Formation LangChain/LangGraph -- De zero a consultant IA

Formation complete et progressive pour maitriser LangChain, LangGraph et le developpement d'agents LLM en Python. 11 modules, ~52 heures, du premier appel API au deploiement en production.

---

Public cible

Developpeurs Python qui veulent devenir consultants IA capables de :

• Concevoir et deployer des agents LLM robustes pour des clients
• Evaluer, securiser et monitorer des systemes d'IA en production
• Mener un projet IA de bout en bout (architecture, implementation, livraison)

---

Prerequis

• Python 3.11+ -- fonctions, classes, async/await, TypedDict, dataclasses
• API REST -- savoir consommer une API HTTP, comprendre les codes de statut, JSON
• CLI -- confort avec le terminal (pip, pytest, variables d'environnement)
• Cle API OpenAI -- necessaire pour les appels LLM

---

Objectifs d'apprentissage

A l'issue de la formation, l'apprenant sera capable de :

1. M1 -- LLM Foundations : Appeler un LLM via API, maitriser le prompting et le streaming
2. M2 -- LangGraph : Orchestrer des workflows multi-etapes avec StateGraph, nodes et edges
3. M3 -- Agents et Tools : Construire des agents autonomes equipes d'outils (function calling + ReAct)
4. M4 -- RAG : Implementer un pipeline Retrieval-Augmented Generation complet (indexation, retrieval, generation)
5. M5 -- Context et Memory : Gerer la fenetre de contexte, la memoire conversationnelle et la compression de tokens
6. M6 -- Multi-Agent : Concevoir des systemes multi-agents avec delegation, supervision et communication
7. M7 -- Evaluation : Mesurer la qualite des sorties LLM (metriques, golden sets, boucles d'amelioration)
8. M8 -- Observabilite : Instrumenter un systeme LLM avec logging structure, tracing distribue et monitoring
9. M9 -- Securite : Appliquer les bonnes pratiques de securite (prompt injection, guardrails, validation)
10. M10 -- Deployment : Packager et deployer un agent LLM en production (API, conteneurs, CI/CD)
11. M11 -- Capstone : Realiser un projet complet intégrant l'ensemble des competences acquises

---

Structure de la formation

Vue d'ensemble

Phase	Module	Nom	Duree	Description
Phase 1 -- Fondations	M1	LLM Foundations	5h	Appels LLM, prompting, streaming, parametres
	M2	LangGraph	5h	StateGraph, nodes, edges, checkpointers, HITL
Phase 2 -- Capacites	M3	Agents et Tools	6h	Creation d'outils, function calling, pattern ReAct, boucle de raisonnement
	M4	RAG	6h	Embeddings, vector stores, retrieval, generation augmentee
	M5	Context et Memory	4h	Memoire rolling/episodique, compression, packing sous budget de tokens
Phase 3 -- Qualite	M6	Multi-Agent	4h	Orchestration multi-agents, delegation, supervision, patterns de communication
	M7	Evaluation	4h	BLEU, ROUGE, golden sets, reflection loops
	M8	Observabilite	4h	Logging JSON, tracing distribue, error monitoring
Phase 4 -- Ship	M9	Securite	4h	Prompt injection, guardrails, validation, normes
	M10	Deployment	4h	Conteneurisation, API serving, CI/CD, scalabilite
	M11	Capstone	4h	Projet de synthese de bout en bout

Total : 11 modules, ~52 heures

---

Analogies developpeur

Chaque concept LLM est relie a quelque chose que le developpeur connait deja :

Module	Concept	Analogie
M1	LLM	API REST avec comportement probabiliste
M2	LangGraph	Chaine de montage ou chaque poste transforme la piece (state)
M3	Agents et Tools	Developpeur avec sa boite a outils -- il choisit le bon outil selon le probleme
M4	RAG	Etudiant qui revise avec ses notes -- il cherche l'information avant de repondre
M5	Context	Valise avec limite de poids -- tu choisis ce qui est le plus important a emporter
M6	Multi-Agent	Equipe avec chef de projet -- chacun a un role, le chef coordonne
M7	Evaluation	Tests unitaires pour l'IA -- on verifie que les sorties sont conformes
M8	Observabilite	APM (Datadog, Prometheus) -- on instrumente pour voir ce qui se passe en production
M9	Securite	Normes de construction -- on valide la solidite avant de livrer
M10	Deployment	Emballer pour la livraison -- conteneuriser, versionner, deployer
M11	Capstone	Projet de fin d'etudes -- on assemble tout dans un livrable reel

---

Ponts entre modules

Chaque module s'appuie sur les acquis du precedent. Voici les concepts-ponts qui assurent la continuite :

