Prenez contact avec nous

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

Nombre de participants


Prix par participant

Cours à venir

Catégories Similaires