▣ Chapitre 1 : Les agents et leurs écosystèmes
1.1 Définition d'agent
1.2 Composants de l'agent
1.3 Pourquoi les agents attirent l'attention
1.4 Le monde à l'intérieur de l'interface IA
1.5 Début de votre voyage dans le monde des agents IA
addition

▣ Chapitre 2 : Démontrer la puissance du LLM
2.1 Utilisation de l'API OpenAI
2.1.1 Connexion au modèle d'achèvement de conversation
__2.1.2 Comprendre les demandes et les réponses
2.2 Exploration et utilisation des modules d'apprentissage en ligne open source avec LM Studio
__2.2.1 Installation et exécution de LM Studio
__2.2.2 Fournir des services LLM localement avec LM Studio
2.3 LLM : Incitation par l’ingénierie des invites
__2.3.1 Requête détaillée
__2.3.2 Adoption de Persona
__2.3.3 Utilisation des délimiteurs
__2.3.4 Spécifications de l'étape
__2.3.5 Exemples de tactiques
__2.3.6 Spécification de la longueur de sortie
2.4 Choisir le LLM qui correspond le mieux à vos besoins spécifiques
2.5 Exercices pratiques
addition

▣ Chapitre 3 : Utilisation de l’assistant GPT
3.1 Exploration des assistants OpenAI avec ChatGPT
3.2 Création d'un GPT agissant comme un data scientist
3.3 Personnalisation de GPT et ajout d'actions personnalisées
3.3.1 Création d'un assistant pour aider à créer des assistants
__3.3.2 Connexion des actions personnalisées aux assistants
3.4 Enrichir les connaissances de l'assistant grâce au téléchargement de fichiers
3.4.1 Création d'un GPT « calcul facile »
__3.4.2 Ajout de fonctionnalités de recherche et de consultation de connaissances via le téléchargement de fichiers
3,5 GPT Post
__3.5.1 Assistant GPT coûteux
3.5.2 Comprendre l'économie du GPT
__3.5.3 Publication et partage GPT
3.6 Exercices pratiques
addition

▣ Chapitre 4 : Analyse des systèmes multi-agents
4.1 Introduction aux systèmes multi-agents via AutoGen Studio
4.1.1 Installation et utilisation d'AutoGen Studio
4.1.2 Ajout de compétences dans Autogen Studio
4.2 Utilisation de la bibliothèque AutoGen
4.2.1 Installation et utilisation d'Autogen
__4.2.2 Ajout d'un agent de critique pour améliorer la qualité du code généré
4.2.3 Comprendre le cache Autogen
4.3 Discussion de groupe utilisant des agents et la génération automatique
4.4 Création d'une équipe d'agents à l'aide de l'IA d'équipage
4.4.1 Création d'une équipe d'agents « déjantée » avec l'IA d'équipe
4.4.2 Observation du fonctionnement des agents à l'aide d'AgentOps
4.5 Les agents de codage revisités avec CrewAI
4.6 Exercices pratiques
addition

▣ Chapitre 5 : Renforcer les fonctions de l’agent par l’action
5.1 Définition du comportement de l'agent
5.2 Définition et exécution des fonctions OpenAI
5.2.1 Ajouter une fonction à l'appel d'API LLM
5.2.2 Comportement d'exécution d'un appel de fonction
5.3 Introduction du noyau sémantique
__5.3.1 Premiers pas avec les fonctions sémantiques SK
__5.3.2 Fonctions sémantiques et variables de contexte
5.4 Synergie entre les fonctions sémantiques et les fonctions natives
__5.4.1 Création et enregistrement de compétences/plugins sémantiques
__5.4.2 Application des fonctions natives
__5.4.3 Intégration de fonctions natives dans des fonctions sémantiques
5.5 Noyau sémantique en tant qu'agent de service interactif
__5.5.1 Création d'une interface GPT sémantique
__5.5.2 Tests de services sémantiques
5.5.3 Conversation interactive utilisant la couche de service sémantique
5.6 Création d'un service sémantique en tenant compte des capacités de compréhension sémantique de LLM
5.7 Exercices pratiques
addition

▣ Chapitre 6 : Création d’un assistant autonome
6.1 Introduction à l'arbre de comportement
6.1.1 Exécution de l'arbre de comportement
6.1.2 Avantages des arbres de comportement
__6.1.3 Implémentation d'un arbre de comportement à l'aide de Python et de py_trees
6.2 Explorez l'aire de jeux des assistants GPT
6.2.1 Installation et exécution de l'environnement de jeu
__6.2.2 Utilisation et création de comportements personnalisés
6.2.3 Installation de la base de données des assistants
6.2.4 Pour que l'assistant exécute le code localement
6.2.5 Analyse des processus d'assistance à l'aide des journaux
6.3 Introduction aux arbres de comportement basés sur les agents (ABT)
6.3.1 Gestion des assistants en tant qu'assistants
6.3.2 Création d'un défi de programmation ABT
6.3.3 Comparaison des systèmes d'IA conversationnelle avec d'autres méthodes
__6.3.4 Publication de vidéos YouTube sur Twitter (maintenant X)
__6.3.5 Paramètres Twitter (désormais X) requis
6.4 Construction d'un système multi-agents conversationnel autonome
6.5 Construction d'un ABT à l'aide d'une chaîne arrière
6.6 Exercices pratiques
addition

