Agents IA avec Python
Objectifs:
- Implémenter des chaînes de traitement et unemémoire conversationnelle avec LangChain
- Créer des outils personnalisés et capables d'exécuter des actions métier
- Orchestrer des workflows complexes avec LangGraph
- Coordonner des systèmes multi-agents
Objectifs:
- Implémenter des chaînes de traitement et unemémoire conversationnelle avec LangChain
- Créer des outils personnalisés et capables d'exécuter des actions métier
- Orchestrer des workflows complexes avec LangGraph
- Coordonner des systèmes multi-agents
Public visé
- Développeurs Python de niveau intermédiaire à avancé
- Professionnels souhaitant concevoir des agents IA autonomes
- Développeurs souhaitant automatiser des workflows complexes avec LangChain, LangGraph et les systèmes multi-agents
Objectifs pédagogiques
- Expliquer l'architecture d'un agent IA (boucle perception-décision-action) et le différencier d'un chatbot
- Implémenter des chaînes de traitement et une mémoire conversationnelle avec LangChain
- Concevoir un système RAG complet (embeddings, base vectorielle, recherche sémantique)
- Créer des outils personnalisés et des agents ReAct capables d'exécuter des actions métier
- Orchestrer des workflows complexes avec LangGraph (graphes, branchements, human-in-the-loop)
- Coordonner des systèmes multi-agents spécialisés avec CrewAI
- Déployer un workflow automatisé complet répondant à un besoin métier en production
Prérequis
- Maîtriser Python niveau intermédiaire (POO, modules, API REST)
- Avoir des connaissances de base sur les API de LLM (prompt engineering, appels API)
- Avoir suivi la formation Python & IA (API) ou justifier d'un niveau équivalent
- Disposer d'un ordinateur avec Python 3.x et accès internet
Méthodes pédagogiques
- Alternance de théorie (25%) et de pratique (75%)
- Exposés interactifs, démonstrations d'architectures d'agents en direct
- TP individuels et en équipe avec LangChain, LangGraph, CrewAI, API réelles
- Pédagogie active : conception itérative, débogage collaboratif, revue d'architecture en groupe
- Supports de cours numériques et fichiers d'exercices (accès pérenne)
Certification visée : RS6962 – Programmer et automatiser des tâches avec Python (Tosa) - Eligible CPF
Programme détaillé
JOUR 1 — Introduction aux agents IA et LangChain
- Concept d'agent IA : différence entre chatbot et agent autonome
- Boucle perception-décision-action : architecture d'un agent
- Introduction à LangChain : philosophie, composants, installation
- Modèles de langage dans LangChain : configuration, paramètres
- Prompts templates : création, variables, composition
- Chains : enchaînement d'opérations, LLMChain, SequentialChain
- Mémoire conversationnelle : types de mémoire, persistence
■ Travaux pratiques :
→ TP1 : Configuration de LangChain avec différents LLM
→ TP2 : Création de chains pour traitement de texte en plusieurs étapes
→ TP3 : Chatbot avec mémoire conversationnelle persistante
JOUR 2 — RAG et bases de données vectorielles
- RAG (Retrieval-Augmented Generation) : principe et architecture
- Embeddings : représentation vectorielle du texte, modèles
- Chunking de documents : stratégies de découpage, overlapping
- Bases vectorielles : ChromaDB, Pinecone, Weaviate — comparatif
- Indexation de documents : PDF, Word, pages web
- Recherche sémantique : similarité cosinus, top-k retrieval
- Intégration RAG dans LangChain : RetrievalQA
■ Travaux pratiques :
→ TP1 : Création d'une base vectorielle ChromaDB à partir de documents
→ TP2 : Système de recherche sémantique sur documentation technique
→ TP3 : Chatbot RAG capable de répondre sur une base de connaissances
JOUR 3 — Function Calling et outils
- Function calling : principe, définition de fonctions, JSON Schema
- Outils (Tools) dans LangChain : création, documentation, binding
- Outils intégrés : recherche web, calculatrice, Wikipedia
- Création d'outils personnalisés pour accès à des API métier
- Agents ReAct : raisonnement et action, boucle d'exécution
- Gestion des erreurs d'outils et fallback
- Sécurité : validation des appels, limitation des permissions
■ Travaux pratiques :
→ TP1 : Agent avec outils de calcul et recherche web
→ TP2 : Création d'outils personnalisés (météo, base de données)
→ TP3 : Assistant capable d'exécuter des actions métier (CRM, tickets)
JOUR 4 — LangGraph et workflows complexes
- LangGraph : graphes d'exécution, nœuds et arêtes
- États et transitions : gestion du flux de données
- Branchements conditionnels : routage dynamique
- Boucles et itérations dans les graphes
- Persistence de l'état : checkpoints, reprise d'exécution
- Human-in-the-loop : validation humaine dans le workflow
- Debugging et visualisation des graphes
■ Travaux pratiques :
→ TP1 : Workflow de traitement de documents avec validation
→ TP2 : Agent de support client avec escalade conditionnelle
→ TP3 : Pipeline de génération de contenu avec révision itérative
JOUR 5 — Multi-agents et projet final
- Architecture multi-agents : coordination, communication
- CrewAI : définition de rôles, tâches, équipes
- Spécialisation des agents : recherche, analyse, rédaction
- Orchestration : séquentiel vs parallèle, dépendances
- Gestion des conflits et consensus entre agents
- Monitoring et observabilité des systèmes multi-agents
■ Travaux pratiques :
→ TP1 : Équipe CrewAI de veille et synthèse d'actualités
→ TP2 : Système multi-agents de rédaction de rapports
→ TP3 (Projet final) : Workflow automatisé complet répondant à un besoin métier
Évaluation
- Test de positionnement en début de formation
