chefs de produit
- Développeurs créant des systèmes interactifs pilotés par des LLM
14 Heures