▣ Chapitre 7 : Création et utilisation d’une plateforme d’agents
7.1 Présentation de Nexus : bien plus qu’une simple plateforme
Nexus en cours d'exécution __7.1.1
__7.1.2 Mode de développement Nexus
7.2 Présentation de Streamlet pour le développement d'applications de chat
7.2.1 Création d'une application de chat Streamlet
7.2.2 Création d'une application de chat en streaming
7.3 Élaboration des profils et des personas des agents
7.4 Moteur d'agents qui pilote les agents
7.5 Actions et outils des agents donateurs
7.6 Exercices pratiques
addition

▣ Chapitre 8 : Mémoire et connaissances de l'agent
8.1 Signification et importance de la recherche dans les applications d'IA
8.2 Principes de base du RAG
8.3 Détails de la recherche sémantique et de l'indexation des documents
8.3.1 Application de la recherche de similarité vectorielle
8.3.2 Recherche de similarités avec des bases de données vectorielles
8.3.3 Comprendre l'intégration de documents
8.3.4 Recherche par intégration de documents à l'aide de ChromaDB
8.4 Construire RAG à l'aide de Langchain
8.4.1 Division et chargement de documents à l'aide de Lang Chain
__8.4.2 Fractionnement de documents en unités de jeton à l'aide de Langchain
8.5 Application du modèle RAG aux connaissances des agents du bâtiment
8.6 Implémentation de la mémoire dans les systèmes de type agent
8.6.1 Utilisation de la mémoire de stockage Nexus
8.6.2 La mémoire sémantique et ses applications
8.7 Compression de la mémoire et des connaissances
8.8 Exercices pratiques
addition

▣ Chapitre 9 : Incitation efficace des agents à l’aide du flux d’invites
9.1 Pourquoi une ingénierie systématique et rapide est nécessaire
9.2 Comprendre les profils et les personas des agents
9.3 Configuration du flux d'invite initial
__9.3.1 Premiers pas
__9.3.2 Création d'un profil avec un modèle Jinja2
__9.3.3 Déploiement de l'API Prompt Flow
9.4 Évaluation du profil : Grilles d’évaluation et fondements
9.5 Rubriques et fondements
9.6 Évaluation de l'ancrage à l'aide du profil LLM
9.7 Comparaison de plusieurs profils : trouver le profil idéal
__9.7.1 Analyse des résultats d'évaluation LLM
__9.7.2 Exécution par lots du flux d'invite
__9.7.3 Création d'un flux d'évaluation des fondements
9.8 Exercices pratiques
addition

▣ Chapitre 10 : Raisonnement et évaluation des agents
10.1 Comprendre l'incitation à la solution directe
__10.1.1 Suggestions de questions et de réponses
__10.1.2 Incitation à quelques coups
__10.1.3 Extraction de généralité à l'aide d'invites zéro-shot
10.2 Ingénierie et inférence rapides
__10.2.1 Déclenchement de la chaîne d'incidents
__10.2.2 Incitation CoT zéro-shot
__10.2.3 Enchaînement d'invites étape par étape
10.3 Utiliser les évaluations pour obtenir des réponses cohérentes
10.3.1 Évaluation de l'incitation à la cohérence interne
10.3.2 Évaluation de l'amorce de pensée par arbre de réflexion
10.4 Exercices pratiques
addition

▣ Chapitre 11 : Planification et retour d’information des agents
11.1 Planification : Outils essentiels pour chaque agent/assistant
11.2 Processus de planification séquentielle
11.3 Élaboration d'un planificateur séquentiel
11.4 Analyse détaillée du planificateur étape par étape : le modèle d’inférence spécifique d’OpenAI
11.5 Utilisations et applications de la planification, de l'inférence, de l'évaluation et du retour d'information dans les systèmes d'assistance et de type agent
11.5.1 Objet et utilisation du plan
11.5.2 Usages et utilité de l'inférence
11.5.3 Objectif et utilisation de l'évaluation
11.5.4 Utilisation et traitement des commentaires
11.6 Exercices pratiques
addition

▣ Annexe A : Utilisation du LLM d’OpenAI
A.1 Création d'un compte et d'une clé OpenAI
A.2 Clé API et distribution d'Azure OpenAI Studio

▣ Annexe B : Environnement de développement Python
B.1 Télécharger l'exemple de code
B.2 Installation de Python
B.3 Installation et configuration de VS Code
B.4 Installation des extensions VS Code pour le développement Python
B.5 Création d'un nouvel environnement Python avec VS Code
B.6 Utilisation de conteneurs (Docker) avec l'extension Dev Containers

★ Ce que ce livre aborde ★

◎ Comprendre et mettre en œuvre les modèles de comportement des agents d'IA
◎ Concevoir et déployer des agents intelligents qui peuvent être réellement utilisés.
◎ Utilisation de l'API OpenAI Assistants et d'outils complémentaires
◎ Mise en œuvre d'un système robuste de gestion des connaissances et de mémorisation
◎ Créer des agents auto-améliorants grâce à des boucles de rétroaction
◎ Configuration d'un système multi-agents collaboratif
◎ Améliorez les capacités vocales et visuelles de vos agents