Découvrez ce qui rend les agents de code uniques et comment ils utilisent Python pour raisonner et agir. Créez votre premier agent avec smolagents, ajoutez des outils intégrés et communautaires pour l'accès au Web, et concevez des outils personnalisés pour relier les agents aux données.

Introduction à Hugging Face smolagents

Laissez l'agent faire le calcul : aperçu des dépenses

Attendez, vous n'avez écrit aucune fonction?

Créer un agent avec des outils

Écrire du code à partir d'invites : intérêts composés

Permettre aux agents de chercher sur le Web

Créer un agent avec des outils personnalisés

Ajoutez simplement @tool : créer un outil personnalisé

L'addition, s'il vous plaît ! Donner accès aux données aux agents

Une invite, plusieurs outils

Transformez votre pipeline RAG traditionnel en un système agentique qui récupère l'information de façon itérative et raisonne sur plusieurs étapes. Créez des outils à état pour soutenir une recherche avancée, guidez les agents avec des intervalles de planification pour améliorer les résultats, et utilisez des rappels pour suivre et personnaliser le comportement des agents à l'exécution.

Rappel sur le RAG

Le pipeline RAG étape par étape

RAG en ordre : des manuels aux réponses

Alors, que se passe-t-il vraiment dans RAG?

L'étape qui ajoute du sens

Introduction à l'Agentic RAG

Pensé pour conserver l'état : créer un outil de recherche RAG

Connecter l'outil et activer l'Agentic RAG

Travailler avec des agents en plusieurs étapes

Suivre les étapes de l'agent et surveiller l'action

C'est l'heure du jeu : exécuter l'agent au complet

RAG agentique et agents multiétapes

Abordez des flux de travail complexes en orchestrant des équipes d'agents spécialisés sous la coordination d'un gestionnaire. Ajoutez de la mémoire pour conserver le contexte entre les interactions, déboguez le comportement des agents à l'aide de traces d'exécution et d'étapes de raisonnement, et mettez en place des stratégies de validation robustes pour garantir des réponses fiables et de haute qualité.

Introduction aux systèmes multiagents

Diviser pour régner : créer des agents spécialistes

Faites connaissance avec l'équipe : coordination des agents

Gérer la mémoire de l'agent

À ne pas oublier : conserver la mémoire entre les appels

Tracer l'exécution du code de l'agent

Validation de la réponse finale de l'agent

Dites-en plus, agent : imposer une longueur de réponse

Des agents plus futés : valider et réessayer

Félicitations !

Systèmes multiagents, mémoire et validation

Orders

Les agents IA transforment notre façon de travailler avec les données et les logiciels. De l'automatisation des flux de travail à l'accompagnement des utilisateurs dans des tâches complexes, les agents peuvent chercher, raisonner et agir pour vous. Dans ce cours, vous apprendrez à créer des agents avec smolagents, un cadre Python léger développé par Hugging Face.

Mettez la main à la pâte avec des agents de code et des outils

Vous commencerez par comprendre ce qui distingue les agents de code et pourquoi ils sont si puissants. Ensuite, vous construirez votre premier agent à partir de zéro, en utilisant smolagents pour générer et exécuter du code Python. Vous apprendrez aussi à brancher des outils intégrés et à créer des outils personnalisés pour étendre les capacités de vos agents.

Rendez les agents plus futés avec le RAG et la mémoire

Vous utiliserez ensuite la génération augmentée par recherche (RAG) pour aider les agents à extraire de l'information de vastes collections de documents. Vous irez plus loin en bâtissant des systèmes de RAG agentique — des agents qui raisonnent en plusieurs étapes pour fournir de meilleures réponses. Vous verrez aussi comment ajouter de la mémoire afin que les agents gèrent naturellement les relances et gardent la trace de ce qui a déjà été fait.

Coordonner des systèmes multiagents et valider les résultats

Dans le dernier chapitre, vous construirez des systèmes multiagents qui coordonnent des agents spécialistes au moyen d'un gestionnaire. Vous ajouterez des intervalles de planification, utiliserez des rappels pour mieux comprendre le comportement des agents et validerez les réponses finales afin que vos agents restent fiables et conviviaux.

À la fin du cours, vous saurez créer des agents qui anticipent, collaborent et livrent des résultats.

Working with Hugging Face

Retrieval Augmented Generation (RAG) with LangChain

Apprenez à créer des agents intelligents qui raisonnent et résolvent des tâches réelles avec Python.

Agents IA avec Hugging Face smolagents

Créez des agents intelligents capables de raisonner, d’agir et de résoudre des tâches concrètes avec Python.

Fondamentaux de Hugging Face

Recueillir et prétraiter les manuels PDF.

Construire un index sémantique : segmenter les documents, créer des embeddings et stocker les vecteurs.

Fouiller l'index et sélectionner les segments les plus pertinents.

Assembler le contexte : joindre les segments récupérés avec des séparateurs et des métadonnées.

Générer la réponse : envoyer la question et le contexte au LLM pour obtenir une réponse.

RAG en ordre : des manuels aux réponses

Agents IA avec Hugging Face smolagents

Exercice interactif pratique