Cours · Ouverture des cours et des parcours disponibles
Découvrez l'architecture et les concepts fondamentaux des agents IA autonomes, du raisonnement à l'action.
Données pédagogiques publiées
Aucun objectif pédagogique n’est publié pour ce cours. Les titres de leçons ne sont pas transformés automatiquement en promesses d’apprentissage.
Structure publiée
1 module(s) · 25 leçon(s)
25 leçon(s) · 2h 5min
C'est quoi un "Agent IA" ? (L'analogie du robot domestique)
Découvrez ce qu'est un agent IA grâce à l'analogie simple d'un robot domestique. Vous comprendrez ses composants essentiels (capteurs, effecteurs, objectif) et comment il fonctionne de manière autonome pour accomplir des tâches.
Le Cycle de Vie d'un Agent : Perception → Décision → Action
Tu découvriras le processus en 3 étapes que tout agent IA suit en boucle. Exemple concret : ton téléphone qui ajuste la luminosité. Objectif : Maîtriser la boucle fondamentale P-R-A.
Atelier #1 : Identifier la Boucle P-R-A dans la Vie Réelle
Exercice guidé pour analyser des systèmes du quotidien (GPS, thermostat) et y repérer les étapes de Perception, Raisonnement et Action. Objectif : appliquer le concept avec tes propres exemples.
L'Architecture Simple d'un Agent (Le B.A.-BA) : Les 4 Pièces Maîtresses
Tu découvriras les 4 composants fondamentaux de tout agent IA : les Capteurs (entrées), l'État (mémoire du moment), la Politique de décision (cerveau) et les Actionneurs (sorties). Objectif : Composer mentalement un agent complet.
Quiz d'ancrage #1 : Les Fondations
5 questions pour vérifier ta compréhension des concepts de base des agents IA : agent, boucle P-R-A, architecture. Retours immédiats et explications détaillées pour consolider les leçons 1 à 4.
Ton Premier Agent en Code : Un Thermostat Intelligent
Apprenez à coder votre premier agent IA autonome en simulant un thermostat intelligent. Vous implémenterez la boucle Perception-Raisonnement-Action en pseudo-code/Python pour comprendre comment un agent perçoit son environnement, prend des décisions et agit.
Les Outils de l'Agent : Étendre ses Capacités avec le Tool Calling
Tu apprendras qu'un agent IA peut utiliser des outils externes (comme une calculatrice ou une API) pour accomplir des tâches qu'il ne sait pas faire seul. Nous explorerons le concept de 'Tool Calling' à travers des analogies, des définitions rigoureuses et des exemples pratiques.
Atelier #2 : Concevoir les Outils d'un Agent Cuisinier
Exercice créatif pour appliquer la notion d'outils à un scénario concret : un agent IA qui suit une recette. Tu vas lister et concevoir les outils nécessaires pour convertir des unités, régler le four, commander des ingrédients manquants, et plus encore.
Le Cerveau de l'Agent : Introduction aux LLM (Sans Complexité)
Tu découvriras simplement ce qu'est un Grand Modèle de Langage (comme GPT). Pas de maths, juste l'idée : un système qui comprend et génère du texte, et qui peut servir de 'politique de décision' flexible. Objectif : Démystifier 'LLM'.
Parler à un LLM : Les Bases du Prompt Engineering
Tu apprendras l'art de formuler des instructions (prompts) claires pour obtenir ce que tu veux d'un LLM. Techniques : être précis, donner un rôle, fournir des exemples. Objectif : Communiquer efficacement avec un 'cerveau' IA.
Atelier #3 : Écrire des Prompts pour un Assistant de Voyage
Exercice pratique de prompt engineering pour créer un agent IA planifiant un voyage. Tu apprendras à rédiger des prompts efficaces pour trouver un hôtel et suggérer un itinéraire, en comparant bons et mauvais prompts.
Quiz d'ancrage #2 : Outils, LLM et Prompts
5 questions pour vérifier ta maîtrise des nouveaux concepts : utilité des outils, rôle d'un LLM, principes d'un bon prompt. Objectif : Consolider les leçons 7 à 11.
Architecture Avancée : L'Agent Piloté par LLM - Comment Tout s'Assemble
Découvrez comment un LLM (le cerveau) reçoit des perceptions, utilise des outils via des prompts structurés et décide des actions. Diagramme complet de l'architecture pour une vision d'ensemble cohérente.
