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.
Durée 14 heures
Plan du cours
Introduction à LangGraph et aux concepts graphiques
- Pourquoi utiliser des graphes pour les applications LLM : orchestration vs. chaînes simples
- Nœuds, arêtes et état dans LangGraph
- Prise en main de LangGraph : premier graphique exécutable
Gestion de l'état et chaînage de prompts
- Conception des prompts en tant que nœuds graphiques
- Passage de l'état entre les nœuds et gestion des sorties
- Modèles de mémoire : contexte à court terme vs. contexte persistant
Branching, contrôle du flux et gestion des erreurs
- Routing conditionnel et flux de travail multi-chemin
- Nouvelles tentatives (retries), délais d'attente (timeouts) et stratégies de secours
- Idempotence et ré-exécutions sécurisées
Outils et intégrations externes
- Appels de fonctions/outils depuis les nœuds graphiques
- Appel d'API REST et de services au sein du graphe
- Travail avec des sorties structurées
Flux de travail augmentés par récupération (Retrieval-Augmented Workflows)
- Bases de l'ingestion et de la découpe de documents
- Embeddings et stockages vectoriels (par ex., ChromaDB)
- Réponses ancrées avec citations
Tests, débogage et évaluation
- Tests unitaires pour les nœuds et les chemins
- Tracing et observabilité
- Contrôles de qualité : factualité, sécurité et déterminisme
Emballage et fondamentaux du déploiement
- Configuration de l'environnement et gestion des dépendances
- Serveur de graphes derrière des API
- Gestion des versions des flux de travail et mises à jour progressives
Synthèse et prochaines étapes
Pré requis
- Compréhension des bases de la programmation Python
- Expérience avec les API REST ou les outils en ligne de commande (CLI)
- Familiarité avec les concepts des LLM et les fondamentaux du prompt engineering
Public cible
- Développeurs et ingénieurs logiciels débutants dans l'orchestration de LLM basée sur graphes
- Ingénieurs du prompt et débutants en IA concevant des applications LLM multi-étapes
- Praticiens des données explorant l'automatisation des flux de travail avec des LLM
