IA pour développeurs
RAG en IA : LangChain et LangFlow
Construire des assistants qui répondent à partir de vos documents, avec LangChain et LangFlow.
- Durée
- 21 h · 3 jours
- Niveau
- Confirmé
- Format
- Présentiel · Distanciel · Mixte
- Effectif max.
- 12 participants
Présentation
Ce programme explique et met en pratique le RAG (génération augmentée par la recherche), la technique qui permet à un modèle de langage de répondre à partir des documents d’une organisation. Les participants construisent un système complet : ingestion, découpage, embeddings, base vectorielle, recherche et génération. Ils le réalisent d’abord en code avec LangChain, puis visuellement avec LangFlow, avant d’aborder l’amélioration de la qualité et la mise en production.
À qui s’adresse ce programme
- Développeurs, data analysts et ingénieurs souhaitant bâtir des assistants sur leurs données
- Architectes et chefs de projet techniques impliqués dans des projets d’IA
- Centres de formation proposant un parcours IA avancé
Prérequis
- Bases de programmation, idéalement en Python
- Notions de prompting et d’API
- À l’aise avec le terminal et un éditeur de code
Objectifs pédagogiques
- Expliquer l’architecture d’un système RAG
- Préparer, découper et indexer des documents
- Choisir et utiliser des embeddings et une base vectorielle
- Construire une chaîne de questions-réponses avec LangChain
- Concevoir visuellement un flux RAG et un agent avec LangFlow
- Améliorer la pertinence : recherche hybride, reclassement, évaluation
- Exposer et surveiller son assistant en production
Programme détaillé
7 modules · 21 h · 3 jours
Jour 1
Modèles de langage, embeddings et recherche vectorielle
50 % théorie · 50 % pratique
- Fonctionnement d’un modèle de langage et fenêtre de contexte
- Embeddings : représenter le sens par des vecteurs
- Similarité et recherche vectorielle
- Limites des modèles et intérêt du RAG
🛠 Ateliers pratiques
Explorer des embeddings1 h
Calculer des embeddings et observer la proximité entre phrases.
✅ Livrable : Un notebook d’exploration
Architecture d’un système RAG
30 % théorie · 70 % pratique
- Ingestion : chargement de PDF, pages web, bases
- Découpage des documents et stratégies de chunking
- Indexation dans une base vectorielle
- Recherche, assemblage du contexte et génération
- Citer ses sources
🛠 Ateliers pratiques
Premier RAG « à la main »2,5 h
Construire un RAG minimal sans framework pour comprendre chaque étape.
✅ Livrable : Un RAG minimal fonctionnel
Jour 2
LangChain : prise en main
30 % théorie · 70 % pratique
- Modèles, prompts et sorties structurées
- Chaînes et composition
- Mémoire de conversation
- Outils et agents : principes
Construire un RAG avec LangChain
20 % théorie · 80 % pratique
- Chargeurs de documents et découpeurs
- Base vectorielle et retriever
- Chaîne de questions-réponses avec sources
- Gérer l’historique de conversation
🛠 Ateliers pratiques
Assistant documentaire en Python2,5 h
Construire un assistant qui répond aux questions sur un corpus de documents d’entreprise.
✅ Livrable : Un assistant documentaire avec sources
Jour 3
LangFlow : construire visuellement
20 % théorie · 80 % pratique
- Installer et lancer LangFlow
- Composants, flux et variables
- Reproduire le RAG en mode visuel
- Exposer un flux via une API
🛠 Ateliers pratiques
RAG et agent dans LangFlow2 h
Concevoir le flux, le tester dans l’interface et l’appeler depuis un script.
✅ Livrable : Un flux LangFlow exportable
Améliorer la qualité du RAG
30 % théorie · 70 % pratique
- Recherche hybride et reclassement
- Reformulation des questions et requêtes multiples
- Mesurer la qualité : pertinence, fidélité, rappel
- Diagnostiquer les erreurs
Mise en production
60 % théorie · 40 % pratique
- Exposer l’assistant via une API
- Sécurité, droits d’accès et confidentialité
- Observabilité, coûts et mises à jour des documents
Outils et technologies
API OpenAIChromaDBDockerJupyter NotebookLangChainLangFlowPython
Méthodes pédagogiques
- Alternance d’apports théoriques et de travaux pratiques en code
- Projet fil rouge : assistant sur les documents d’une entreprise fictive
- Revues de code et de résultats
- Comparaison des approches code et low-code
Évaluation
- Exercices notés à chaque module
- Démonstration du RAG réalisé et de son évaluation
- Quiz de validation des acquis
Matériel requis
- Un ordinateur avec Python 3 installé et un éditeur de code
- Une clé d’API d’un modèle de langage (fournie ou personnelle)
- Une connexion internet
Ressources fournies
- Notebooks et dépôt de code des ateliers
- Corpus de documents d’exercice
- Grille d’évaluation d’un système RAG
Débouchés
- Un assistant documentaire fonctionnel
- Méthode pour évaluer et améliorer un RAG
- Compétences recherchées pour les projets d’IA en entreprise