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
- Hello workflow : un graphe agent minimal
État, mémoire et transmission du contexte
- Conception de l'état du graphe et des interfaces de nœuds
- Mémoire à court terme vs mémoire persistante
- Fenêtres de contexte, résumé et réhydratation
Logique de branching 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 d'outils et intégrations externes
- Appels de fonctions/outil depuis les nœuds et agents
- Consommation d'API REST et de bases de données depuis le graphe
- Analyse et validation des sorties structurées
Workflows d'agents à récupération augmentée (RAG)
- Ingestion de documents et stratégies de découpage
- Embeddings et向量 stores avec ChromaDB
- Réponses étayées avec citations et garde-fous
Évaluation, débogage et observabilité
- Pistage des chemins et inspection des interactions entre nœuds
- Ensembles de référence, évaluations et tests de régression
- Surveillance de la qualité, de la sécurité et des coûts/latences
Emballage et livraison
- Serving avec FastAPI et gestion des dépendances
- Versionnement des graphes et stratégies de rollback
- Manuels opérationnels et réponse aux incidents
Résumé et prochaines étapes
Pré requis
- Connaissance pratique de Python
- Expérience dans la création d'applications LLM ou de chaînes de prompts
- Maîtrise des API REST et de JSON
Public cible
- Ingénieurs IA
- Chefs de produit
- Développeurs créant des systèmes interactifs pilotés par des LLM
14 Heures