Formation LangGraph : multi agents IA

Programme de notre formation LangGraph

[Jour 1 – Matin]

Fondamentaux et streaming

• Tour de table : niveau, objectifs, attentes
• Présentation du fil rouge CakeSmart et de l’écosystème LangChain / LangGraph / LangSmith
• Setup avec uv : uv init , uv add langgraph , uv run
• LangGraph = automate à état fini : nœuds START , END , intermédiaires
• 4 types de nœuds : LLM, Tool, Agent (sous-graphe), Logic
• State ( TypedDict / MessagesState ), Nœuds, Arêtes (fixes et conditionnelles)
• invoke vs stream (modes values / updates / debug ) et astream_events
• TP 1.1 – Streaming : conversion invoke -> stream , outils prix/disponibilité/délai.
• TP 1.2 – CakeSmart base : premier graphe personnalisé, node_llm / node_tools , outils CSV.

[Jour 1 – Après-midi]

Human-in-the-loop et sous-graphes

• StateGraph , add_node , add_edge , add_conditional_edges , compile()
• Gestion du State : operator.add , Annotated (accumulation vs écrasement)
• Checkpointers : MemorySaver , SqliteSaver , PostgresSaver
• Human-in-the-loop : interrupt_before , get_state , update_state
• Sous-graphes : graphes imbriqués, clés de state partagées, xray=True
• TP 2.1 – Human-in-the-loop : point d’arrêt avant action sensible, validation humaine.
• TP 2.2 – Sous-graphes : sous-graphes consultation / modification + superviseur parent.
• Bonus : routage dynamique conditionnel selon un critère métier.

[Jour 2 – Matin]

Multi-agents et persistance

• Outils personnalisés ( @tool ) connectés à des sources réelles (CSV/SQL, API)
• model.bind_tools(tools) : exposer la trousse à outils au LLM
• Pattern Superviseur / Workers : routage JSON strict, temperature=0
• Persistance SQLite : SqliteSaver , thread_id par client
• TP 2.3 – Superviseur multi-agents : superviseur + 3 agents (Commandes, Catalogue, Réclamations).
• TP 3.1 – Persistance SQLite : migration MemorySaver -> SqliteSaver , scénario multi-clients.
• Bonus : point d’arrêt human-in-the-loop avant mise à jour sensible.

[Jour 2 – Après-midi]

RAG, monitoring et validation

• RAG dans LangGraph : FAISS , OpenAIEmbeddings , RecursiveCharacterTextSplitter , routage adaptatif
• Monitoring LangSmith : traces, datasets, évaluateurs, LANGCHAIN_TRACING_V2
• Bonnes pratiques d’industrialisation : optimisation coûts, Superviseur vs Swarm vs graphe custom
• TP 3.2 – Agent Catalogue RAG : indexation FAISS, nœud retrieval, nœud décideur (RAG ou direct).
• TP 3.3 – Évaluation LangSmith : dataset, fonction cible, évaluateurs, analyse des traces.
• Clôture : QCM de validation des acquis (20 min) + questionnaire de satisfaction + questions finales.