{"product_id":"138723","title":"Introduction pratique aux agents RAG et IA implémentés avec LangChain et LangGraph ","description":"\u003ccenter\u003e\u003cdiv style=\"text-align:center\"\u003e\u003cimg src=\"https:\/\/tmgdisk01.cafe24.com\/images\/vs\/4172\/sv\/3jXPCfB5rsFOpISxUPYXyQCZeDC6BV.png?v=1765067365\" style=\"max-width:100%;max-height:10px\"\u003e\u003c\/div\u003e\u003c\/center\u003e\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\u003ccenter\u003e\n\n\u003cdiv style=\"width:95%\"\u003e\n\n\u003cdiv style=\"text-align:center;font-size:30px;font-weight:bolder;line-height:1.6em\"\u003e Introduction pratique aux agents RAG et IA implémentés avec LangChain et LangGraph \u003c\/div\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003cdiv style=\"border-bottom:1px;border-bottom-style:dotted;border-color:;padding-bottom:20px\"\u003e\u003ccenter\u003e\u003ctable align=\"center\" width=\"100%\"\u003e\u003ctbody style=\"border:0px\"\u003e\n\n\u003ctr\u003e\u003ctd align=\"center\" style=\"line-height:1.2em;text-align:center;font-size:18px;color:black;font-weight:bold;padding-bottom:20px;\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\n\n\u003ctr\u003e\u003ctd style=\"text-align:center\"\u003e\u003cimg src=\"https:\/\/image.yes24.com\/goods\/147123137\/XL\" style=\"max-width:100%;height:auto\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\n\n\n\u003c\/tbody\u003e\u003c\/table\u003e\u003c\/center\u003e\u003c\/div\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003cdiv style=\"width:95%;{split_style6}padding-top:20px;padding-bottom:20px\"\u003e\n\n\u003cdiv style=\"text-align:left;font-size:16px;font-weight:bold;padding-bottom:20px\"\u003e Description \u003c\/div\u003e\n\n\u003cdiv style=\"text-align:left;word-break:break-all;font-size:14px;line-height:1.6em;\"\u003e\n\n\u003cdiv\u003e\u003ch5\u003e \u003cb\u003eIntroduction au livre\u003c\/b\u003e\n\u003c\/h5\u003e\u003c\/div\u003e\n\u003cdiv\u003e\n\u003cdiv\u003e\u003cdiv\u003e \u003cb\u003eMaîtrisez tout, de la conception RAG aux modèles de conception d'agents IA et à la pratique spécifique des agents IA !\u003c\/b\u003e\u003cbr\u003e \u003cbr\u003eGrâce à divers services d'API LLM tels qu'OpenAI, Google et Anthropic, les développeurs d'applications peuvent facilement créer des systèmes d'IA.\u003cbr\u003e Cependant, aller au-delà des simples chatbots qui interagissent avec les gens pour créer de véritables agents d'IA capables d'effectuer des tâches de manière autonome représente un nouveau défi.\u003cbr\u003e Ce livre vous guide pas à pas à travers l'API Chat d'OpenAI et les bases de LangChain, jusqu'à la construction d'un système d'agent IA avancé utilisant LangGraph.\u003cbr\u003e\u003cbr\u003e Au-delà des simples systèmes RAG (génération de recherche augmentée), vous pouvez construire une base solide pour répondre aux futures avancées de la technologie IA grâce à des modèles de conception d'agents IA et à un code d'implémentation qui exécutent de manière autonome des flux de travail complexes.\u003cbr\u003e\n\n\u003c\/div\u003e\u003c\/div\u003e\n\u003cdiv\u003e\u003cul\u003e\u003cli\u003e Vous pouvez consulter un aperçu du contenu du livre.