Ingénierie des systèmes agentiques

About

50% théorie et patterns d’architecture, 50% pratique

Après la vague des simples appels à des LLM, l’enjeu se déplace vers les systèmes agentiques : des applications capables de raisonner, d’utiliser des outils, de mémoriser et d’enchaîner des actions pour accomplir des tâches complexes de manière autonome.

Concevoir de tels systèmes de façon fiable, sûre et maintenable relève d’une véritable ingénierie, distincte du simple prompt engineering.

Cette formation de trois jours constitue le socle technique du parcours agentique. Elle couvre les deux premiers niveaux du parcours : les fondations communes (structure et capacités d’un agent, plan d’orchestration, outils et agent-to-agent, contexte et mémoire, bases des modèles d’embedding, premier RAG) puis le niveau avancé (préparation des données, indexation et re-ranking, optimisation du RAG, extension et compaction de la mémoire, garde-fous, auditabilité et benchmark).

Les sujets de niveau architecte — passerelle IA, service de modèles auto-hébergé, RLHF, variantes avancées de RAG et spécialisations plateforme — sont traités dans les formations dédiées du parcours.

Elle est volontairement centrée sur les concepts et les patterns d’architecture, illustrés par des frameworks représentatifs (LangChain / LangGraph, et exemples avec d’autres écosystèmes) plutôt que par une seule technologie.

Chaque journée alterne apports d’architecture et travaux pratiques de construction incrémentale d’un agent, jusqu’à son évaluation et sa mise en production. Un fil rouge — la reconstitution d’un moteur de « deep search » — sert de support à l’ensemble du parcours.

Last updated on 17/09/2026

Practical Information

In-person or remote

21h

Sur devis

Your Learning Objectives

Distinguer workflow déterministe et agent autonome, et choisir le bon niveau d'autonomie.
Décrire la structure, l'architecture et les capacités d'un agent, et concevoir son plan d'orchestration.
Concevoir une architecture RAG robuste (préparation des données, chunking, embeddings, indexation, re-ranking) et l'optimiser.
Implémenter le tool calling, la communication entre agents et la gestion du contexte et de la mémoire.
Sécuriser, évaluer, auditer et observer un système agentique en production.

Target Audience

Architectes solutions et techniques, Développeurs et tech leads sur des sujets IA, Product owners avancés impliqués dans des produits IA

Prerequisites

Expérience du développement (Python de préférence)
Socle « IA générative » : notions de modèle, prompt, token, contexte, RAG et agent (voir la formation Sensibilisation à l'IA générative)
À l'aise avec les appels d'API REST et la manipulation de JSON

All About This Training

The Program

Fondations des systèmes agentiques

Du LLM à l'agent : Limites de l'appel simple, définition d'un agent, boucle perception-décision-action.
Workflow vs agent : Quand un enchaînement déterministe suffit, quand l'autonomie est justifiée.
Structure d'un agent : Architecture et capacités — modèle, instructions, outils, mémoire, boucle de contrôle.
Panorama des frameworks et des harnais : LangChain/LangGraph, positionnement des autres écosystèmes, place de Hugging Face dans l'accès aux modèles.
Fil rouge : Comment fonctionne un moteur de « deep search » — la cible que l'on reconstruira progressivement.

Prompting, raisonnement et plan d'orchestration

Patterns de raisonnement : Chain-of-thought, ReAct, planification et décomposition de tâches.
Plan d'exécution et templates : Formaliser l'orchestration d'un agent sous forme de plan réutilisable.
Structuration des sorties : Sorties structurées, function/tool calling, validation de schéma.
Fiabilité du raisonnement : Auto-critique, réflexion et stratégies de robustesse.
TP : Construire un premier agent capable d'utiliser des outils.

RAG : ancrer l'agent dans la connaissance

Préparation des données : Chargement, nettoyage, normalisation et stratégies de chunking sémantique.
Modèles d'embedding : Choisir un modèle, comprendre les compromis dimension / coût / qualité.
Index et bases vectorielles : Indexation, similarité, structures d'index et métadonnées.
Recherche et re-ranking : Recherche hybride (dense et lexicale), scoring, re-ranking, filtrage par métadonnées.
TP : Doter l'agent d'une base de connaissances d'entreprise.

