ARCHITECTURES D'AGENTS

• ReAct (Reason+Act) : pattern de raisonnement et d'action des agents
• Plan-and-Execute : décomposition de tâches complexes en sous-tâches
• LangChain ecosystem : LLMs, chains, agents, tools, memory — architecture
• LangGraph : agents à états finis, cycles, branchements conditionnels
• Atelier : implémentation d'un agent ReAct simple avec LangChain

OUTILS ET MÉMOIRE

• Tools LangChain : DuckDuckGo, Python REPL, SQL, APIs personnalisées
• Création d'outils custom : décorateur @tool, description et paramètres
• Mémoire : ConversationBufferMemory, SummaryMemory, VectorStoreMemory
• Bases vectorielles : Chroma, Pinecone, pgvector — indexation et similarité
• Atelier : agent avec mémoire persistante et accès à une base de documents

MULTI-AGENTS : AUTOGEN ET CREWAI

• AutoGen : agents conversationnels, orchestration, UserProxy, AssistantAgent
• CrewAI : agents rôles, tasks, crew, process séquentiel/parallèle
• Patterns multi-agents : délégation, critique, spécialisation des rôles
• Gestion des erreurs et timeouts dans les workflows multi-agents
• Atelier : système multi-agents résolvant un problème de recherche complexe

RAG, DÉPLOIEMENT ET MONITORING

• Pipeline RAG complet : ingestion, chunking, embedding, retrieval, génération
• Optimisation RAG : re-ranking, HyDE, parent-child retrieval
• LangSmith : tracing, debugging, évaluation et monitoring des agents
• Déploiement : FastAPI wrapper, LangServe, Docker, variables d'environnement
• Atelier : déploiement d'un agent RAG sur une base documentaire d'entreprise

PROJET ET ÉVALUATION FINALE

• Livrable : agent IA multi-outils déployé, documenté et évalué
• Format : démonstration en direct et présentation de l'architecture
• Critères : fonctionnalité, qualité du RAG, monitoring, sécurité
• Revue collective : comparaison des architectures choisies
• Bilan : prochaines étapes (fine-tuning, agents spécialisés, production)