Un parcours composant par composant vers de petites applications LangChain et un premier flux agentique fondé sur un graphe.
Commencez par le rôle de LangChain dans les applications d’IA générative, puis examinez les composants, les interfaces de modèles, les prompts, les sorties structurées et les parseurs avant de passer à un flux agentique LangGraph. CampusX fournit les démonstrations et le contexte de code sélectionnés ; les noms de paquets et les API peuvent évoluer. Considérez donc les exercices comme des modèles à vérifier, non comme des instructions de production immuables. Le cours valorise les schémas explicites, les entrées de test et les transitions d’état observables.
Identifier le rôle des modèles, prompts, chaînes, outils et parseurs dans une application LLM. Concevoir un prompt et un schéma de sortie que le code en aval peut valider. Expliquer pourquoi l’analyse syntaxique et la gestion des échecs appartiennent à la frontière de l’application. Esquisser un petit flux LangGraph avec état, étapes et point de revue humaine.
Un niveau intermédiaire en Python, les bases des environnements virtuels et l’habitude d’appeler une API sont recommandés. Une clé API peut être nécessaire pour les expériences facultatives ; ne l’enregistrez jamais dans le dépôt.
Aux apprenants ayant des bases et souhaitant développer des compétences pratiques en autonomie
Aux personnes qui apprennent mieux avec des exemples, des leçons guidées et de la pratique
Aux professionnels, créateurs et développeurs indépendants recherchant une méthode reproductible
La leçon 1 est gratuite
7 leçons · Intermédiaire · Cours complet.
Ce cours utilise du contenu sous licence CC BY attribué à son fournisseur ou à la personne qui l’a mis en ligne. La lecture des leçons est disponible uniquement après authentification et validation des contrôles de publication et de licence.