\u003cbr\u003e \u003cspan\u003eAperçu\u003c\/span\u003e\n\n\u003c\/li\u003e\u003c\/ul\u003e\u003c\/div\u003e\n\u003c\/div\u003e \",\"\u003cdiv\u003e\u003ch5\u003e \u003cb\u003eindice\u003c\/b\u003e\n\u003c\/h5\u003e\u003c\/div\u003e\n\u003cdiv\u003e\n\u003cdiv\u003e \u003cb\u003e▣ Chapitre 1 : Principes fondamentaux du développement de candidatures pour le LLM\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 1.1 L'intelligence artificielle générative commence à être utilisée\u003cbr\u003e 1.2 Copilote vs. Agent IA  \u003cbr\u003e1.3 Tout devient un agent d'IA\u003cbr\u003e 1.4 Carte des connaissances des agents d'IA\u003cbr\u003e 1.5 Résumé\u003cbr\u003e\u003cbr\u003e \u003cb\u003e▣ Chapitre 2 : Principes de base de l’API de chat OpenAI\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 2.1 Modèle de conversation d'OpenAI\u003cbr\u003e __Modèle de ChatGPT\u003cbr\u003e __Modèles de chat disponibles dans l'API OpenAI\u003cbr\u003e __Aperçu du modèle\u003cbr\u003e 2.2 Principes de base de l'API de chat d'OpenAI\u003cbr\u003e API de complétion de chat\u003cbr\u003e Frais de l'API __Chat Completions\u003cbr\u003e __Vérifiez les frais encourus\u003cbr\u003e 2.3 « Jetons » ayant une incidence sur les limites de longueur des entrées\/sorties et les frais\u003cbr\u003e __jeton\u003cbr\u003e Présentation de __Tokenizer et TikToken\u003cbr\u003e À propos du nombre de jetons en coréen\u003cbr\u003e 2.4 Préparation de l'environnement de test de l'API de complétion de chat\u003cbr\u003e __Qu'est-ce que Google Colab ?\u003cbr\u003e __Créez un bloc-notes Google Colab\u003cbr\u003e Inscrivez-vous pour utiliser l'API OpenAI\u003cbr\u003e Préparez votre clé API OpenAI\u003cbr\u003e 2.5 Exercices pratiques sur l'API de complétion de chat\u003cbr\u003e Bibliothèque OpenAI\u003cbr\u003e Appel API __Chat Completions\u003cbr\u003e Obtenez des réponses qui tiennent compte de l'historique des conversations\u003cbr\u003e Réception des réponses en continu\u003cbr\u003e __Paramètres de base\u003cbr\u003e Mode JSON\u003cbr\u003e __Vision (entrée image)\u003cbr\u003e 2.6 Appel de fonction\u003cbr\u003e Aperçu des appels de fonctions\u003cbr\u003e __Code d'appel de fonction\u003cbr\u003e Paramètre __tool_choice\u003cbr\u003e 2.7 Résumé\u003cbr\u003e \u003cbr\u003e\u003cb\u003e▣ Chapitre 3 : Ingénierie rapide\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 3.1 La nécessité d'une ingénierie rapide\u003cbr\u003e 3.2 Qu'est-ce que Prompt Engineering ?\u003cbr\u003e 3.3 Composantes de base d'une invite\u003cbr\u003e __Sujet : Application d’IA de génération de recettes\u003cbr\u003e Modèle de l'invite\u003cbr\u003e __Séparer les commandes et les données d'entrée\u003cbr\u003e __Fournir le contexte\u003cbr\u003e __Spécifiez le format de sortie\u003cbr\u003e __Résumé des composants de l'invite\u003cbr\u003e 3.4 Techniques représentatives d'ingénierie rapide\u003cbr\u003e __Instruction zéro-shot\u003cbr\u003e __Instruction à quelques coups\u003cbr\u003e __Incitation à la chaîne de pensée zéro coup\u003cbr\u003e 3.5 Résumé\u003cbr\u003e\u003cbr\u003e \u003cb\u003e▣ Chapitre 4 : Notions de base de LangChain\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 4.1 Présentation de LangChain\u003cbr\u003e __Pourquoi devriez-vous apprendre LangChain ?