Transition	Concept-pont
M1 vers M2	Le LLM est un noeud callable -- LangGraph orchestre plusieurs noeuds
M2 vers M3	Les nodes LangGraph deviennent des agents qui selectionnent et appellent des outils
M3 vers M4	Le retrieval est un outil specialise -- RAG structure l'acces a la connaissance
M4 vers M5	Le contexte recupere par RAG doit tenir dans la fenetre -- la gestion memoire optimise ce budget
M5 vers M6	Un agent avec memoire est puissant, plusieurs agents coordonnes le sont davantage
M6 vers M7	Un systeme multi-agent necessite des metriques pour valider le comportement de chaque agent
M7 vers M8	L'evaluation en dev devient le monitoring en production -- memes metriques, contexte different
M8 vers M9	L'observabilite revele les failles -- la securite les corrige et les previent
M9 vers M10	Un systeme securise est pret a etre deploye -- on le package pour la production
M10 vers M11	Le capstone assemble toutes les briques dans un projet livrable de bout en bout

---

Diagramme de progression

flowchart LR
    subgraph Phase1["Phase 1 -- Fondations (10h)"]
        M1["M1<br/>LLM Foundations<br/>5h"]
        M2["M2<br/>LangGraph<br/>5h"]
    end

    subgraph Phase2["Phase 2 -- Capacites (16h)"]
        M3["M3<br/>Agents et Tools<br/>6h"]
        M4["M4<br/>RAG<br/>6h"]
        M5["M5<br/>Context et Memory<br/>4h"]
    end

    subgraph Phase3["Phase 3 -- Qualite (8h)"]
        M6["M6<br/>Multi-Agent<br/>4h"]
        M7["M7<br/>Evaluation<br/>4h"]
        M8["M8<br/>Observabilite<br/>4h"]
    end

    subgraph Phase4["Phase 4 -- Ship (12h)"]
        M9["M9<br/>Securite<br/>4h"]
        M10["M10<br/>Deployment<br/>4h"]
        M11["M11<br/>Capstone<br/>4h"]
    end

    M1 --> M2 --> M3 --> M4 --> M5 --> M6 --> M7 --> M8 --> M9 --> M10 --> M11

    style M1 fill:#e3f2fd
    style M2 fill:#e3f2fd
    style M3 fill:#fff3e0
    style M4 fill:#fff3e0
    style M5 fill:#fff3e0
    style M6 fill:#e8f5e9
    style M7 fill:#e8f5e9
    style M8 fill:#e8f5e9
    style M9 fill:#f3e5f5
    style M10 fill:#f3e5f5
    style M11 fill:#f3e5f5

Loading

---

Approche pedagogique

Chaque module suit la meme structure en cinq temps :

Etape	Description
Theorie	Concepts expliques avec des analogies developpeur
Schemas	Diagrammes Mermaid pour visualiser les flux et les architectures
Code	Implementation Python commentee, progressive
Exercices	Pratique guidee en TDD (RED, GREEN, REFACTOR)
Anti-patterns	Erreurs courantes a eviter, avec explication du pourquoi

Les exercices suivent le pattern RED, GREEN, REFACTOR :

1. RED -- Les tests echouent (fonctions non implementees)
2. GREEN -- L'apprenant implemente les fonctions TODO
3. REFACTOR -- Les tests passent, on ameliore le code

Des fonctions *_solution() sont incluses pour verifier son travail a chaque etape.

---

Demarrage rapide

1. Configurer l'API key

export OPENAI_API_KEY="sk-..."

2. Commencer par le Module 1

cd ./01-llm-foundations
pip install -e .  # ou: uv pip install -e .

# Lancer les tests
pytest tests/ -v

# Faire les exercices
cd exercises
# Ouvrir le premier fichier et suivre les TODO

3. Progresser module par module

Chaque module est independant et installable :

cd ./02-langgraph && pip install -e .
cd ./03-agents-tools && pip install -e .
# ... etc

---

Arborescence

courses/
├── 01-llm-foundations/    # M1  : Fondations LLM
├── 02-langgraph/          # M2  : LangGraph
├── 03-agents-tools/       # M3  : Agents et Tools
├── 04-rag/                # M4  : RAG
├── 05-context/            # M5  : Context et Memory
├── 06-multi-agent/        # M6  : Multi-Agent
├── 07-eval/               # M7  : Evaluation
├── 08-obs/                # M8  : Observabilite
├── 09-security/           # M9  : Securite
├── 10-deployment/         # M10 : Deployment
├── 11-capstone/           # M11 : Capstone
└── README.md              # Ce fichier

---

Ressources

Documentation officielle

• LangChain Docs
• LangGraph Docs
• LangSmith

Concepts cles

• OpenAI API Reference
• Prompt Engineering Guide
• ReAct Paper

---

Licence

Ce projet est a but educatif.

---

Contribuer

Les contributions sont les bienvenues. Ouvrir une issue ou une PR pour :

• Corriger des erreurs
• Ameliorer les explications
• Ajouter des exercices

---

Commencer par le Module 1 : LLM Foundations