La Boucle ReAct : Raisonner et Agir en Cycle
Tu découvriras le framework **ReAct (Reason + Act)** qui formalise la boucle P-R-A pour un agent utilisant un LLM. Il *pense à voix haute* (raisonnement) puis *choisit une action* (utiliser un outil ou répondre). **Objectif** : Comprendre le mécanisme d'un agent autonome moderne.
Atelier #4 : Tracer une Boucle ReAct sur Papier - Maîtriser la Logique ReAct sans Coder
Cet atelier vous guide à travers un exercice de design où vous décrivez étape par étape la pensée et les actions d'un agent ReAct pour une question utilisateur. Objectif : maîtriser la logique ReAct sans écrire de code, en comprenant profondément le cycle Raisonner-Agir.
Prompt Engineering Avancé : Le Chain-of-Thought (Raisonnement en Chaîne)
Tu apprendras la technique du raisonnement en chaîne (Chain-of-Thought) pour forcer un LLM à détailler ses étapes de pensée, comme dans ReAct. Exemples avant/après montrant comment améliorer la fiabilité du raisonnement de l'agent.
Donner de la Mémoire à ton Agent : Passer d'Oublié à Contextuel
Comprendre pourquoi un agent IA a besoin de mémoire pour conserver le contexte des conversations et résultats d'outils. Explorer les concepts de mémoire à court et long terme pour transformer un agent 'oublié' en agent 'contextuel'.
Projet Guidé #1 : Assistant de Calcul Intelligent (Partie 1/2) - Construction d'un Agent Basique avec LLM et Outil Calculatrice
Ce projet pratique vous guide pas à pas pour construire votre premier agent IA autonome en Python. Vous implémenterez un agent qui utilise un LLM pour comprendre des questions en langage naturel et un outil calculatrice pour effectuer les opérations mathématiques, en appliquant les concepts d'architecture agent et de boucle ReAct.
Projet Guidé #1 : Assistant de Calcul Intelligent - Partie 2/2 - Mémoire et Logique ReAct
Dans cette seconde partie du projet, vous allez transformer votre assistant de calcul en un agent véritablement intelligent en lui ajoutant de la mémoire conversationnelle et une logique ReAct simple. Votre assistant pourra maintenant comprendre des références contextuelles comme 'Ajoute 15 au résultat précédent'.
Quiz d'ancrage #3 : ReAct, Mémoire et Intégration
5 questions de synthèse pour vérifier la compréhension des concepts avancés d'un agent IA : la boucle ReAct, la mémoire et l'intégration des composants. Objectif : ancrer les connaissances avant d'aborder la planification et l'apprentissage.
Planifier des Actions : Du But à la Séquence d'Étapes
Tu exploreras comment un agent IA décompose un objectif complexe en sous-tâches ordonnées et les exécute séquentiellement. Introduction au concept de planning pour gérer des tâches multi-étapes.
L'Apprentissage par Renforcement (RL) : L'Agent qui Apprend de ses Erreurs
Découverte conceptuelle de l'apprentissage par renforcement : comment un agent IA améliore sa politique de décision par essai-erreur et récompenses. Analogie avec un chien qui apprend un tour. Objectif : entrevoir l'avenir des agents auto-améliorants.
Projet Final : Conception d'un Agent Personnel (Spécifications) - Phase de Design
Phase de design du projet final : tu définiras les spécifications de TON agent idéal (ex: assistant de recherche, coach sportif, organiseur de tâches). Tu listeras ses objectifs, outils nécessaires et flux ReAct. Objectif : appliquer tout le cours à un projet personnel.
Projet Final : Plan d'Implémentation et Ressources - Feuille de Route Complète
Ce projet final te fournit un plan détaillé, des bouts de code réutilisables et des ressources pour implémenter ton agent après le cours. Nous revoyons les plateformes (AutoGen, LangChain) et créons une feuille de route personnalisée.
Rétrospective et Suite du Parcours : Bilan, Limites et Projets Avancés pour les Agents IA
Cette leçon clôture le cours en faisant un bilan complet du chemin parcouru, des robots analogiques aux agents autonomes. Elle aborde les limites éthiques et techniques, et propose des projets avancés et des communautés pour continuer l'apprentissage.
Les ressources du cours sont disponibles après validation de l’accès au contenu.