Cours d'optimisation Python pour l'IA agentique

Leçon 1 • Patrons orientés objet pour les agents

Appliquez les classes, l'héritage et la composition pour modéliser les composants d'un agent. Fournit le vocabulaire structurel utilisé tout au long du cours.

Leçon 2 • Configuration de l'environnement Python et outils

Configurez des environnements Python reproductibles en utilisant des environnements virtuels et des gestionnaires de dépendances. Établit l'espace de travail cohérent dont dépendent tous les chapitres suivants.

Leçon 3 • Pratiques de gestion des erreurs et de journalisation

Implémentez des hiérarchies d'exceptions structurées et une journalisation structurée. Une gestion fiable des erreurs est essentielle pour les agents autonomes de longue durée.

Leçon 4 • Révision des structures de données Python de base

Revenez sur les listes, dictionnaires, ensembles et tuples en mettant l'accent sur les compromis de performance. Soutient directement une gestion d'état efficace au sein des agents.

Leçon 1 • Files d'attente asynchrones et agents producteur-consommateur

Utilisez les files d'attente asyncio pour découpler les producteurs d'agents des consommateurs. Modélisez des pipelines d'agents multi-étapes avec contrôle de contre-pression.

Leçon 2 • Exécution synchrone vs. asynchrone

Comparez les modèles d'exécution bloquants et non bloquants avec des benchmarks concrets. Établit la motivation pour adopter les patrons async dans les systèmes d'agents.

Leçon 3 • Gestion des tâches et patrons de rassemblement

Planifiez plusieurs coroutines avec les tâches asyncio et le rassemblement. Permet aux agents de déployer des appels d'outils et de collecter les résultats efficacement.

Leçon 4 • Gestionnaires de contexte asynchrones et générateurs

Implémentez des gestionnaires de contexte asynchrones et des générateurs asynchrones pour un streaming sûr en termes de ressources. Prend en charge le streaming des réponses LLM dans les boucles d'agents.

Leçon 1 • Backends de stockage persistants

Persistez la mémoire des agents entre les sessions en utilisant des magasins relationnels et de type clé-valeur. Permet aux agents avec état de reprendre le contexte après des redémarrages.

Leçon 2 • Stratégies d'optimisation de la fenêtre de contexte

Compressez, résumez et priorisez la mémoire pour respecter les limites de contexte LLM. Améliore directement la cohérence des agents sur des tâches de longue durée.

Leçon 3 • Taxonomie de la mémoire des agents

Classez la mémoire des agents en types de travail, épisodique, sémantique et procédural. Fournit la carte conceptuelle pour toutes les décisions de conception mémoire du chapitre.

Leçon 4 • Magasins de vecteurs pour la récupération sémantique

Plongez du texte et interrogez les magasins de vecteurs pour donner aux agents une mémoire sémantique à long terme. Relie la génération augmentée de récupération aux boucles de décision des agents.

Leçon 1 • Appel de fonctions avec les API LLM

Transmettez des schémas d'outils aux API LLM et analysez les réponses structurées d'appel de fonction. Fait le pont entre la sortie LLM et les fonctions Python exécutables.

Leçon 2 • Principes de conception d'outils

Définissez ce qui fait un bon outil d'agent : atomicité, idempotence et schémas clairs. Établit les normes de conception appliquées à chaque outil construit dans le chapitre.

Leçon 3 • Logique de relance et récupération d'erreurs

Implémentez le backoff exponentiel, les disjoncteurs et les stratégies de repli pour les outils. Garantit que les agents restent fonctionnels lorsque les services externes se dégradent.

Leçon 4 • Exécution isolée et sécurisée des outils

Exécutez des outils générant du code dans des sous-processus ou conteneurs isolés. Atténue les risques de sécurité liés à l'exécution de code généré par un agent.

