Bootcamp agents IA : LangChain, LangGraph, RAG & MCP
Intelligence artificielleIntermédiaireFrançais40 h8 modules32 leçonsCapstone inclus
Présentation de la formation
Cette édition adapte en français le bootcamp anglophone « AI Agents Bootcamp : LangChain, LangGraph, RAG & MCP (2026) ». Le dépôt de référence d'origine est https://github.com/pragatidev/AIAgentsBootcamp.git.
Elle vous emmène de la première boucle d'agent écrite à la main jusqu'à une équipe multi-agents mesurée et conforme, en huit modules qui accumulent une seule discipline : décider via une donnée typée, outiller avec des retours typés, borner la boucle, tracer chaque décision, ancrer chaque réponse et refuser honnêtement quand la base ne couvre pas la question.
Chaque module combine des leçons théoriques, un quiz auto-corrigé (6 questions, seuil 5/6), un laboratoire guidé pas à pas avec checklist de réussite et barème sur 20, et un livrable professionnel à déposer. Le fil rouge — les desks TechCorp et Dataflow — rend chaque mécanisme concret : le support client, la facturation, les remboursements irréversibles et les obligations RGPD/AI Act.
Aucune étape ne dépend d'un correcteur humain : le score global, le niveau de maîtrise et le certificat sont calculés automatiquement à partir de vos résultats au quiz, de vos livrables validés et de vos auto-évaluations de lab. Vous constituez, module après module, un portfolio de livrables directement réutilisables en entreprise.
Objectifs pédagogiques
- Expliquer ce qu'un modèle de langage fait réellement (prochain jeton, fenêtre de contexte, hallucinations)
- Maîtriser la couche « messages » : invites système, formats de conversation, sorties structurées et appel
- Écrire une boucle d'agent à la main, la casser volontairement trois fois et réparer chaque échec.
- Construire un assistant complet avec LangChain et `create_agent` : outils typés, middleware, barrière
- Dessiner des graphes LangGraph avec état typé, arêtes conditionnelles, cycle d'outils et réduveurs.
- Ajouter mémoire, points de contrôle, persistance, reprise, humain dans la boucle et plafonds de coût.
- Construire une chaîne RAG complète : chargement, découpage, plongements, index, récupérateur, ancrage,
- Instrumenter un système avec LangSmith : traces, jeux de données, évaluateurs, évaluations hors ligne et en
- Orchestrer une équipe multi-agents (AutoGen, CrewAI, LangFlow) et un agent profond de recherche.
- Servir un service RAG via FastAPI, Postgres et Docker, puis livrer une capstone complète.
Prérequis
- Un ordinateur avec 8 Go de RAM minimum (16 Go recommandé pour les labs Docker et le modèle local).
- Python 3.11+, Git, un éditeur de code (VS Code recommandé), un compte GitHub.
- Un **modèle local gratuit** servi par Ollama (`ollama pull qwen3:8b`) : tout le cours tourne sans clé d'API.
- Une clé de modèle hébergé (compatible OpenAI) est **optionnelle** et s'active par variable d'environnement.
- Pour les labs 6 à 10 : Docker et Docker Compose (Postgres/pgvector, serveur de développement LangGraph).
Public visé
Toute personne souhaitant acquérir ces compétences.
Programme détaillé
8 modules · 32 leçons · 8 quiz · 8 labs · 8 livrables
Module 1 — Agents IA et fondations des modèles
0 min- Leçon 1 — Qu'est-ce qu'un agent IA, et pourquoi ce bootcamp0 min
- Leçon 2 — Un environnement reproductible et sans clé0 min
- Leçon 3 — Ce qu'un modèle de langage fait réellement0 min
- Quiz auto-corrigé : Quiz — Agents IA et fondations des modèles6 questions · seuil 5/6
- Lab guidé : Config, environnement et premier appel modèle8 étapes · 0 min
- Livrable : du module4 critères de validation
Module 2 — Invites, messages, outils et sorties structurées
0 min- Leçon 1 — Messages, rôles et invite système0 min
- Leçon 2 — Sorties structurées : une forme, pas un paragraphe0 min
- Leçon 3 — L'appel d'outils au niveau de l'API0 min
- Leçon 4 — La boucle d'agent à la main0 min
- Quiz auto-corrigé : Quiz — Invites, messages, outils et sorties structurées6 questions · seuil 5/6
- Lab guidé : Boucle d'agent à la main de bout en bout8 étapes · 0 min
- Livrable : du module4 critères de validation
Module 3 — LangChain, contexte, outils et assistants robustes
