Module 1
Introduction
Introduction
2 min
Leçons vidéo
Exercices
Lab pratique
Vue d'ensemble du cours et des objectifs d'apprentissage.
Évolution récente de l'écosystème LLM
Architecture du cours
Prérequis et environnement de travail
Module 2
Appel de Fonction avec les LLMs
Appel de Fonction avec les LLMs
13 min avec code
Leçons vidéo
Exercices
Lab pratique
Comprendre et utiliser la capacité d'appel de fonction des modèles de langage.
Concepts clés de l'appel de fonction (Function Calling API)
Définition de schémas de fonction avec validation
Appels structurés et parsing de réponses
Avantages : sorties structurées, fiabilité accrue, validation automatique
Lab : Exercices pratiques
Module 3
LangChain Expression Language
LangChain Expression Language
LCEL) (16 min avec code
Leçons vidéo
Exercices
Lab pratique
Découverte de la nouvelle syntaxe pour composer et personnaliser des chaînes.
Qu'est-ce que LCEL et pourquoi l'utiliser ?
Langage déclaratif pour chaînes de traitement
Composition facile et modulaire
Streaming natif et parallélisation automatique
Opérateurs : `|` (pipe), `{}` (parallèle), `RunnablePassthrough`
Lab : Exercices pratiques
Module 4
Appel de Fonction dans LangChain
Appel de Fonction dans LangChain
12 min avec code
Leçons vidéo
Exercices
Lab pratique
Intégration des appels de fonction dans le framework LangChain.
Binding d'outils aux LLMs
Workflow : définir → lier → exécuter → gérer
Décorateur `@tool` pour créer des outils facilement
Gestion des réponses d'appel de fonction
Lab : Exercices pratiques
Module 5
Tagging et Extraction
Tagging et Extraction
24 min avec code
Leçons vidéo
Exercices
Lab pratique
Utiliser l'appel de fonction pour le tagging et l'extraction de données.
Tagging : Classifier et annoter du texte avec des tags
Classification de sentiment (positif, neutre, négatif)
Identification de topics et thèmes
Détection de langue et métadonnées
Extraction : Extraire des informations structurées de texte non structuré
Extraction d'entités nommées (personnes, entreprises, dates, montants)
Structuration de données de documents
Enrichissement de métadonnées
Classification de documents
Analyse de sentiment à grande échelle
Metadata enrichment pour moteurs de recherche
Lab : Exercices pratiques
Module 6
Tools et Routing
Tools et Routing
17 min avec code
Leçons vidéo
Exercices
Lab pratique
Sélection d'outils et routage intelligent utilisant les capacités LLM.
Le LLM choisit quel outil utiliser basé sur la requête
Configuration de multiples outils (recherche, calculatrice, météo, etc.)
Création d'agents avec `createopenaifunctionsagent`
Diriger les requêtes vers différents pipelines
`RunnableBranch` pour routage conditionnel
Patterns : sélection dynamique, multi-step reasoning, error handling
Lab : Exercices pratiques
Module 7
Agent Conversationnel
Agent Conversationnel
16 min avec code
Leçons vidéo
Exercices
Lab pratique
Construction d'un agent conversationnel utilisant toutes les capacités apprises.
1. Memory : Gestion de l'historique conversationnel
2. Tools : Accès à fonctionnalités externes
3. Routing : Sélection intelligente d'outils
4. LCEL : Composition du pipeline complet
Conversation multi-tours avec contexte persistant
Utilisation d'outils en fonction du contexte
Raisonnement adaptatif
Gestion de mémoire optimisée
Lab : Exercices pratiques
Module 8
Conclusion
Conclusion
1 min
Leçons vidéo
Exercices
Lab pratique
Récapitulatif des concepts appris et prochaines étapes.