\u003cbr\u003e __LangChain structure globale\u003cbr\u003e __Un ensemble de paquets fournissant divers composants de LangChain\u003cbr\u003e __Installation de LangChain\u003cbr\u003e Paramètres __LangSmith\u003cbr\u003e Composants principaux de __LangChain\u003cbr\u003e 4.2 Modèle LLM\/Chat\u003cbr\u003e __LLM\u003cbr\u003e Modèle de chat\u003cbr\u003e __Streaming\u003cbr\u003e Relation d'héritage entre __LLM et le modèle de chat\u003cbr\u003e Résumé du modèle __LLM\/Chat\u003cbr\u003e 4.3 Modèle d'invite\u003cbr\u003e __PromptTemplate\u003cbr\u003e __Modèle d'invite de chat\u003cbr\u003e __MessagesPlaceholder\u003cbr\u003e __Les suggestions de LangSmith\u003cbr\u003e __Résumé du modèle d'invite  \u003cbr\u003e4.4 Analyseur de sortie\u003cbr\u003e Aperçu de l'analyseur de sortie\u003cbr\u003e Conversion d'objets Python à l'aide de __PydanticOutputParser\u003cbr\u003e __StrOutputParser\u003cbr\u003e __Résumé de l'analyseur syntaxique de sortie\u003cbr\u003e 4.5 Présentation du langage d'expression Chain?Lang (LCEL)\u003cbr\u003e __Qu'est-ce que le langage d'expression LangChain (LCEL) ?\u003cbr\u003e Connexion de l'invite et du modèle\u003cbr\u003e Ajoutez __StrOutputParser à la connexion\u003cbr\u003e Connexion via __PydanticOutputParser\u003cbr\u003e Résumé de la chaîne\u003cbr\u003e 4.6 Composants liés à RAG de LangChain\u003cbr\u003e __RAG (Génération augmentée par la récupération)\u003cbr\u003e Aperçu des composants RAG de LangChain\u003cbr\u003e Chargeur de documents\u003cbr\u003e __Transformateur de documents\u003cbr\u003e Modèle d'intégration\u003cbr\u003e __Boutique de vecteurs\u003cbr\u003e Implémentation de la chaîne RAG à l'aide de LCEL\u003cbr\u003e __Résumé des composants liés à RAG de LangChain\u003cbr\u003e 4.7 Résumé\u003cbr\u003e\u003cbr\u003e \u003cb\u003e▣ Chapitre 5 : Explication détaillée du langage d’expression LangChain (LCEL)\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 5.1 Runnable et RunnableSequence\u003cbr\u003e Les composants de base de __LCEL\u003cbr\u003e __Méthodes d'exécution exécutables―invoke·stream·batch\u003cbr\u003e Connexion de plusieurs Runnables avec '|' dans __LCEL\u003cbr\u003e Vérification du fonctionnement interne de Chain dans LangSmith\u003cbr\u003e 5.2 RunnableLambda - Transformer une fonction arbitraire en une fonction exécutable  \u003cbr\u003eImplémentation de RunnableLamda à l'aide du décorateur __chain\u003cbr\u003e Conversion automatique de __RunnableLambda\u003cbr\u003e Faites attention aux types d'entrée et de sortie de __Runnable\u003cbr\u003e 5.3 RunnableParallel - Connexion de plusieurs Runnables en parallèle\u003cbr\u003e Connecter la sortie de __RunnableParallel à l'entrée de Runnable\u003cbr\u003e Conversion automatique __RunnableParallel\u003cbr\u003e Combinaison avec __RunnableLambda — Exemple utilisant itemgetter\u003cbr\u003e 5.4 RunnablePassthrough - Sortie de l'entrée telle quelle\u003cbr\u003e __assign―Ajout de valeurs à la sortie de RunnableParallel\u003cbr\u003e 5.5 Résumé\u003cbr\u003e\u003cbr\u003e \u003cb\u003e▣ Chapitre 6 : RAG avancé\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 6.1 Aperçu avancé de RAG\u003cbr\u003e 6.2 Préparation du laboratoire\u003cbr\u003e 6.3 Techniques de requête de recherche\u003cbr\u003e Intégrations de documents hypothétiques (HyDE)\u003cbr\u003e __Créer plusieurs requêtes de recherche\u003cbr\u003e Résumé des techniques de requête de