Formation IA Agentique : concevoir et développer des agents LLM autonomes.

Programme de formation IA Agentique : concevoir et développer des agents LLM autonomes.

Introduction à l’IA agentique et aux workflows autonomes

– Agents vs chatbots : comprendre ce qui distingue un agent autonome d’un assistant conversationnel classique
– Degrés d’autonomie : du prompt unique au système multi-agents entièrement orchestré
– Design patterns agentiques : les 4 motifs fondamentaux (réflexion, tool use, planification, multi-agent)
– Cas d’usage sectoriels : service client, analyse de données, automatisation de workflows, génération de contenu
– Décomposition de tâches : identifier les étapes d’un workflow et évaluer ce qui peut être délégué à un agent

Exemples d’activités pratiques :
– Exploration d’un agent de recherche autonome pour comprendre le fonctionnement d’un workflow agentique
– Analyse comparative d’un prompt direct vs un workflow agentique sur une même tâche

Réflexion et amélioration itérative des sorties

– Pattern de réflexion : l’agent évalue ses propres sorties et itère pour améliorer la qualité
– Boucle réflexive : architecture d’un cycle génération → critique → régénération
– Auto-critique vs feedback externe : deux approches complémentaires pour corriger les erreurs
– Évaluation de l’impact : mesurer concrètement le gain de qualité apporté par la réflexion

Exemples d’activités pratiques :
– Implémentation d’un workflow de génération de graphiques avec boucle de réflexion
– Amélioration de la génération de requêtes SQL par itération réflexive

Utilisation d’outils et intégration d’APIs

– Function calling : permettre à un agent d’invoquer des fonctions Python comme des outils
– Syntaxe et déclaration d’outils : définir les schémas, paramètres et descriptions pour le LLM
– Exécution de code : donner à l’agent la capacité d’écrire et d’exécuter du code dynamiquement
– Intégration d’APIs externes : connecter un agent à des bases de données, services web et moteurs de recherche
– MCP (Model Context Protocol) : protocole standardisé pour exposer des outils aux LLMs de manière interopérable

Exemples d’activités pratiques :
– Transformation de fonctions Python en outils utilisables par un agent
– Construction d’un assistant email capable de lire, trier et répondre via des outils

Planification et exécution de tâches complexes

– Décomposition de problèmes : faire raisonner l’agent pour découper une tâche complexe en étapes exécutables
– Pattern Plan & Execute : séparer la phase de planification de la phase d’exécution
– Re-planification dynamique : adapter le plan en cours d’exécution selon les résultats intermédiaires
– Pattern ReAct (Reasoning + Acting) : combiner raisonnement et actions dans une boucle unifiée
– Parallélisation et dépendances : orchestrer l’exécution de tâches indépendantes et gérer les séquences

Exemples d’activités pratiques :
– Développement d’un agent de service client capable de planifier et exécuter des actions (consultation de base, remboursement, escalade)
– Implémentation d’un agent planificateur avec exécution de code

Systèmes multi-agents et orchestration

– Agent unique vs multi-agents : quand et pourquoi distribuer le travail entre plusieurs agents spécialisés
– Architectures multi-agents : réseau (peer-to-peer), superviseur centralisé, hiérarchie d’agents
– Patterns de communication : échange de messages, mémoire partagée, protocoles de coordination
– Mémoire et état : gestion d’état par agent, mémoire partagée vs isolée, persistance
– Graphes d’agents : modéliser les interactions entre agents comme un graphe d’exécution

Exemples d’activités pratiques :
– Construction d’une équipe de recherche multi-agents (collecte, analyse, synthèse) avec coordination par superviseur
– Implémentation d’un système multi-agents coordonné avec gestion de la mémoire partagée

Évaluation, optimisation et bonnes pratiques

– Évaluations (evals) : concevoir des métriques pour mesurer la performance d’un système agentique
– Évaluations composant par composant : isoler et tester chaque maillon du workflow
– Analyse d’erreurs : diagnostiquer les échecs et prioriser les améliorations
– Optimisation des coûts et de la latence : réduire les appels LLM inutiles, paralléliser, gérer les timeouts
– Human-in-the-loop : intégrer des points de validation humaine dans les workflows critiques

Exemples d’activités pratiques :
– Mise en place d’évaluations automatisées sur un workflow agentique existant
– Analyse d’erreurs et optimisation coût/latence d’un système multi-agents