▣ Chapitre 1 : Principes fondamentaux du développement de candidatures pour le LLM

1.1 L'intelligence artificielle générative commence à être utilisée
1.2 Copilote vs. Agent IA
1.3 Tout devient un agent d'IA
1.4 Carte des connaissances des agents d'IA
1.5 Résumé

▣ Chapitre 2 : Principes de base de l’API de chat OpenAI

2.1 Modèle de conversation d'OpenAI
__Modèle de ChatGPT
__Modèles de chat disponibles dans l'API OpenAI
__Aperçu du modèle
2.2 Principes de base de l'API de chat d'OpenAI
API de complétion de chat
Frais de l'API __Chat Completions
__Vérifiez les frais encourus
2.3 « Jetons » ayant une incidence sur les limites de longueur des entrées/sorties et les frais
__jeton
Présentation de __Tokenizer et TikToken
À propos du nombre de jetons en coréen
2.4 Préparation de l'environnement de test de l'API de complétion de chat
__Qu'est-ce que Google Colab ?
__Créez un bloc-notes Google Colab
Inscrivez-vous pour utiliser l'API OpenAI
Préparez votre clé API OpenAI
2.5 Exercices pratiques sur l'API de complétion de chat
Bibliothèque OpenAI
Appel API __Chat Completions
Obtenez des réponses qui tiennent compte de l'historique des conversations
Réception des réponses en continu
__Paramètres de base
Mode JSON
__Vision (entrée image)
2.6 Appel de fonction
Aperçu des appels de fonctions
__Code d'appel de fonction
Paramètre __tool_choice
2.7 Résumé

▣ Chapitre 3 : Ingénierie rapide

3.1 La nécessité d'une ingénierie rapide
3.2 Qu'est-ce que Prompt Engineering ?
3.3 Composantes de base d'une invite
__Sujet : Application d’IA de génération de recettes
Modèle de l'invite
__Séparer les commandes et les données d'entrée
__Fournir le contexte
__Spécifiez le format de sortie
__Résumé des composants de l'invite
3.4 Techniques représentatives d'ingénierie rapide
__Instruction zéro-shot
__Instruction à quelques coups
__Incitation à la chaîne de pensée zéro coup
3.5 Résumé

▣ Chapitre 4 : Notions de base de LangChain

4.1 Présentation de LangChain
__Pourquoi devriez-vous apprendre LangChain ?
__LangChain structure globale
__Un ensemble de paquets fournissant divers composants de LangChain
__Installation de LangChain
Paramètres __LangSmith
Composants principaux de __LangChain
4.2 Modèle LLM/Chat
__LLM
Modèle de chat
__Streaming
Relation d'héritage entre __LLM et le modèle de chat
Résumé du modèle __LLM/Chat
4.3 Modèle d'invite
__PromptTemplate
__Modèle d'invite de chat
__MessagesPlaceholder
__Les suggestions de LangSmith
__Résumé du modèle d'invite
4.4 Analyseur de sortie
Aperçu de l'analyseur de sortie
Conversion d'objets Python à l'aide de __PydanticOutputParser
__StrOutputParser
__Résumé de l'analyseur syntaxique de sortie
4.5 Présentation du langage d'expression Chain?Lang (LCEL)
__Qu'est-ce que le langage d'expression LangChain (LCEL) ?
Connexion de l'invite et du modèle
Ajoutez __StrOutputParser à la connexion
Connexion via __PydanticOutputParser
Résumé de la chaîne
4.6 Composants liés à RAG de LangChain
__RAG (Génération augmentée par la récupération)
Aperçu des composants RAG de LangChain
Chargeur de documents
__Transformateur de documents
Modèle d'intégration
__Boutique de vecteurs
Implémentation de la chaîne RAG à l'aide de LCEL
__Résumé des composants liés à RAG de LangChain
4.7 Résumé

▣ Chapitre 5 : Explication détaillée du langage d’expression LangChain (LCEL)

5.1 Runnable et RunnableSequence
Les composants de base de __LCEL
__Méthodes d'exécution exécutables―invoke·stream·batch
Connexion de plusieurs Runnables avec '|' dans __LCEL
Vérification du fonctionnement interne de Chain dans LangSmith
5.2 RunnableLambda - Transformer une fonction arbitraire en une fonction exécutable
Implémentation de RunnableLamda à l'aide du décorateur __chain
Conversion automatique de __RunnableLambda
Faites attention aux types d'entrée et de sortie de __Runnable
5.3 RunnableParallel - Connexion de plusieurs Runnables en parallèle
Connecter la sortie de __RunnableParallel à l'entrée de Runnable
Conversion automatique __RunnableParallel
Combinaison avec __RunnableLambda — Exemple utilisant itemgetter
5.4 RunnablePassthrough - Sortie de l'entrée telle quelle
__assign―Ajout de valeurs à la sortie de RunnableParallel
5.5 Résumé

