This course guides learners through the essentials of implementing intelligent agents using LangGraph. Learners will explore external tools and APIs, and learn how to integrate them effectively within their agents.
Key lessons include interacting with databases and implementing LangGraph Database Agents for efficient data retrieval. The course covers advanced topics like Retrieval Augmented Generation, incorporating human-in-the-loop strategies, and ensuring agent observability and reliability.
Finally, learners will apply these concepts in a hands-on project, designing an Energy Advisor agent, which synthesizes their knowledge into a practical application.
- Introduction
Rencontrez votre instructeur et obtenez un aperçu du cours sur la création de systèmes agentiques dans LangGraph.
- Outils externes et API
Explorez l'utilisation d'API externes pour les données en temps réel, les actions dynamiques et l'authentification des agents. Découvrez MCP, un protocole standardisant l'interopérabilité et la sécurité des outils de l'IA.
- Intégration d'outils externes et API avec LangChain
Apprenez à intégrer des API externes en tant qu'outils dans LangChain via LangGraph, permettant aux agents de récupérer des données en temps réel et d'enrichir les réponses LLM avec des flux de travail structurés et une logique de routage.
- Interaction avec les bases de données
Équipez les agents pour accéder et modifier des données structurées en utilisant SQL pour l'interaction et des bases de données vectorielles pour les tâches sémantiques, assurant une intégration harmonieuse avec les systèmes privés.
- Agents de bases de données LangGraph
Apprenez à construire des agents de bases de données LangGraph qui utilisent l'IA pour convertir le langage naturel en requêtes SQL, permettant aux utilisateurs d'interroger les bases de données de manière conversationnelle sans écrire de SQL.
- Génération augmentée par récupération agentique
Découvrez Agentic RAG : améliorez RAG en permettant la réflexion, la reformulation de requêtes et l'adaptation intelligente pour des réponses nuancées. Maîtrisez la récupération, le raisonnement et les boucles de réessai.
- Génération augmentée par récupération à un seul agent dans LangGraph
Explorez la génération augmentée par récupération à un seul agent dans LangGraph, ajoutant une prise de décision agentique pour une recherche web dynamique et des réponses IA améliorées et fondées sur la connaissance.
- Boucle humaine et observabilité
Explorez les techniques de bouclage humain et d'observabilité pour surveiller, déboguer et optimiser les agents IA, garantissant une supervision, une transparence et une performance fiable à grande échelle.
- Observabilité des agents LangGraph
Apprenez à utiliser MLflow avec LangGraph et LangChain pour tracer, enregistrer et inspecter chaque étape des flux de travail des agents, permettant un meilleur débogage, une transparence et une observabilité.
- Agents LangGraph avec boucle humaine
Explorez comment ajouter des approbations ou modifications humaines à des points clés dans les flux de travail des agents LangGraph, renforçant la sécurité et le contrôle avec des techniques de boucle humaine.
- Fiabilité et évaluation des agents
Découvrez comment construire des agents IA fiables en définissant des métriques de succès, une évaluation efficace, une surveillance continue, et en appliquant les meilleures pratiques pour la confiance et l'impact réel.
- Évaluation des agents LangGraph
Apprenez à construire, évaluer, et évaluer des pipelines RAG et des flux de travail d'agents LangGraph en utilisant RAGAS et MLflow pour l'évaluation de la qualité et de la correction.
- Projet : Conseiller en énergie
Dans ce projet, vous construirez un agent IA avec LangChain pour optimiser l'utilisation de l'énergie d'EcoHome, intégrant des API, une base de données et une recherche vectorielle, avec orchestration et évaluation LangGraph.