recherche\u003cbr\u003e 6.4 Techniques de post-recherche\u003cbr\u003e __RAG-Fusion\u003cbr\u003e Aperçu du modèle de réorganisation\u003cbr\u003e Préparation à l'utilisation du modèle Cohere Rerank\u003cbr\u003e __Présentation du modèle de réorganisation Cohere\u003cbr\u003e __Résumé des techniques de post-recherche\u003cbr\u003e 6.5 Techniques d'utilisation de plusieurs retrievers\u003cbr\u003e Routage par __LLM\u003cbr\u003e Exemple de recherche hybride\u003cbr\u003e __Implémentation de la recherche hybride  \u003cbr\u003e__Résumé des techniques utilisant plusieurs récupérateurs\u003cbr\u003e 6.6 Résumé\u003cbr\u003e\u003cbr\u003e \u003cb\u003e▣ Chapitre 7 : Évaluation des applications RAG à l’aide de LangSmith\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 7.1 Aperçu de l'évaluation traitée au chapitre 7\u003cbr\u003e Évaluations hors ligne et en ligne\u003cbr\u003e 7.2 Présentation de LangSmith\u003cbr\u003e Plan tarifaire LangSmith\u003cbr\u003e __LangSmith structure globale de la fonction\u003cbr\u003e 7.3 Exemple de configuration d'évaluation hors ligne utilisant LangSmith et Ragas\u003cbr\u003e __Ragas\u003cbr\u003e __Configuration d'évaluation hors ligne à construire dans ce chapitre\u003cbr\u003e 7.4 Génération de données de test synthétiques à l'aide de Ragas\u003cbr\u003e Aperçu des capacités de génération de données de test synthétiques de Ragas\u003cbr\u003e Installation du paquet __\u003cbr\u003e __Charger le document à rechercher\u003cbr\u003e __Implémentation de la génération de données de test synthétiques à l'aide de Ragas\u003cbr\u003e __Création de l'ensemble de données de LangSmith\u003cbr\u003e __Enregistrer les données de test synthétiques\u003cbr\u003e 7.5 Mise en œuvre de l'évaluation hors ligne à l'aide de LangSmith et Ragas\u003cbr\u003e Aperçu de l'évaluation hors ligne de LangSmith\u003cbr\u003e Évaluateurs disponibles\u003cbr\u003e Métriques d'évaluation de Ragas\u003cbr\u003e __Mise en œuvre d'un évaluateur personnalisé\u003cbr\u003e __Implémentation de la fonction d'inférence\u003cbr\u003e Mise en œuvre et exécution de l'évaluation hors ligne\u003cbr\u003e __Précautions d'évaluation hors ligne  \u003cbr\u003e7.6 Collecte de commentaires à l'aide de LangSmith\u003cbr\u003e __Aperçu des fonctionnalités de retour d'information à implémenter dans cette section\u003cbr\u003e Implémentez une fonction pour afficher le bouton de commentaires\u003cbr\u003e __Afficher le bouton de commentaires\u003cbr\u003e 7.7 Traitement automatique pour l'utilisation des retours d'information\u003cbr\u003e Traitement utilisant des règles d'automatisation\u003cbr\u003e __Ajouter automatiquement des traces d'évaluation de bonne qualité à l'ensemble de données\u003cbr\u003e 7.8 Résumé\u003cbr\u003e\u003cbr\u003e \u003cb\u003e▣ Chapitre 8 : Qu'est-ce qu'un agent IA ?