- Évaluations formatives : exercices pratiques corrigés, revue d'architecture, débogage en groupe, QCM intermédiaires
- QCM final de 40 questions (Jour 5) — critère de réussite : 60%
- Attestation de fin de formation délivrée
- Passage de la certification RS6962 – Tosa Python
Public visé
- Développeurs Python de niveau intermédiaire à avancé
- Professionnels souhaitant concevoir des agents IA autonomes
- Développeurs souhaitant automatiser des workflows complexes avec LangChain, LangGraph et les systèmes multi-agents
Objectifs pédagogiques
- Expliquer l'architecture d'un agent IA (boucle perception-décision-action) et le différencier d'un chatbot
- Implémenter des chaînes de traitement et une mémoire conversationnelle avec LangChain
- Concevoir un système RAG complet (embeddings, base vectorielle, recherche sémantique)
- Créer des outils personnalisés et des agents ReAct capables d'exécuter des actions métier
- Orchestrer des workflows complexes avec LangGraph (graphes, branchements, human-in-the-loop)
- Coordonner des systèmes multi-agents spécialisés avec CrewAI
- Déployer un workflow automatisé complet répondant à un besoin métier en production
Prérequis
- Maîtriser Python niveau intermédiaire (POO, modules, API REST)
- Avoir des connaissances de base sur les API de LLM (prompt engineering, appels API)
- Avoir suivi la formation Python & IA (API) ou justifier d'un niveau équivalent
- Disposer d'un ordinateur avec Python 3.x et accès internet
Méthodes pédagogiques
- Alternance de théorie (25%) et de pratique (75%)
- Exposés interactifs, démonstrations d'architectures d'agents en direct
- TP individuels et en équipe avec LangChain, LangGraph, CrewAI, API réelles
- Pédagogie active : conception itérative, débogage collaboratif, revue d'architecture en groupe
- Supports de cours numériques et fichiers d'exercices (accès pérenne)
Certification visée : RS6962 – Programmer et automatiser des tâches avec Python (Tosa) - Eligible CPF
Programme détaillé
JOUR 1 — Introduction aux agents IA et LangChain
- Concept d'agent IA : différence entre chatbot et agent autonome
- Boucle perception-décision-action : architecture d'un agent
- Introduction à LangChain : philosophie, composants, installation
- Modèles de langage dans LangChain : configuration, paramètres
- Prompts templates : création, variables, composition
- Chains : enchaînement d'opérations, LLMChain, SequentialChain
- Mémoire conversationnelle : types de mémoire, persistence
■ Travaux pratiques :
→ TP1 : Configuration de LangChain avec différents LLM
→ TP2 : Création de chains pour traitement de texte en plusieurs étapes
→ TP3 : Chatbot avec mémoire conversationnelle persistante
JOUR 2 — RAG et bases de données vectorielles
- RAG (Retrieval-Augmented Generation) : principe et architecture
- Embeddings : représentation vectorielle du texte, modèles
- Chunking de documents : stratégies de découpage, overlapping
- Bases vectorielles : ChromaDB, Pinecone, Weaviate — comparatif
- Indexation de documents : PDF, Word, pages web
- Recherche sémantique : similarité cosinus, top-k retrieval
- Intégration RAG dans LangChain : RetrievalQA
■ Travaux pratiques :
→ TP1 : Création d'une base vectorielle ChromaDB à partir de documents
→ TP2 : Système de recherche sémantique sur documentation technique
→ TP3 : Chatbot RAG capable de répondre sur une base de connaissances
JOUR 3 — Function Calling et outils
- Function calling : principe, définition de fonctions, JSON Schema
- Outils (Tools) dans LangChain : création, documentation, binding
- Outils intégrés : recherche web, calculatrice, Wikipedia
- Création d'outils personnalisés pour accès à des API métier
- Agents ReAct : raisonnement et action, boucle d'exécution
- Gestion des erreurs d'outils et fallback
- Sécurité : validation des appels, limitation des permissions
■ Travaux pratiques :
→ TP1 : Agent avec outils de calcul et recherche web
→ TP2 : Création d'outils personnalisés (météo, base de données)
→ TP3 : Assistant capable d'exécuter des actions métier (CRM, tickets)
JOUR 4 — LangGraph et workflows complexes
- LangGraph : graphes d'exécution, nœuds et arêtes
- États et transitions : gestion du flux de données
- Branchements conditionnels : routage dynamique
- Boucles et itérations dans les graphes
- Persistence de l'état : checkpoints, reprise d'exécution
- Human-in-the-loop : validation humaine dans le workflow
- Debugging et visualisation des graphes
■ Travaux pratiques :
→ TP1 : Workflow de traitement de documents avec validation
→ TP2 : Agent de support client avec escalade conditionnelle
→ TP3 : Pipeline de génération de contenu avec révision itérative
JOUR 5 — Multi-agents et projet final
- Architecture multi-agents : coordination, communication
- CrewAI : définition de rôles, tâches, équipes
- Spécialisation des agents : recherche, analyse, rédaction
- Orchestration : séquentiel vs parallèle, dépendances
- Gestion des conflits et consensus entre agents
- Monitoring et observabilité des systèmes multi-agents
■ Travaux pratiques :
→ TP1 : Équipe CrewAI de veille et synthèse d'actualités
→ TP2 : Système multi-agents de rédaction de rapports
→ TP3 (Projet final) : Workflow automatisé complet répondant à un besoin métier
Évaluation
- Test de positionnement en début de formation
- Évaluations formatives : exercices pratiques corrigés, revue d'architecture, débogage en groupe, QCM intermédiaires
- QCM final de 40 questions (Jour 5) — critère de réussite : 60%
- Attestation de fin de formation délivrée
- Passage de la certification RS6962 – Tosa Python