Construction de systèmes multi-agents utilisant LangGraph et Autogen

Aperçu

This course introduces the essentials of multi-agent AI systems using LangGraph and Autogen, combining architectural understanding with hands-on development of intelligent, collaborative agents. Designed to give you both conceptual foundations and practical experience, it explores how agent-based systems are redefining automation, decision-making, and AI-powered problem-solving.

Through guided lessons and coding demonstrations, you’ll learn how to construct multiple AI agents that communicate, plan, and execute tasks autonomously. You will work with LangGraph to structure agent workflows and use Autogen to enable dynamic interaction between agents.

The course covers key topics such as agent communication, reasoning loops, task decomposition, and coordination for real-world applications like research, analysis, and workflow management. By the end of this course, you will be able to:

• Understand the architecture, behavior, and lifecycle of multi-agent systems. • Build intelligent agents using LangGraph and Autogen for collaborative problem-solving. • Implement reasoning and communication strategies for effective task orchestration. • Evaluate and optimize multi-agent performance for scalability and reliability.

This course is ideal for developers, data scientists, and AI practitioners who want to learn how to design and deploy intelligent multi-agent systems that can perform complex workflows autonomously. A basic understanding of Python programming and familiarity with machine learning or AI concepts will be helpful, but no prior experience with LangGraph or Autogen is required.

Join us to explore the future of autonomous AI systems and learn how to build, coordinate, and optimize agents that think, collaborate, and act intelligently.

Programme

• Données en Temps Réel et Outils Avancés
Ce module explore comment les données en temps réel et les outils avancés permettent aux agents autonomes de prendre des décisions financières dynamiques. Vous apprendrez à intégrer des sources de données en direct, à valider les entrées, et à construire des ensembles multi-outils pour un raisonnement complexe. Enfin, vous appliquerez des techniques RAG pour indexer, interroger et analyser des données financières en temps réel.
• Collaboration Multiautagent et Prise de Décision
Ce module se penche sur la collaboration entre agents multiples, où des agents spécialisés travaillent ensemble pour analyser des données et prendre des décisions éclairées. Vous concevrez des rôles d'agents coordonnés et des protocoles de communication pour un travail d'équipe sans faille. Le module se termine par la création d'un flux de travail collaboratif complet qui génère des signaux de trading et équilibre le risque d'investissement.
• Sécurité, Auditabilité et Déploiement
Ce module se concentre sur la construction de systèmes d'agents IA sécurisés, auditables et évolutifs pour le déploiement dans le monde réel. Vous mettrez en œuvre des garde-fous, journalisation et mécanismes de sécurité pour garantir une exécution financière responsable. Enfin, vous emballerez, déploierez et évoluerez votre système de trading multiautagent en utilisant une infrastructure prête pour la production.
• Clôture du Cours et Évaluation
Ce module offre aux apprenants l'opportunité de synthétiser leurs connaissances et de démontrer leur maîtrise des flux de travail de l'IA à agent unique. Les apprenants passeront en revue les concepts clés des systèmes multiautagents, MCP et l'orchestration LangGraph. Ils réaliseront des évaluations notées, y compris des exercices basés sur des scénarios et des vérifications de connaissances de fin de cours, pour appliquer leur compréhension dans des contextes pratiques. À la fin de ce module, les apprenants seront capables de concevoir, mettre en œuvre et évaluer avec confiance un agent IA unique pleinement fonctionnel capable de raisonnement, d'utilisation d'outils et d'exécution de tâches concrètes.

Enseigné par

Edureka

Matières

Artificial Intelligence