Invitation à un Raisonnement et une Planification Efficaces avec les Modèles de Langage de Grande Taille (LLM)

Aperçu

Go beyond basic chatbots and learn to engineer sophisticated AI agents. Learn advanced prompting techniques that power modern AI.

You'll master Chain-of-Thought, ReAct, and feedback loops to build systems that can reason, plan, and solve complex problems. Through hands-on exercises, you will transform generic AI into specialized, reliable tools, culminating in building a multi-agent travel planner from scratch.

Programme

• Introduction à l'incitation pour un raisonnement et une planification efficaces des LLM
Présente les concepts de base de l'Agentic AI, la structure du cours, les prérequis et l'environnement d'apprentissage.
• Le rôle de l'incitation dans l'Agentic AI avec Python et OpenAI
Apprenez ce que sont les agents AI et comment ils fonctionnent. Comprenez le rôle crucial que joue l'incitation pour les guider à raisonner, planifier et agir pour atteindre des objectifs.
• Incitation basée sur le rôle
Explique la théorie de l'utilisation des rôles ou des personnages pour contrôler le ton, le style et l'expertise de la sortie d'un LLM.
• Mise en œuvre de l'incitation basée sur le rôle avec Python
Fournit une pratique pratique pour développer itérativement une incitation basée sur le rôle afin de créer un personnage historique crédible.
• Incitation de la chaîne de pensée et ReACT
Explique les cadres conceptuels pour la chaîne de pensée (CoT) pour un raisonnement guidé et ReAct (Reason+Act) pour permettre aux agents de planifier et prendre des actions.
• Application de l'incitation CoT et ReACT avec Python
Fournit une pratique pratique pour implémenter des incitations CoT et ReAct pour résoudre un problème d'analyse de commerce de détail.
• Affinement des instructions d'incitation
Explique la théorie de l'affinement systématique des instructions d'incitation en modifiant des composants comme le rôle, la tâche, le contexte, les exemples et le format de sortie.
• Application de l'affinement des instructions d'incitation avec Python
Fournit une pratique pratique pour affiner itérativement une incitation pour transformer un analyseur de recettes générique en un consultant diététique précis qui produit un JSON structuré.
• Enchaînement des incitations pour le raisonnement agentique
Explique le cadre conceptuel pour construire des flux de travail AI en plusieurs étapes en reliant la sortie d'une incitation à l'entrée de la suivante, et l'importance de la validation.
• Enchaînement des incitations avec Python
Fournit une pratique pratique pour implémenter une chaîne d'incitations en trois étapes avec des vérifications de porte basées sur Pydantic pour automatiser un processus de triage de réclamations d'assurance.
• Boucles de rétroaction des LLM
Explique le cadre conceptuel pour construire des systèmes auto-améliorants où un agent utilise le retour d'information de ses propres actions pour affiner itérativement sa sortie.
• Mise en œuvre des boucles de rétroaction des LLM avec Python
Fournit une pratique pratique pour construire une boucle de rétroaction automatisée où un AI génère du code Python, le teste contre une suite de tests unitaires, et utilise les résultats des tests comme retour d'information pour se déboguer.
• Félicitations !
Revue du cours
• Projet : Planificateur de voyage AgentsVille : un système d'assistant de voyage multi-agents
Dans ce projet, vous construirez un système d'assistant de voyage agentique, le "Planificateur de Voyage AgentsVille".

---

Enseigné par

Brian Cruz

---

Matières

Computer Science