▣ Chapitre 6 : RAG avancé

6.1 Aperçu avancé de RAG
6.2 Préparation du laboratoire
6.3 Techniques de requête de recherche
Intégrations de documents hypothétiques (HyDE)
__Créer plusieurs requêtes de recherche
Résumé des techniques de requête de recherche
6.4 Techniques de post-recherche
__RAG-Fusion
Aperçu du modèle de réorganisation
Préparation à l'utilisation du modèle Cohere Rerank
__Présentation du modèle de réorganisation Cohere
__Résumé des techniques de post-recherche
6.5 Techniques d'utilisation de plusieurs retrievers
Routage par __LLM
Exemple de recherche hybride
__Implémentation de la recherche hybride
__Résumé des techniques utilisant plusieurs récupérateurs
6.6 Résumé

▣ Chapitre 7 : Évaluation des applications RAG à l’aide de LangSmith

7.1 Aperçu de l'évaluation traitée au chapitre 7
Évaluations hors ligne et en ligne
7.2 Présentation de LangSmith
Plan tarifaire LangSmith
__LangSmith structure globale de la fonction
7.3 Exemple de configuration d'évaluation hors ligne utilisant LangSmith et Ragas
__Ragas
__Configuration d'évaluation hors ligne à construire dans ce chapitre
7.4 Génération de données de test synthétiques à l'aide de Ragas
Aperçu des capacités de génération de données de test synthétiques de Ragas
Installation du paquet __
__Charger le document à rechercher
__Implémentation de la génération de données de test synthétiques à l'aide de Ragas
__Création de l'ensemble de données de LangSmith
__Enregistrer les données de test synthétiques
7.5 Mise en œuvre de l'évaluation hors ligne à l'aide de LangSmith et Ragas
Aperçu de l'évaluation hors ligne de LangSmith
Évaluateurs disponibles
Métriques d'évaluation de Ragas
__Mise en œuvre d'un évaluateur personnalisé
__Implémentation de la fonction d'inférence
Mise en œuvre et exécution de l'évaluation hors ligne
__Précautions d'évaluation hors ligne
7.6 Collecte de commentaires à l'aide de LangSmith
__Aperçu des fonctionnalités de retour d'information à implémenter dans cette section
Implémentez une fonction pour afficher le bouton de commentaires
__Afficher le bouton de commentaires
7.7 Traitement automatique pour l'utilisation des retours d'information
Traitement utilisant des règles d'automatisation
__Ajouter automatiquement des traces d'évaluation de bonne qualité à l'ensemble de données
7.8 Résumé

▣ Chapitre 8 : Qu'est-ce qu'un agent IA ?

8.1 Attentes concernant l'utilisation des LLM pour les agents d'IA
8.2 Les origines des agents d'IA et leur évolution à travers le LLM
Agent d'IA basé sur __LLM
__WebGPT
__Suspension de la chaîne de pensée
__MRKL Systems combine un LLM et des modules professionnels externes
__Raisonnement et action (ReAct)
__Invite à planifier et à résoudre
8.3 Cadre d'agent LLM à usage général
__AutoGPT
__BabyAGI
__AutoGen
__crewAI
Cas d'utilisation de __crewAI
8.4 Approche multi-agents
Définition de multi-agent
Amélioration de la précision de la conversion de texte en SQL grâce à l'utilisation de plusieurs agents
__Automatisation du développement logiciel avec plusieurs agents
Agents auto-organisés : Générer et optimiser du code à grande échelle
Cadre multi-agents basé sur LLM
8.5 Pour que les agents d'IA soient distribués en toute sécurité
8.6 Résumé

▣ Chapitre 9 : Introduction pratique aux agents d’IA utilisant LangGraph

9.1 Présentation de LangGraph
Qu'est-ce que LangGraph ?
Approche de structure de graphe __LangGraph
9.2 Composants clés de LangGraph
__state : Représente l’état du graphe
__Nœud : Unité de traitement constituant un graphe
__Arête : Connexion entre les nœuds
Graphique compilé
9.3 Exercices pratiques : Questions et réponses sur l’application
Installation de LangChain et LangGraph
__Configuration d'une clé API OpenAI
__Définition du rôle
__définition d'état
Initialisation du modèle de chat
__node définition
Création de graphes
Ajouter __node
Définition de bord
__Définition conditionnelle des bords
__Compilation de graphiques
Graphique d'exécution
Afficher les résultats
9.4 Point de contrôle : persistance de l’état et reprise
__Structure de données du point de contrôle
Exercice pratique : Vérification du fonctionnement du point de contrôle
9.5 Résumé