\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 8.1 Attentes concernant l'utilisation des LLM pour les agents d'IA\u003cbr\u003e 8.2 Les origines des agents d'IA et leur évolution à travers le LLM\u003cbr\u003e Agent d'IA basé sur __LLM\u003cbr\u003e __WebGPT\u003cbr\u003e __Suspension de la chaîne de pensée\u003cbr\u003e __MRKL Systems combine un LLM et des modules professionnels externes\u003cbr\u003e __Raisonnement et action (ReAct)\u003cbr\u003e __Invite à planifier et à résoudre\u003cbr\u003e 8.3 Cadre d'agent LLM à usage général\u003cbr\u003e __AutoGPT\u003cbr\u003e __BabyAGI\u003cbr\u003e __AutoGen\u003cbr\u003e __crewAI\u003cbr\u003e Cas d'utilisation de __crewAI\u003cbr\u003e 8.4 Approche multi-agents\u003cbr\u003e Définition de multi-agent\u003cbr\u003e Amélioration de la précision de la conversion de texte en SQL grâce à l'utilisation de plusieurs agents\u003cbr\u003e __Automatisation du développement logiciel avec plusieurs agents  \u003cbr\u003eAgents auto-organisés : Générer et optimiser du code à grande échelle\u003cbr\u003e Cadre multi-agents basé sur LLM\u003cbr\u003e 8.5 Pour que les agents d'IA soient distribués en toute sécurité\u003cbr\u003e 8.6 Résumé\u003cbr\u003e\u003cbr\u003e \u003cb\u003e▣ Chapitre 9 : Introduction pratique aux agents d’IA utilisant LangGraph\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 9.1 Présentation de LangGraph\u003cbr\u003e Qu'est-ce que LangGraph ?\u003cbr\u003e Approche de structure de graphe __LangGraph\u003cbr\u003e 9.2 Composants clés de LangGraph\u003cbr\u003e __state : Représente l’état du graphe\u003cbr\u003e __Nœud : Unité de traitement constituant un graphe\u003cbr\u003e __Arête : Connexion entre les nœuds\u003cbr\u003e Graphique compilé\u003cbr\u003e 9.3 Exercices pratiques : Questions et réponses sur l’application\u003cbr\u003e Installation de LangChain et LangGraph\u003cbr\u003e __Configuration d'une clé API OpenAI\u003cbr\u003e __Définition du rôle\u003cbr\u003e __définition d'état\u003cbr\u003e Initialisation du modèle de chat\u003cbr\u003e __node définition\u003cbr\u003e Création de graphes\u003cbr\u003e Ajouter __node\u003cbr\u003e Définition de bord\u003cbr\u003e __Définition conditionnelle des bords\u003cbr\u003e __Compilation de graphiques\u003cbr\u003e Graphique d'exécution\u003cbr\u003e Afficher les résultats\u003cbr\u003e 9.4 Point de contrôle : persistance de l’état et reprise\u003cbr\u003e __Structure de données du point de contrôle\u003cbr\u003e Exercice pratique : Vérification du fonctionnement du point de contrôle\u003cbr\u003e 9.5 Résumé\u003cbr\u003e \u003cbr\u003e\u003cb\u003e▣ Chapitre 10 : Création d’un document de définition des exigences et développement d’un agent d’IA\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 10.1 Aperçu de la génération de documents de définition des exigences pour l'agent IA\u003cbr\u003e __Qu'est-ce qu'une définition des exigences ?\u003cbr\u003e Se référer à l'approche des recherches précédentes\u003cbr\u003e Conception avec le flux de travail de LangGraph\u003cbr\u003e 10.2 Préférences\u003cbr\u003e 10.3 Définition des structures de données\u003cbr\u003e 10.4 Mise en œuvre des composants clés\u003cbr\u003e __PersonaGenerator\u003cbr\u003e __Conducteur d'interview\u003cbr\u003e __Évaluateur d'informations\u003cbr\u003e Générateur de documents d'exigences\u003cbr\u003e 10.5 Création d'un flux de travail\u003cbr\u003e 10.6 Exécution de l'agent et vérification des résultats\u003cbr\u003e 10.7 Code source complet\u003cbr\u003e 10.8 Résumé\u003cbr\u003e\u003cbr\u003e \u003cb\u003e▣ Chapitre 11 : Modèles de conception d’agents\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 11.1 Aperçu du modèle de conception d'agent\u003cbr\u003e __Qu'est-ce qu'un modèle de conception ?