[{"data":1,"prerenderedAt":45},["ShallowReactive",2],{"course-frameworks-d-applications-llm-langchain-et-llamaindex":3,"highlight-python-chain = (\n    {\"cont":44},{"id":4,"name":5,"slug":6,"location":7,"targetAudienceFormatMarkdown":8,"prerequisitesFormatMarkdown":9,"objectivesFormatMarkdown":10,"descriptionFormatMarkdown":11,"teachingMethodsFormatMarkdown":12,"teachingResourcesFormatMarkdown":13,"evaluationMethodsFormatMarkdown":14,"accessibilityFormatMarkdown":15,"accessMethodsFormatMarkdown":16,"minimumParticipants":7,"maximumParticipants":7,"duration":17,"reference":18,"trainerType":7,"updated_at":19,"created_at":20,"price":21,"organizationMode":22,"theme":25,"code":29,"tags":34,"metadata":35},"/api/courses/bc8a8cd1-b343-11f1-a993-d8ca06000363","Frameworks d'applications LLM : LangChain et LlamaIndex","frameworks-d-applications-llm-langchain-et-llamaindex",null,"Développeurs, ingénieurs IA, architectes applicatifs.","-   Pratique de Python et connaissance des principes d'intégration des modèles de langage.","-   structurer une application LLM avec un framework du marché\n-   mettre en œuvre chaînes, outils, mémoire et agents\n-   intégrer l'observabilité et la traçabilité des exécutions\n-   arbitrer entre usage d'un framework et développement direct","--day1--\n\n## Positionnement et socle\n\n-   Ce qu'apportent les frameworks : abstraction, composants, observabilité\n-   Ce qu'ils coûtent : dépendance, complexité, rythme de changement\n-   Panorama : LangChain, LlamaIndex, alternatives légères\n-   Installation, structure d'un projet, configuration des fournisseurs\n-   Premiers enchaînements et composition de composants\n-   Travaux pratiques : mise en place du projet et première chaîne fonctionnelle\n\n--break--\n\n## Documents et indexation\n\n-   Chargeurs de documents et connecteurs disponibles\n-   Stratégies de découpage proposées par les frameworks\n-   Index et magasins vectoriels intégrés\n-   Récupérateurs et personnalisation de la recherche\n-   Moteurs de requête et de discussion sur un corpus\n-   Travaux pratiques : construction d'une chaîne de recherche augmentée avec le framework\n\n--day2--\n\n## Chaînes, outils et mémoire\n\n-   Composition de chaînes et passage de données entre étapes\n-   Définition et exposition d'outils personnalisés\n-   Mémoire de conversation et stratégies de persistance\n-   Sorties structurées et analyseurs de réponse\n-   Gestion des erreurs dans une chaîne\n-   Travaux pratiques : enrichissement de l'application avec outils et mémoire\n\n--break--\n\n## Agents et graphes d'exécution\n\n-   Agents fournis par les frameworks et leurs limites\n-   Graphes d'exécution : états, transitions, cycles contrôlés\n-   Points d'interruption et validation humaine dans le flux\n-   Persistance de l'état et reprise d'exécution\n-   Multi-agents et répartition des rôles\n-   Travaux pratiques : construction d'un graphe d'exécution avec validation humaine\n\n--day3--\n\n## Observabilité et évaluation\n\n-   Traçage des exécutions et analyse des étapes\n-   Suivi des coûts et des latences par composant\n-   Jeux de données d'évaluation intégrés aux frameworks\n-   Comparaison de versions d'une chaîne\n-   Diagnostic d'une exécution défaillante\n-   Travaux pratiques : instrumentation de l'application et analyse des traces\n\n--break--\n\n## Production et arbitrage\n\n-   Déploiement d'une application construite sur un framework\n-   Gestion des versions du framework et des ruptures de compatibilité\n-   Performance et surcoût des couches d'abstraction\n-   Critères pour se passer d'un framework et coder directement\n-   Organisation du code pour limiter la dépendance\n-   Travaux pratiques : revue du projet et analyse critique des dépendances introduites","Présentiel, distanciel, hybride","Les supports pédagogiques sont remis aux stagiaires sous format numérique et/ou papier selon les modalités de la formation.\n\nIls comprennent des supports de cours, des présentations, des fiches pratiques, des études de cas, des exercices applicatifs ainsi que des QCM d’entraînement selon la formation. (adapté au choix du formateur)\n\nLes formations s’appuient sur des moyens techniques adaptés : ordinateurs, logiciels professionnels, connexion internet, écran ou vidéoprojecteur, ainsi que des outils collaboratifs et de visioconférence pour les formations à distance.