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