0 min- Leçon 1 — Maîtriser le contexte : fichiers d'instructions, compaction, notes structurées0 min
- Leçon 2 — La mémoire des agents : fil, profil, similarité0 min
- Leçon 3 — LangChain et les outils : messages, outils typés, échecs0 min
- Leçon 4 — Un assistant robuste avec create_agent0 min
- Quiz auto-corrigé : Quiz — LangChain, contexte, outils et assistants robustes6 questions · seuil 5/6
- Lab guidé : Agent de support TechCorp avec create_agent8 étapes · 0 min
- Livrable : du module4 critères de validation
Module 4 — LangGraph : graphes et états
0 min- Leçon 1 — LangGraph expliqué simplement : nœuds, arêtes, état0 min
- Leçon 2 — Arêtes conditionnelles et aiguillage0 min
- Leçon 3 — Le cycle d'outils dans un graphe0 min
- Leçon 4 — État typé et réduveurs d'état0 min
- Quiz auto-corrigé : Quiz — LangGraph : graphes et états6 questions · seuil 5/6
- Lab guidé : Graphe de triage avec état et arêtes conditionnelles12 étapes · 0 min
- Livrable : du module4 critères de validation
Module 5 — LangGraph : cycle d'outils, mémoire, persistance et conformité
0 min- Leçon 1 — Mémoire d'un agent : fil, profil, notes notées0 min
- Leçon 2 — Persistance : points de contrôle, reprise, retour dans le temps0 min
- Leçon 3 — L'humain dans la boucle : parquer une action irréversible0 min
- Leçon 4 — Plafonds, journalisation et conformité0 min
- Quiz auto-corrigé : Quiz — LangGraph : cycle d'outils, mémoire, persistance et conformité6 questions · seuil 5/6
- Lab guidé : Desk Dataflow : mémoire, durabilité et humain dans la boucle8 étapes · 0 min
- Livrable : du module4 critères de validation
Module 6 — RAG : de la source à la réponse ancrée
0 min- Leçon 1 — Charger, découper : de la source aux segments0 min
- Leçon 2 — Plongements, index et base vectorielle0 min
- Leçon 3 — Du récupérateur à la réponse : route, retrieve, grade, rewrite0 min
- Leçon 4 — Ancrage, citations, refus et évaluation0 min
- Quiz auto-corrigé : Quiz — RAG : de la source à la réponse ancrée6 questions · seuil 5/6
- Lab guidé : Système RAG avec citations et refus8 étapes · 0 min
- Livrable : du module6 critères de validation
Module 7 — Évaluation, observabilité et fiabilité avec LangSmith
0 min- Leçon 1 — Tracer et explorer les runs dans LangSmith0 min
- Leçon 2 — Jeux de données et évaluateurs de base0 min
- Leçon 3 — Jeux de données et évaluateurs de base0 min
- Leçon 4 — Évaluation offline et en ligne0 min
- Leçon 5 — Prompts versionnés, annotations et LangSmith Studio0 min
- Quiz auto-corrigé : Quiz — Évaluation, observabilité et fiabilité avec LangSmith6 questions · seuil 5/6
- Lab guidé : Traces, jeux de données et évaluateurs LangSmith8 étapes · 0 min
- Livrable : du module5 critères de validation
Module 8 — Frameworks Multi-Agents et Gestion de l Équipe
0 min- Leçon 1 — LangFlow : les workflows visuels0 min
- Leçon 2 — Multi-agent systems : la théorie0 min
- Leçon 3 — AutoGen : le framework Microsoft0 min
- Leçon 4 — Projet AutoGen portfolio0 min
- Quiz auto-corrigé : Quiz — Frameworks Multi-Agents et Gestion de l Équipe6 questions · seuil 5/6
- Lab guidé : Équipe multi-agents : support customer care8 étapes · 0 min
- Livrable : du module5 critères de validation
Projet final (capstone) : Plateforme d'agents en production
9 étapes · durée estimée 0 min · 4 livrables attendus
Le capstone est le projet final du bootcamp : vous concevez, outillez, évaluez, sécurisez et documentez un agent IA utile à un cas métier réel, puis vous en démontrez le fonctionnement en conditions réalistes. Le projet est volontairement transverse : il mobilise les huit modules, de la boucle écrite à la main (module 2) à l'équipe multi-agents mesurée (module 8).
Aucun sujet imposé : choisissez un cas d'usage crédible et délimité (assistant documentaire interne, tri de tickets de support, préparation de devis, contrôle qualité de données, aide à la décision réglementaire…). L'évaluation porte sur la rigueur d'ingénierie et votre capacité à justifier vos choix, pas sur l'originalité du domaine.
Le projet est noté sur 30 points avec la grille publique ci-dessous, que vous appliquez vous-même critère par critère avant de soumettre vos rendus (dépôt Git, démonstration de 3 minutes, étude de cas de 2 pages).