\n\nL’ensemble des supports pédagogiques est accessible pendant et après la formation afin de favoriser l’appropriation et la mise en pratique des compétences acquises.","En amont de la formation, un recueil des besoins permet de récolter des informations sur le stagiaire et ses attentes. L’évaluation se fait en cours de formation, par des études de cas ou des travaux pratiques. En fin de formation, par un questionnaire d’auto-évaluation et/ou un examen.\n\nUn suivi de qualité est effectué grâce à nos sessions en groupe restreint (entre 2 et 9 participants maximum). Le stagiaire émargera par demi-journée et recevra une attestation de formation.","Nous informons l’ensemble de nos clients et stagiaires que nous sommes dans la capacité d’adapter les sessions selon les handicaps et les situations spécifiques. Nous nous engageons à répondre à toutes vos demandes sous un délai de 48h ouvré.","Si l’une de nos formations vous intéresse, contactez-nous au +33 4 93 65 34 24 ou à l’adresse mail contact@m2g-intellect.fr. Selon votre besoin et vos attentes, nous organiserons un échange téléphonique avec le formateur pressenti afin d’adapter la formation et ses modules, puis nous vous adresserons un devis.\n\nLes dates de la formation seront à convenir sous 30 jours maximum.","21.00","L2-ITE-09","2026-09-18T11:42:27+00:00","2026-09-18T11:31:33+00:00","2400.00",{"id":23,"name":24},"/api/organization_mode_types/6","HYBRID",{"id":26,"name":27,"slug":28},"/api/themes/1bfd6e41-c2b0-4813-a29b-c9e1c486b5d0","Intelligence Artificielle","intelligence-artificielle",{"id":30,"label":31,"domain":32},"/api/training_specialities/163","326 - Informatique, traitement de l’information, réseaux de transmission des données",{"label":33},"32 - Communication et information",[],{"desc-accroche":36,"Description":37,"icon-color":38,"icon-name":39,"code-langage":40,"code-snippet":41,"courte-description":42,"titre-accroche":43},"Trois jours pratiques pour mettre en œuvre chaînes, outils, mémoire et agents avec les frameworks de référence, intégrer l'observabilité des exécutions et arbitrer entre framework et développement direct sur un projet complet.","LangChain et LlamaIndex structurent une large part des applications fondées sur des modèles de langage, mais leur abstraction n'est pas toujours un gain. Cette formation de trois jours, pratique sur un projet complet, construit des chaînes de traitement, intègre des outils appelables, gère la mémoire conversationnelle et met en œuvre des agents avec ces deux frameworks. Les participants ajoutent une couche d'observabilité et de traçabilité des exécutions, indispensable pour déboguer un comportement non déterministe. La formation consacre un temps explicite à l'arbitrage entre l'usage d'un framework et un développement direct plus simple à maintenir, selon la complexité réelle du besoin. Elle s'adresse aux développeurs, ingénieurs IA et architectes applicatifs pratiquant Python et connaissant déjà les principes d'intégration des modèles de langage.","#1C3C3C","mdi:link-variant","python","chain = (\n    {\"contexte\": retriever, \"question\": RunnablePassthrough()}\n    | prompt_template\n    | ChatOpenAI(model=\"gpt-4o\", temperature=0)\n    | StrOutputParser()\n)\nagent = create_tool_calling_agent(llm, tools=[recherche_produit], prompt=prompt_agent)\nexecutor = AgentExecutor(agent=agent, tools=[recherche_produit], memory=memoire)","Formation pratique à LangChain et LlamaIndex : chaînes, outils, mémoire, agents, observabilité et arbitrage face au développement direct.","Structurez vos applications LLM avec LangChain et LlamaIndex, et sachez reconnaître quand un framework apporte de la valeur ou de la complexité inutile.","\u003Cpre class=\"hljs\">\u003Ccode class=\"language-python\">chain = (\n    {\u003Cspan class=\"hljs-string\">"contexte"\u003C/span>: retriever, \u003Cspan class=\"hljs-string\">"question"\u003C/span>: RunnablePassthrough()}\n    | prompt_template\n    | ChatOpenAI(model=\u003Cspan class=\"hljs-string\">"gpt-4o"\u003C/span>, temperature=\u003Cspan class=\"hljs-number\">0\u003C/span>)\n    | StrOutputParser()\n)\nagent = create_tool_calling_agent(llm, tools=[recherche_produit], prompt=prompt_agent)\nexecutor = AgentExecutor(agent=agent, tools=[recherche_produit], memory=memoire)\u003C/code>\u003C/pre>",1789740846210]