Ce module explore en détail le modèle de conception « Reflection » et montre comment il peut améliorer considérablement la qualité et la fiabilité des flux de travail basés sur les grands modèles de langage (LLM). Vous comparerez la génération directe (zero-shot) aux approches fondées sur la réflexion, dans lesquelles un LLM analyse et révise ses propres résultats ou réagit à des retours externes tels que des messages d’erreur ou des signaux d’évaluation. À travers des exemples concrets — tels que la révision d'e-mails, le débogage de code et l'amélioration de la visualisation de graphiques —, vous découvrirez comment élaborer des invites demandant aux modèles d'examiner des brouillons à l'aune de critères explicites, puis de produire de meilleures versions. Ce module aborde la réflexion multimodale, dans laquelle un LLM analyse des images ou des graphiques, et présente des évaluations rigoureuses permettant de quantifier les gains issus de la réflexion, tels que l’amélioration de la précision SQL dans les tâches de requêtes de bases de données. Vous apprendrez à intégrer des signaux d’exécution et des outils externes dans des boucles de réflexion, à concevoir des invites de réflexion et des workflows plus performants qu’un simple ajustement des invites, et à identifier les cas où la réflexion est la plus bénéfique.

Ce module est consacré à l'utilisation des outils et à l'appel de fonctions, qui permettent aux grands modèles de langage (LLM) d'accéder à des capacités externes telles que les API, les bases de données et l'exécution de code. Vous découvrirez quels sont les outils disponibles dans le cadre des workflows agentiques et comment exposer des fonctions sous forme d’outils que les modèles peuvent solliciter en cas de besoin. Ce module passe en revue les anciennes approches basées sur des marqueurs ainsi que la syntaxe moderne d’appel d’outils natifs, en mettant l’accent sur les modèles permettant de détecter les appels de fonction souhaités, de les exécuter et de renvoyer les résultats au modèle. Vous implémenterez des outils à l’aide de bibliothèques telles qu’AI Suite, explorerez un workflow d’assistant de messagerie électronique combinant l’utilisation d’outils en plusieurs étapes, et découvrirez comment l’exécution de code peut être intégrée en toute sécurité afin que les LLM puissent écrire et exécuter du code pour résoudre des tâches. Enfin, vous découvrirez le Model Context Protocol (MCP), une norme en plein essor qui standardise l’accès aux outils externes et aux sources de données, et simplifie considérablement l’intégration d’applications agentiques à divers services back-end.

Ce module propose des stratégies pratiques, étape par étape, pour évaluer, déboguer et améliorer les flux de travail liés à l’IA agentique. En vous appuyant sur les notions d’évaluation abordées précédemment, vous apprendrez à réaliser une analyse détaillée des erreurs en examinant les traces et les cas d’échec dans des applications telles que le traitement des factures et la réponse aux e-mails des clients. Ce module vous apprendra à distinguer les évaluations de bout en bout de celles au niveau des composants, à isoler et à optimiser des composants spécifiques (par exemple, la recherche sur le Web dans un agent de recherche), ainsi qu’à utiliser des métriques telles que la précision, le rappel et le F1 lorsque cela est pertinent. Vous explorerez des techniques d’optimisation des composants LLM et non-LLM, notamment la conception des invites, la sélection de modèles, le réglage des hyperparamètres et le remplacement de fournisseurs, tout en trouvant le juste équilibre entre qualité, latence et coût. Grâce à un workflow structuré « construction vs analyse » et à un cadre 2×2 pour les types d’évaluation, vous apprendrez à itérer efficacement sur des systèmes agentiques, à prioriser les corrections à fort impact et à comparer les performances à mesure que vous progressez vers des déploiements fiables et prêts pour la production.

Ce module explore des modèles de conception avancés permettant de créer des systèmes agentiels plus autonomes, capables de planifier, de coordonner et d’agir avec un minimum de contrôle codé en dur. Vous découvrirez des modèles de planification dans lesquels les grands modèles de langage (LLM) génèrent des plans exécutables — sous forme de JSON structuré ou de code — qui orchestrent des outils et des sources de données pour accomplir des tâches complexes. À travers des exemples tels que les agents de vente au détail et l’analyse de feuilles de calcul, vous comparerez les plans basés sur le JSON aux approches de type « code-as-action » et comprendrez leurs compromis en termes de flexibilité, de sécurité et de prévisibilité. Le module aborde ensuite les flux de travail multi-agents, dans lesquels des agents spécialisés, dotés de rôles et d’outils différents, collaborent, et présente des modèles de communication tels que les pipelines linéaires, les configurations hiérarchiques gestionnaire-exécutant et la messagerie « tous-à-tous ». Enfin, il revient sur les avantages des flux de travail basés sur des agents en termes de performances, de parallélisme et de modularité, en montrant comment des agents autonomes peuvent paralléliser des sous-tâches et tirer parti de composants interchangeables, avant de conclure par des conseils sur la manière d’appliquer ces modèles de manière responsable dans des projets concrets.