\u003cbr\u003e __Domaines problématiques abordés par le modèle de conception d'agent\u003cbr\u003e __Définition de l'emplacement du modèle de conception de l'agent\u003cbr\u003e Diagramme global du modèle de conception d'agent\u003cbr\u003e 11.2 18 Modèles de conception d'agents\u003cbr\u003e __1.\u003cbr\u003e Créateur d'objectifs passifs\u003cbr\u003e __2.\u003cbr\u003e Créateur d'objectifs proactif\u003cbr\u003e __3. \u003cbr\u003eOptimiseur de prompt\/réponse\u003cbr\u003e __4.\u003cbr\u003e Génération augmentée par la récupération (RAG)\u003cbr\u003e __5.\u003cbr\u003e Générateur de plan à chemin unique\u003cbr\u003e __6.\u003cbr\u003e Générateur de plans à chemins multiples\u003cbr\u003e __7.\u003cbr\u003e Auto-réflexion\u003cbr\u003e __8.\u003cbr\u003e Réflexion croisée\u003cbr\u003e __9.\u003cbr\u003e Réflexion humaine\u003cbr\u003e __10.\u003cbr\u003e Requête de modèle en une seule étape\u003cbr\u003e __11.\u003cbr\u003e Interrogation de modèles incrémentaux\u003cbr\u003e __12.\u003cbr\u003e Coopération fondée sur le vote\u003cbr\u003e __13.\u003cbr\u003e Coopération fondée sur les rôles\u003cbr\u003e __14.\u003cbr\u003e Coopération fondée sur le débat\u003cbr\u003e __15.\u003cbr\u003e Garde-fous multimodaux\u003cbr\u003e __16.\u003cbr\u003e Registre des outils\/agents\u003cbr\u003e __17.\u003cbr\u003e Adaptateur d'agent\u003cbr\u003e __18.\u003cbr\u003e Évaluateur d'agents\u003cbr\u003e 11.3 Résumé\u003cbr\u003e\u003cbr\u003e \u003cb\u003e▣ Chapitre 12 : Modèles de conception d’agents implémentés avec LangChain\/LangGraph\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 12.1 Modèles de conception d'agents abordés dans ce chapitre  \u003cbr\u003e12.2 Préférences\u003cbr\u003e __À propos du code d'implémentation pour chaque modèle\u003cbr\u003e 12.3 Créateur d'objectifs passifs\u003cbr\u003e Explication des détails de mise en œuvre\u003cbr\u003e __Résultat de l'exécution\u003cbr\u003e 12.4 Optimiseur de prompt\/réponse\u003cbr\u003e Explication des détails de mise en œuvre\u003cbr\u003e __Optimisation rapide\u003cbr\u003e __Optimisation de la réponse\u003cbr\u003e Générateur de plan à passage unique 12.5\u003cbr\u003e Explication des détails de mise en œuvre\u003cbr\u003e __Résultat de l'exécution\u003cbr\u003e 12.6 Générateur de plans multi-passes\u003cbr\u003e Explication des détails de mise en œuvre\u003cbr\u003e __Résultat de l'exécution\u003cbr\u003e 12.7 Auto-réflexion\u003cbr\u003e Explication des détails de mise en œuvre\u003cbr\u003e __Résultat de l'exécution\u003cbr\u003e 12.8 Réflexion croisée\u003cbr\u003e Explication des détails de mise en œuvre\u003cbr\u003e __Résultat de l'exécution\u003cbr\u003e 12.9 Coopération fondée sur les rôles\u003cbr\u003e Explication des détails de mise en œuvre\u003cbr\u003e __Résultat de l'exécution\u003cbr\u003e Résumé du 12.10\u003cbr\u003e\u003cbr\u003e \u003cb\u003e▣ Annexe A : Abonnement à divers services et code d’implémentation pour chaque modèle\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e A.1 Abonnement à divers services\u003cbr\u003e __LangSmith Rejoignez\u003cbr\u003e __Rejoignez Cohere\u003cbr\u003e __S'inscrire à Anthropic\u003cbr\u003e A.2 Code d'implémentation pour chaque modèle\u003cbr\u003e __1.\u003cbr\u003e Créateur d'objectifs passifs\u003cbr\u003e __2.