Découvrez ce qui rend les code agents 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 connecter les agents à vos données.

Introduction à Hugging Face smolagents

Laissez l’agent faire les calculs : analyse de dépenses

Attendez, vous n’avez écrit aucune fonction ?

Créer un agent avec des outils

Écrire du code à partir de prompts : intérêts composés

Laisser les agents 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 aux agents l’accès aux données

Une invite, plusieurs outils

Transformez votre pipeline RAG traditionnel en un système agentique qui récupère l’information de manière itérative et raisonne en plusieurs étapes. Créez des outils avec état pour des recherches avancées, guidez les agents avec des intervalles de planification pour améliorer les résultats et utilisez des callbacks pour suivre et personnaliser le comportement des agents à l’exécution.

Rappel sur le RAG

La pipeline RAG étape par étape

RAG dans l’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

Conçu avec état : créer un outil de recherche RAG

Connecter l’outil, activer l’Agentic RAG

Travailler avec des agents multi-étapes

Suivre les étapes de l’agent, surveiller l’action

À vous de jouer : exécuter l’agent complet

Agentic RAG et agents multi‑étapes

Abordez des workflows complexes en orchestrant des équipes d’agents spécialisés sous la direction d’un gestionnaire. Ajoutez de la mémoire pour conserver le contexte entre les interactions, déboguez le comportement des agents grâce aux traces d’exécution et aux étapes de raisonnement, et mettez en place des stratégies de validation robustes pour garantir des réponses fiables et de haute qualité.

Introduction aux systèmes multi-agents

Diviser pour régner : créer des agents spécialistes

Faites connaissance avec l’équipe : coordination d’agents

Gérer la mémoire des agents

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

Plus de détails, Agent : imposer une longueur minimale de réponse

Des agents plus futés : valider et réessayer

Félicitations !

Systèmes multi‑agents, mémoire et validation

Orders

Les agents IA transforment notre manière de travailler avec les données et les logiciels. De l’automatisation de workflows à l’assistance sur des tâches complexes, les agents peuvent rechercher, raisonner et agir en votre nom. Dans ce cours, vous apprendrez à créer des agents avec smolagents, un framework Python léger développé par Hugging Face.

Passez à la pratique avec des code agents et des outils

Vous commencerez par comprendre ce qui distingue les code agents et pourquoi ils sont si puissants. Ensuite, vous construirez votre premier agent de A à Z avec smolagents pour générer et exécuter du code Python. Vous verrez aussi comment utiliser les outils intégrés et créer des outils personnalisés pour étendre les capacités de vos agents.

Rendez les agents plus intelligents avec le RAG et la mémoire

Vous utiliserez ensuite la génération augmentée par récupération (RAG) pour aider les agents à extraire des informations à partir de grandes collections de documents. Vous irez plus loin en créant des systèmes d’Agentic RAG — des agents qui raisonnent en plusieurs étapes pour fournir de meilleures réponses. Vous apprendrez également à ajouter de la mémoire pour que les agents gèrent naturellement les relances et gardent la trace de ce qui a déjà été fait.

Coordonner des systèmes multi-agents et valider les résultats

Dans le dernier chapitre, vous construirez des systèmes multi‑agents qui coordonnent des agents spécialistes via un gestionnaire. Vous ajouterez des intervalles de planification, utiliserez des callbacks pour analyser le comportement des agents et validerez les réponses finales, afin que vos agents restent fiables et faciles à utiliser.

À la fin du cours, vous saurez créer des agents qui anticipent, collaborent et vont au bout des tâches.

Working with Hugging Face

Retrieval Augmented Generation (RAG) with LangChain

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

Agents IA avec Hugging Face smolagents

Découvrez comment créer des agents intelligents qui raisonnent, agissent et résolvent des tâches concrètes à l'aide de Python.

Principes fondamentaux de Hugging Face

Collecter et prétraiter les manuels PDF.

Construire un index sémantique : découper les documents, générer les embeddings et stocker les vecteurs.

Rechercher dans l’index et sélectionner les passages les plus pertinents.

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

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

RAG dans l’ordre : des manuels aux réponses

Exercice interactif pratique