▣ Chapitre 10 : Création d’un document de définition des exigences et développement d’un agent d’IA

10.1 Aperçu de la génération de documents de définition des exigences pour l'agent IA
__Qu'est-ce qu'une définition des exigences ?
Se référer à l'approche des recherches précédentes
Conception avec le flux de travail de LangGraph
10.2 Préférences
10.3 Définition des structures de données
10.4 Mise en œuvre des composants clés
__PersonaGenerator
__Conducteur d'interview
__Évaluateur d'informations
Générateur de documents d'exigences
10.5 Création d'un flux de travail
10.6 Exécution de l'agent et vérification des résultats
10.7 Code source complet
10.8 Résumé

▣ Chapitre 11 : Modèles de conception d’agents

11.1 Aperçu du modèle de conception d'agent
__Qu'est-ce qu'un modèle de conception ?
__Domaines problématiques abordés par le modèle de conception d'agent
__Définition de l'emplacement du modèle de conception de l'agent
Diagramme global du modèle de conception d'agent
11.2 18 Modèles de conception d'agents
__1.
Créateur d'objectifs passifs
__2.
Créateur d'objectifs proactif
__3.
Optimiseur de prompt/réponse
__4.
Génération augmentée par la récupération (RAG)
__5.
Générateur de plan à chemin unique
__6.
Générateur de plans à chemins multiples
__7.
Auto-réflexion
__8.
Réflexion croisée
__9.
Réflexion humaine
__10.
Requête de modèle en une seule étape
__11.
Interrogation de modèles incrémentaux
__12.
Coopération fondée sur le vote
__13.
Coopération fondée sur les rôles
__14.
Coopération fondée sur le débat
__15.
Garde-fous multimodaux
__16.
Registre des outils/agents
__17.
Adaptateur d'agent
__18.
Évaluateur d'agents
11.3 Résumé

▣ Chapitre 12 : Modèles de conception d’agents implémentés avec LangChain/LangGraph

12.1 Modèles de conception d'agents abordés dans ce chapitre
12.2 Préférences
__À propos du code d'implémentation pour chaque modèle
12.3 Créateur d'objectifs passifs
Explication des détails de mise en œuvre
__Résultat de l'exécution
12.4 Optimiseur de prompt/réponse
Explication des détails de mise en œuvre
__Optimisation rapide
__Optimisation de la réponse
Générateur de plan à passage unique 12.5
Explication des détails de mise en œuvre
__Résultat de l'exécution
12.6 Générateur de plans multi-passes
Explication des détails de mise en œuvre
__Résultat de l'exécution
12.7 Auto-réflexion
Explication des détails de mise en œuvre
__Résultat de l'exécution
12.8 Réflexion croisée
Explication des détails de mise en œuvre
__Résultat de l'exécution
12.9 Coopération fondée sur les rôles
Explication des détails de mise en œuvre
__Résultat de l'exécution
Résumé du 12.10

▣ Annexe A : Abonnement à divers services et code d’implémentation pour chaque modèle

A.1 Abonnement à divers services
__LangSmith Rejoignez
__Rejoignez Cohere
__S'inscrire à Anthropic
A.2 Code d'implémentation pour chaque modèle
__1.
Créateur d'objectifs passifs
__2.
Optimiseur de prompt/réponse
__3.
Générateur de plan à chemin unique
__4.
Générateur de plans à chemins multiples
__5.
Auto-réflexion
__6.
Réflexion croisée
__7.
Coopération fondée sur les rôles

★ Ce que ce livre aborde ★

◎ Principes fondamentaux de l'API de chat et de l'ingénierie des invites d'OpenAI
◎ Composants principaux et utilisation du framework Langchain
◎ Techniques de mise en œuvre avancées et méthodes d'évaluation du système RAG
◎ Création de flux de travail complexes pour agents d'IA à l'aide de graphes de langage
◎ Le processus de développement et les dernières tendances des agents d'IA
◎ Modèle de conception d'agent et code d'implémentation pratique pour sept modèles majeurs
◎ Développement d'agents d'IA capables de processus de décision complexes et de traitement autonome des tâches.