Outils, mémoire et intégrations

Tool calling : Exposer des fonctions, des API et des actions au modèle.
Agent-to-agent : Faire communiquer des agents entre eux, contrats d'échange et délégation.
Contexte, mémoire et tokens : Mémoire de conversation, mémoire long terme, budget de contexte.
Extension et compaction de la mémoire : Résumé, hiérarchisation, éviction, coût associé.
Protocoles d'interopérabilité : Standardiser l'accès aux outils et aux données (ex. MCP).
TP : Connecter l'agent à des outils métier et une mémoire persistante.

Orchestration et systèmes multi-agents

Orchestration de workflows : Graphes d'états, branchements, reprises et boucles.
Patterns multi-agents : Superviseur, spécialistes, collaboration et délégation.
Human-in-the-loop : Points de validation, approbations et reprise de contrôle.
TP : Orchestrer plusieurs agents spécialisés sur une tâche complexe.

Optimisation du RAG et de l'agent

Diagnostiquer la qualité : Où se perd la pertinence — données, découpage, index, recherche ou génération.
Leviers d'optimisation : Query rewriting, expansion de requête, RAG agentique, boucles de recherche.
Aperçu des variantes : Recherche sémantique et lexicale (BM25), RAG orienté code (AST), graphes de connaissances (GraphRAG) — quand chacune se justifie.
TP : Mesurer puis améliorer la qualité de récupération du fil rouge.

Sécurité, garde-fous et auditabilité

Menaces spécifiques : Prompt injection directe et indirecte, exfiltration de données, actions non désirées.
Garde-fous : Validation des entrées/sorties, périmètre d'action, moindre privilège, sandboxing des outils.
Contrôle des coûts et des boucles : Limites, quotas, plafonds de dépense et détection des dérives.
Auditabilité et traçabilité : Reconstituer une décision, journaliser les appels d'outils, conserver les preuves.

Évaluation, observabilité et industrialisation

Évaluer un système agentique : Jeux de tests, métriques, LLM-as-a-judge, évaluation de bout en bout.
Benchmark : Comparer modèles, configurations et versions d'agent sur des critères métier.
Observabilité : Tracing, logs, suivi des tokens, des latences et des coûts.
Mise en production : Déploiement, versioning des prompts et des agents, stratégies de rollout.
TP fil rouge : Évaluer et préparer la mise en production de l'agent construit.

Conclusion

Bonnes pratiques d'architecture : Ce qui distingue un prototype d'une plateforme pérenne.
Anti-patterns : Pièges fréquents et sur-ingénierie.
Suite du parcours : Niveau architecte (passerelle IA, service de modèles, sécurité et gouvernance, RLHF, RAG avancé) et spécialisations plateforme (GCP, Databricks, Kong).

Skills Assessment

En amont de la formation, les stagiaires reçoivent un questionnaire permettant de mesurer leurs attentes, leurs compétences et leur niveau à l'entrée de la formation. Ce questionnaire est conçu pour recueillir des informations précieuses sur le parcours professionnel des participants, leurs motivations personnelles ainsi que les compétences spécifiques qu'ils souhaitent développer. Cela permet aux formateurs d'adapter le contenu de la formation en fonction des besoins identifiés.

Tout au long de la formation, la progression et l'atteinte des objectifs pédagogiques des stagiaires sont évaluées, au travers de :

travaux pratiques, qui incluent des exercices concrets permettant d'appliquer les connaissances théoriques acquises dans un contexte réel.
échanges entre pairs, favorisant une dynamique collaborative où les stagiaires peuvent partager leurs expériences et apprendre les uns des autres.
mises en situation concrètes, simulant des scénarios professionnels afin d'évaluer la capacité des stagiaires à réagir et à s'adapter face à diverses situations.

Durant la dernière heure de la formation, un questionnaire d'évaluation ainsi qu'un questionnaire à chaud de fin de formation seront soumis à chaque stagiaire pour s'assurer de la bonne acquisition des compétences tout au long de la formation et de l'adéquation de ces acquis avec les attentes des stagiaires (émis en amont de la formation). Ce processus d'évaluation permet également aux formateurs d'obtenir un retour constructif sur le déroulement du programme et d'identifier les points à améliorer pour les prochaines sessions.

Dans le cas d'une formation officielle éditeur, n'hésitez pas à nous consulter afin que nous vous fassions part des modalités d'évaluation des acquis. Nous sommes également disponibles pour discuter des certifications possibles qui pourraient être délivrées à l'issue de cette formation, garantissant ainsi une reconnaissance officielle des compétences acquises par les participants.

Contact assistance technique et pédagogique : en cas de problème, n'hésitez pas à nous contacter à l'adresse mail : [email protected] (3 personnes sont derrière cette adresse mail et vous répondront dans les plus brefs délais)