Construire des applications avec des LLM

Appeler un modèle tient en une ligne de code ; en tirer des réponses fiables, abordables et sûres, c'est ça le vrai travail. On construit de vraies fonctionnalités pas à pas, du premier appel d'API à un agent qui utilise vos outils et vos documents, en apprenant à mesurer si ça marche.

Durée : 3 jours · Niveau : intermédiaire

Pour qui : les développeurs Python souhaitant intégrer des grands modèles de langage dans leurs applications.

Prérequis : des connaissances solides en Python ; connaître un framework web aide pour le dernier jour.

Tarifs Contact

Jour 1 — Parler aux modèles

Ce qu'est un LLM, et ce qu'il n'est pas : tokens, contexte, échantillonnage
Appeler les API hébergées : Anthropic, OpenAI
Faire tourner des modèles locaux avec Ollama et llama.cpp
Choisir un modèle : qualité, coût, latence, confidentialité
Des prompts qui tiennent la route : prompt système, exemples, contraintes
Sortie structurée : obtenir des données propres avec Pydantic
Réponses en streaming
Gérer les erreurs, les retries et les rate limits

Jour 2 — Vos données, vos outils

Tool use : laisser le modèle appeler vos fonctions
Les embeddings : transformer du texte en vecteurs
Découper ses documents
Stocker et chercher avec une base vectorielle
Le RAG (retrieval augmented generation) à partir de zéro
Recherche hybride et reranking
Citer ses sources et limiter les hallucinations
Exposer ses outils à n'importe quel assistant avec MCP

Jour 3 — Agents et production

Les agents : boucles, planification et savoir s'arrêter
Évaluer : jeux de tests, LLM juge, régressions
Maîtriser coûts et latence : cache, modèles plus petits
Sécurité : prompt injection et fuite de données
Journaliser et observer ce que fait le modèle
Diffuser les réponses en streaming dans une application web
Une fonctionnalité de bout en bout sur votre cas d'usage

Passez au niveau supérieur en Python !

Contact Exemples de programmes