\u003cbr\u003e Optimiseur de prompt\/réponse\u003cbr\u003e __3. \u003cbr\u003eGénérateur de plan à chemin unique\u003cbr\u003e __4.\u003cbr\u003e Générateur de plans à chemins multiples\u003cbr\u003e __5.\u003cbr\u003e Auto-réflexion\u003cbr\u003e __6.\u003cbr\u003e Réflexion croisée\u003cbr\u003e __7.\u003cbr\u003e Coopération fondée sur les rôles\u003c\/div\u003e\n\u003cdiv\u003e\u003c\/div\u003e\n\u003c\/div\u003e \",\"\u003cdiv\u003e\u003ch5\u003e \u003cb\u003eImage détaillée\u003c\/b\u003e \u003c\/h5\u003e\u003c\/div\u003e\n\u003cdiv\u003e\u003cdiv\u003e\u003cimg src=\"https:\/\/image.yes24.com\/momo\/TopCate5347\/MidCate6\/534659959.jpg\" border=\"0\" alt=\"Image détaillée 1\"\u003e\u003c\/div\u003e\u003c\/div\u003e \",\"\u003cdiv\u003e\u003ch5\u003e \u003cb\u003eAvis de l'éditeur\u003c\/b\u003e\n\u003c\/h5\u003e\u003c\/div\u003e\n\u003cdiv\u003e\n\u003cdiv\u003e \u003cb\u003e★ Ce que ce livre aborde ★\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e ◎ Principes fondamentaux de l'API de chat et de l'ingénierie des invites d'OpenAI\u003cbr\u003e ◎ Composants principaux et utilisation du framework Langchain\u003cbr\u003e ◎ Techniques de mise en œuvre avancées et méthodes d'évaluation du système RAG\u003cbr\u003e ◎ Création de flux de travail complexes pour agents d'IA à l'aide de graphes de langage\u003cbr\u003e ◎ Le processus de développement et les dernières tendances des agents d'IA\u003cbr\u003e ◎ Modèle de conception d'agent et code d'implémentation pratique pour sept modèles majeurs\u003cbr\u003e ◎ Développement d'agents d'IA capables de processus de décision complexes et de traitement autonome des tâches.\u003c\/div\u003e\n\u003cdiv\u003e\u003c\/div\u003e\n\u003c\/div\u003e \"]\u003c\/div\u003e\n\n\n\u003c\/div\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003cdiv style=\"width:95%;padding-top:20px;padding-bottom:20px\"\u003e\n\n\u003cdiv style=\"text-align:left;font-size:16px;font-weight:bold;padding-bottom:20px\"\u003e SPÉCIFICATIONS DES PRODUITS \u003c\/div\u003e\n\n\u003cdiv style=\"text-align:left;font-size:14px;line-height:1.6em;\"\u003e\n\n\u003cdiv style=\"width:100%;margin-bottom:5px;line-height:1.6em;font-size:14px\"\u003e - \u003cstrong\u003eDate d'émission :\u003c\/strong\u003e 20 juin 2025\u003c\/div\u003e\n\n\u003cdiv style=\"width:100%;margin-bottom:5px;line-height:1.6em;font-size:14px\"\u003e \u003cstrong\u003eNombre de pages, poids, dimensions :\u003c\/strong\u003e 508 pages | 188 × 240 × 21 mm\u003c\/div\u003e\n\n \u003cdiv style=\"width:100%;margin-bottom:5px;line-height:1.6em;font-size:14px\"\u003e- \u003cstrong\u003eISBN13 :\u003c\/strong\u003e 9791158396107 \u003c\/div\u003e\n\n\n\u003c\/div\u003e\n\n\n\u003c\/div\u003e\n\n\n\u003c\/div\u003e\n\n\u003ccenter\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003cspan\u003e\u003c\/span\u003e\n\n\u003c\/center\u003e\n\n\n\u003c\/center\u003e","brand":"LIBRAIRIE COREENNE","offers":[{"title":"Default Title","offer_id":43893276868650,"sku":"138723","price":44.0,"currency_code":"EUR","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/0683\/2750\/5962\/files\/e683bd01cfcbf5452a46dbc708f328a7.jpg?v=1765395337","url":"https:\/\/librairie.coreenne.fr\/products\/138723","provider":"LIBRAIRIE COREENNE","version":"1.0","type":"link"}