Leçon 1 • Ingénierie des invites pour le raisonnement

Créez des invites système et utilisateur qui suscitent un raisonnement structuré en chaîne de pensée. Des invites bien conçues réduisent l'hallucination et améliorent la qualité des plans.

Leçon 2 • Mécanismes d'auto-correction et de réflexion

Ajoutez des étapes de réflexion où les agents critiquent et révisent leurs propres sorties. Améliore la qualité de la réponse finale sur des tâches complexes et ouvertes.

Leçon 3 • Décomposition des objectifs et planification des tâches

Décomposez les objectifs de haut niveau en sous-tâches ordonnées en utilisant des plans générés par LLM. Permet aux agents de s'attaquer à des problèmes multi-étapes au-delà du raisonnement en un seul tour.

Leçon 4 • Implémentation de la boucle ReAct en Python

Codez une boucle ReAct complète avec analyse des pensées, répartition des outils et injection d'observations. Traduit l'article ReAct en Python exécutable et testable.

Leçon 1 • Implémentation de l'agent orchestrateur

Construisez un orchestrateur qui délègue des sous-tâches à des agents spécialisés et agrège les résultats. Démontre le patron de coordination central dans les systèmes multi-agents.

Leçon 2 • Protocoles de communication entre agents

Définissez des schémas de messages et des règles de routage pour la communication inter-agents. Des protocoles standardisés préviennent les échecs d'intégration à mesure que le nombre d'agents augmente.

Leçon 3 • Tolérance aux pannes dans les systèmes multi-agents

Implémentez des vérifications de santé, des redémarrages et une réattribution des tâches pour les agents défaillants. Garantit que le système global continue de fonctionner malgré les défaillances individuelles des agents.

Leçon 4 • Mémoire partagée et synchronisation d'état

Synchronisez l'état partagé entre les agents en utilisant des verrous, des files d'attente et des magasins distribués. Empêche les conditions de course et les lectures obsolètes dans les systèmes d'agents concurrents.

Leçon 1 • Outils et techniques de profilage

Utilisez cProfile, line_profiler et memory_profiler pour localiser les points chauds de performance. Profiler avant d'optimiser évite un gaspillage d'efforts sur des chemins de code non critiques.

Leçon 2 • Stratégies de mise en cache pour les appels d'agents

Appliquez la mise en cache en mémoire et distribuée pour éviter les appels redondants aux LLM et aux outils. La mise en cache est l'optimisation au meilleur rapport effort-bénéfice pour les agents sensibles à la latence.

Leçon 3 • Parallélisme avec multiprocessing et threads

Déchargez les tâches liées au processeur vers des pools de processus et les tâches liées aux E/S vers des pools de threads. Complète les patrons async pour les charges de travail qui bloquent la boucle d'événements.

Leçon 4 • Optimisation du traitement de données en Python

Remplacez les boucles Python lentes par des opérations NumPy vectorisées et des compréhensions efficaces. Réduit le temps CPU pour les étapes de prétraitement de données lourdes des agents.

Leçon 1 • Conteneurisation et patrons de déploiement

Empaquetez les agents dans des conteneurs et déployez avec des plateformes d'orchestration. La conteneurisation garantit la parité d'environnement entre le développement et la production.

Leçon 2 • Frameworks d'évaluation des agents

Mesurez les performances des agents avec le taux d'achèvement des tâches, la fidélité et les métriques de latence. L'évaluation quantitative remplace le jugement subjectif par des scores reproductibles.

Leçon 3 • Pipelines CI/CD pour les systèmes agentiques

Automatisez les tests, l'évaluation et le déploiement via des pipelines CI/CD. La livraison continue réduit le risque de livrer un comportement d'agent défectueux.

Leçon 4 • Tests unitaires et d'intégration pour les agents

Écrivez des tests unitaires basés sur pytest pour les outils et des tests d'intégration pour les boucles d'agents. Les tests automatisés détectent les régressions avant qu'elles n'atteignent la production.