AGENTS
Mise en production
& architectures avancées
(3 jours)


De la théorie à la pratique
avec LangGraph et LangSmith

Nb. de jours
3
Présentiel ?
Oui
Distanciel ?
Oui
Min. participants
2
Max. participants
8
Lieu
Toulouse, Paris, etc.
Tarif
2690€ HT
AGENTS <br/> Mise en production <br/> & architectures avancées
                <br/> (3 jours)
Passer d'un prototype multi-agents séduisant en environnement de développement à une application déployée à l'échelle de l'entreprise est un défi de taille. Si la modélisation de graphes basiques est désormais accessible, le passage à la production impose des contraintes de fiabilité drastiques : explosion des coûts de tokens, gestion de la latence, persistance de la mémoire à long terme et risques de sécurité inédits comme les injections de prompts ou les dérives de comportement.

Cette formation intensive de 3 jours est le prolongement expert de notre cursus socle. Conçue exclusivement pour les profils intermédiaires maîtrisant déjà les fondamentaux de l’orchestration, elle se concentre sur l’industrialisation, la sécurisation et l’optimisation des architectures agentiques complexes. L'objectif n'est plus d'apprendre à créer un nœud ou une arête, mais de structurer des systèmes hautement découplés via un registre de composants (Registry) et d'implémenter des garde-fous applicatifs stricts.

Au cours de ce programme, vous plongerez dans les protocoles de communication avancés tels que l'Agent-to-Agent (A2A) et le Model Context Protocol (MCP), et vous maîtriserez l'isolation d'exécution via le sandboxing de code. Une large part de la formation sera dédiée à l'écosystème LangSmith pour opérer une stratégie AgentOps complète : du traçage de graphes asynchrones à la supervision des métriques de production (coûts, latence), jusqu’à la mise en place de jeux de tests automatisés et de boucles d'auto-correction (self-evaluation).
Fidèle à notre approche pédagogique, ce cursus consacre 70% de son temps à la pratique à travers des ateliers de refactoring, des simulations de pannes en production et la sécurisation d'environnements d'exécution, vous donnant toutes les clés pour déployer des agents robustes, rentables et de grade entreprise.

Objectifs

  • Industrialiser des architectures graphes d'entreprise : Concevoir et déployer des topologies LangGraph complexes, hautement évolutives et découplées, en s'appuyant sur un registre de composants (Registry) et des patterns de conception avancés.
  • Sécuriser les agents et l'accès aux outils de bout en bout : Garantir l'étanchéité du système face aux injections de prompts, isoler l'exécution de code via le sandboxing, et encadrer rigoureusement la communication multi-agents grâce aux protocoles A2A et MCP.
  • Maîtriser la latence et la rentabilité financière (TokenOps) : Dompter la consommation de tokens et optimiser les temps de réponse en production par la mise en œuvre de stratégies de cache, de parallélisation de nœuds et de streaming d'état.
  • Piloter une stratégie AgentOps complète avec LangSmith : Traquer et diagnostiquer efficacement les anomalies sur des graphes asynchrones complexes, superviser les métriques de production et implémenter des pipelines d'auto-évaluation et d'auto-correction automatisés.
Alexia Audevart
Pour connaitre les dates des prochaines sessions,
pour adapter le programme à vos besoins
ou pour obtenir des informations complémentaires,
contactez nous!

Méthode pédagogique

  • Composée à 70% de pratique, cette formation utilise des exercices illustrés et didactiques.
  • Une évaluation quotidienne de l’acquisition des connaissances de la veille est effectuée.
  • Une synthèse est proposée en fin de formation.
  • Une évaluation à chaud sera proposée au stagiaire à la fin du cours.
  • Un support de cours sera remis à chaque participant comprenant les slides sur la théorie, les exercices.
  • Une feuille d’émargement par demi-journée de présence est fournie en fin de formation ainsi qu’une attestation de fin de formation si le stagiaire a bien assisté à la totalité de la session.
  • Un suivi et un échange avec les participants seront mis en place quelques jours après la formation.

Pré-requis

  • La connaissance du langage Python est nécessaire.
  • Des bases en LLM/RAG/Agents sont requises.
  • La maîtrise des frameworks LangChain et LangGraph est nécessaire, ou avoir suivi la formation « Au-delà du RAG : des fondations des LLM aux agents autonomes ».

Publics

  • Data Engineers
  • Data Scientists
  • Développeurs

Évaluation

Cette formation ne nécessite pas d’avoir recours à une évaluation formalisée des acquis

Programme

Architectures Graphes Avancées et Gestion de la Mémoire

Patterns d'Architecture et Déploiement
  • Patterns de conception avancés : Superviseur complexe, Réseau d'agents, Plan-and-Execute.
  • Architecture type de déploiement (Building Blocks) et mise en place d'un registre de composants (Registry) pour charger dynamiquement les prompts et les outils.
  • Lab (Pratique) : Refactoring d'un monolithe agentique en architecture modulaire type "Registry" orientée micro-services
Optimisation de la Mémoire et des Connaissances
  • Gestion et optimisation du contexte (court à long terme).
  • Stratégies de message truncation, persistence inter-sessions (Stores).
  • Gestion des skills (connaissance métier) par injection dynamique selon le nœud actif.
  • Gestion du contexte (context engineering).
  • Lab (Pratique) : Implémentation d'un agent capable de manipuler une mémoire infinie via un store vectoriel, sans jamais dépasser la fenêtre de contexte du LLM.

Sécurité, Protocoles et Haute Performance

Sécurité Applicative, MCP et Sandboxing
  • Concepts théoriques de la Communication Agentique : Introduction aux protocoles émergents A2A et MCP.
  • Sécurité des agents : Prompt injection, IAM/Gestion des droits, Guardrailing, contrôle de la supply chain.
  • Concepts de Sandboxing / CLI.
  • Lab (Pratique) : Création d'agents qui font appel à du LangGraph pour orchestrer un environnement de Sandboxing (exécution sécurisée de code via Docker). Implémentation d'un connecteur MCP pour l'accès à une base de données protégée.
Optimisation des Performances et TokenOps
  • Optimisation des performances face aux contraintes de temps de réponse (parallélisation, state streaming).
  • Optimisation des coûts et de la consommation des tokens (TokenOps).
  • Lab (Pratique) : Streaming de l'état d'un graphe LangGraph vers le front-end en temps réel et implémentation de stratégies de cache/routage dynamique (petits vs grands modèles) pour réduire la latence de 50%.

AgentOps, Debugging et Évaluation avec LangSmith

Debugging et Supervision de Production
  • Plongée experte dans LangSmith.
  • Bonnes pratiques de debugging sur des graphes asynchrones.
  • Tagging, gestion des traces complexes, et supervision de la production (dashboards de latence, taux d'erreurs, coûts par nœud).
  • Lab (Pratique) : "Escape Game Agentique" : Débugger un système multi-agents en production gravement dysfonctionnel en n'utilisant que les traces LangSmith.
Évaluation et Self-Evaluation (Auto-Correction)
  • Stratégies d'évaluation automatisées (LLM-as-a-judge).
  • Création de datasets de test depuis les logs de production.
  • Implémentation de nœuds de Self-evaluation (le graphe s'auto-corrige).
  • Lab (Pratique) : Construire une boucle de rétroaction complète : l'agent génère un résultat, un nœud d'évaluation critique le résultat via un dataset défini dans LangSmith, et force l'agent à re-générer la réponse si le niveau de qualité n'est pas atteint.

FREN