Index et retrievers dans LlamaIndex
Distinguer documents, nodes, index, retrievers et query engines dans LlamaIndex pour contrôler la récupération d’un pipeline RAG.
Répertoire
Guides
Comprenez les concepts essentiels et choisissez une approche adaptée à votre projet.
Comprendre PagedAttention et le batching continu
Comprendre comment vLLM gère le cache KV et regroupe dynamiquement les requêtes pour améliorer l’utilisation mémoire et le débit.
vLLM, Ollama ou TGI : quel moteur d’inférence choisir ?
Comparer vLLM, Ollama et Text Generation Inference selon poste local, compatibilité modèles, débit GPU, exploitation et montée en charge.
Transformers ou API : quand faut-il fine-tuner ?
Décider entre modèle Transformers local, API hébergée, prompting, RAG et fine-tuning selon qualité, données, coûts et exploitation.
Tokenizers : comprendre le découpage en tokens
Comprendre vocabulaire, sous-mots, tokens spéciaux, padding et troncature pour diagnostiquer les coûts et limites des modèles Transformers.
Comprendre les pipelines Transformers
Utiliser l’API pipeline de Transformers pour tester une tâche, choisir explicitement un modèle et éviter les pièges de performance ou de sécurité.
Performances GPU ou CPU avec Ollama
Mesurer Ollama sur GPU et CPU avec des métriques utiles, comprendre les limites de mémoire et éviter les benchmarks trompeurs.
Créer un Modelfile Ollama personnalisé
Créer un modèle Ollama dérivé avec FROM, SYSTEM et PARAMETER, le construire, le tester et éviter les personnalisations fragiles.
Ollama ou API hébergée : comment choisir ?
Comparer Ollama et une API de modèles hébergée selon confidentialité, qualité, coûts, exploitation, latence et passage à l’échelle.
Choisir un modèle local : taille, quantification et usage
Choisir un modèle Ollama selon la mémoire disponible, la quantification, la longueur de contexte, la qualité attendue et le cas d’usage.
Migration guide : adopter la dernière release majeure de LangChain
Mettre à jour LangChain vers une release majeure avec une méthode reproductible : analyse d’impact, tests, canari, observabilité et retour arrière.
Sécuriser les entrées utilisateur dans un agent LangChain
Réduire les risques d’injection de prompt et d’abus d’outils dans un agent LangChain avec validation, permissions, middleware et approbation humaine.
Observabilité LangChain avec LangSmith
Instrumenter une application LangChain avec LangSmith : traces, runs, projets, métadonnées, retours utilisateurs et évaluations en production.
Évaluer un pipeline RAG LangChain avec Ragas et DeepEval
Évaluer séparément retrieval et génération d’un RAG LangChain avec un jeu de référence, des métriques Ragas ou DeepEval et des seuils de régression.
Streaming et callbacks dans LangChain
Diffuser les tokens et événements d’un agent LangChain, choisir le bon mode de streaming et instrumenter sans bloquer l’application.
LangGraph : construire des agents à états
Comprendre l’état, les nœuds, les transitions et la persistance de LangGraph pour construire un agent contrôlable et résilient.
LlamaIndex vs LangChain pour le RAG
Comparer LangChain et LlamaIndex spécifiquement pour un pipeline RAG : ingestion, index, retrieval, orchestration, évaluation et exploitation.
Migrer de LangChain 0.2 à 1.x
Planifier une migration LangChain 0.2 vers 1.x : inventaire, langchain-classic, create_agent, imports, sorties structurées et tests de non-régression.
5 erreurs fréquentes avec LangChain — et comment les éviter
Éviter cinq erreurs courantes avec LangChain : tutoriels obsolètes, abstraction excessive, sorties non validées, outils trop permissifs et absence d’évaluation.
LangChain vs LlamaIndex : comment choisir ?
Comparer LangChain et LlamaIndex selon l’orchestration, les données, le RAG, les agents et les contraintes d’exploitation.
Utiliser un retriever pour le RAG avec LangChain
Comprendre l’interface Retriever de LangChain et l’utiliser dans un pipeline RAG prévisible, testable et indépendant du vector store.
Output Parsers et sorties structurées avec LangChain
Transformer les réponses d’un modèle en données fiables avec StrOutputParser, Pydantic et les sorties structurées modernes de LangChain.
Prompt Templates : structurer ses instructions avec LangChain
Créer des prompts réutilisables avec ChatPromptTemplate, séparer les rôles et valider les variables avant l’appel au modèle.
Comprendre les chains et LCEL dans LangChain 1.x
Comprendre les Runnables, la composition LCEL et la place des anciennes chains dans LangChain 1.x, avec un exemple de pipeline simple.
Comprendre les transactions PostgreSQL : BEGIN, COMMIT et ROLLBACK
Regrouper plusieurs opérations SQL dans une transaction PostgreSQL, annuler en cas d’échec et anticiper les accès concurrents.
Modéliser des contenus dans Payload CMS : collections, accès et brouillons
Structurer une collection Payload, définir ses champs, protéger ses opérations et organiser un workflow de brouillon avant publication.
Server ou Client Components dans Next.js : comment choisir ?
Choisir où placer un composant Next.js selon ses données, son interactivité, les API du navigateur et le JavaScript envoyé au client.
API d’IA hébergée ou modèle local : comment choisir ?
Comparer une API d’IA hébergée et un modèle exécuté localement selon les données, le coût, la latence et l’exploitation.
JavaScript ou TypeScript : comment choisir ?
Comparer JavaScript et TypeScript selon le projet, l’équipe et le coût de maintenance.
Comprendre HTTP : requêtes, réponses et codes de statut
Comprendre le protocole qui permet aux navigateurs, API et serveurs d’échanger des ressources et des informations.