Créer un agent typé avec Pydantic AI, outils et dépendances
Construire un agent Python dont les entrées, dépendances, outils et sortie sont validés par des types explicites.
Répertoire
Tutoriels
Progressez étape par étape avec des exemples concrets, accessibles et vérifiables.
Implémenter une recherche sémantique avec Qdrant en Python
Indexer des textes avec leurs embeddings dans Qdrant, interroger les voisins proches et filtrer les résultats par métadonnées.
Tracer une application LLM avec Arize Phoenix
Instrumenter les appels LLM avec OpenTelemetry et OpenInference, puis analyser latence, tokens, erreurs et sessions dans Phoenix.
Déployer FLUX.1 Schnell sur un GPU cloud pour générer en volume
Construire un service d’inférence GPU autour de FLUX.1 Schnell avec Diffusers, cache des poids, API et garde-fous de production.
Générer des images avec l’API OpenAI en Python
Créer, enregistrer et valider une image depuis Python avec un prompt structuré et une gestion sûre des secrets et des erreurs.
Créer un voice agent temps réel avec Deepgram et FastAPI
Construire le chemin audio navigateur → transcription → réponse → synthèse, avec WebSocket, interruptions et mesures de latence.
Transcrire un fichier audio en Python avec Whisper
Installer Whisper, préparer un fichier audio, lancer une transcription française et produire un résultat horodaté exploitable.
Créer un dataset Hugging Face à partir de données métier
Transformer des données métier en Dataset, définir les types, séparer les jeux, anonymiser puis versionner le résultat sur le Hub.
Automatiser une veille technologique avec n8n et un LLM
Collecter des sources, dédupliquer les nouveautés, les résumer avec un LLM et publier une synthèse vérifiable avec n8n.
Déployer Mistral Nemo avec vLLM sur un serveur GPU
Servir Mistral Nemo derrière une API compatible OpenAI avec vLLM, puis sécuriser, mesurer et dimensionner le déploiement.
Déployer un projet Next.js sur Vercel, Railway ou un VPS
Préparer un build reproductible, choisir la cible d’hébergement et déployer Next.js avec variables, migrations et contrôles de santé.
RAG multimodal : indexer images et texte avec LlamaIndex
Construire un index qui retrouve des passages et des images, puis assemble un contexte multimodal traçable pour répondre à une question.
Construire un agent qui interroge une API REST
Déclarer un outil REST borné, valider ses paramètres et empêcher un agent de contourner authentification, quotas et règles métier.
Construire un agent de recherche web avec LangGraph
Orchestrer recherche, lecture, synthèse et contrôle des sources dans un graphe explicite avec état, limites et citations.
Effectuer une première requête à l’API Claude avec Python
Configurer le SDK Anthropic, envoyer un message, lire la réponse et gérer proprement secrets, erreurs et consommation de tokens.
Déployer une passerelle LLM avec FastAPI, LiteLLM et Docker
Exposer plusieurs fournisseurs derrière une API contrôlée avec routage, secrets, limites, image Docker et vérifications de santé.
Fine-tuner un modèle via l’API OpenAI : procédure et alternatives en 2026
Comprendre l’arrêt progressif de la plateforme, préparer un dataset et évaluer les options encore disponibles pour les comptes existants.
Fine-tuner Llama avec QLoRA sur un GPU unique
Préparer un dataset d’instructions, entraîner des adaptateurs QLoRA et évaluer le modèle sans modifier tous les poids.
Connecter un serveur MCP à une base PostgreSQL
Exposer des outils PostgreSQL en lecture contrôlée via MCP, avec requêtes paramétrées, rôle dédié, limites et journalisation.
Construire une recherche sémantique avec pgvector et Python
Stocker des embeddings dans PostgreSQL, créer un index vectoriel et interroger les documents proches avec filtres métier.
Créer un pipeline de prompts versionnés avec LangSmith
Versionner un prompt, le tester sur un dataset, comparer les résultats et promouvoir une version sans modifier le code applicatif.
Ajouter des tests unitaires à un projet Python avec un assistant IA
Utiliser un assistant pour cartographier les comportements, proposer des cas et écrire des tests pytest que vous validez réellement.
Créer une application complète avec Claude Code sans perdre le contrôle
Piloter Claude Code de la spécification au déploiement en gardant des étapes courtes, des tests et une validation humaine.
Streamer une réponse IA dans Next.js avec le Vercel AI SDK
Créer une route App Router qui diffuse la réponse du modèle et une interface useChat qui gère envoi, affichage et erreurs.
Sécuriser ses dépendances Mastra après l’attaque npm de juin 2026
Vérifier l’exposition aux versions compromises, isoler les machines, renouveler les secrets et durcir la chaîne npm.
Créer un premier agent avec un outil Python dans Agno
Créer un agent Agno minimal, ajouter un outil typé et contrôler ses arguments, erreurs et effets de bord.
Créer un programme LLM avec les signatures et modules DSPy
Déclarer le contrat d’un programme DSPy, l’exécuter sur un modèle puis l’optimiser à partir d’exemples et d’une métrique.
Construire un pipeline RAG avec Haystack 2
Créer deux pipelines Haystack : indexation des documents puis retrieval et génération avec composants testables.
Migrer de Semantic Kernel vers Microsoft Agent Framework
Transposer services, plugins, agents et threads Semantic Kernel vers Agent Framework sans perdre tests ni contrôles métier.
Créer un premier agent Python avec Microsoft Agent Framework
Créer un agent minimal, lui ajouter un outil Python typé et vérifier les appels avant de conserver une conversation.
Migrer d’AutoGen vers Microsoft Agent Framework
Migrer progressivement agents, outils, conversations et orchestrations AutoGen vers les abstractions de Microsoft Agent Framework.
Ajouter une mémoire persistante à un agent Python avec Mem0
Extraire et retrouver des souvenirs utiles par utilisateur sans confondre mémoire, historique et source de vérité.
Configurer RAGFlow pour indexer des documents
Déployer RAGFlow, créer un dataset, régler le parsing et contrôler les chunks avant de lancer les requêtes.
Créer un système multi-agents avec CrewAI
Définir deux agents spécialisés et un processus séquentiel, puis borner les outils, les délégations et les critères de sortie.
Construire un RAG avec LlamaIndex
Charger des documents, créer un index vectoriel, inspecter les sources et obtenir une réponse citée avec LlamaIndex.
Déployer un modèle de langage avec vLLM
Exposer un modèle derrière une API compatible OpenAI, dimensionner le cache KV et sécuriser le serveur d’inférence.
Utiliser un modèle de génération de texte en local avec Transformers
Charger un modèle causal, appliquer son template de chat et maîtriser mémoire, longueur et paramètres de génération.
Charger et utiliser un modèle depuis le Hugging Face Hub
Choisir un dépôt, vérifier sa licence et charger tokenizer et modèle à une révision fixe pour une inférence reproductible.
Fine-tuner un modèle avec Transformers Trainer
Préparer un dataset, tokenizer les exemples et entraîner un modèle de classification avec Trainer et une évaluation reproductible.
Connecter Ollama à LangChain
Utiliser un modèle Ollama dans une chaîne LangChain, ajouter un prompt, du streaming et des contrôles de configuration.
Appeler Ollama depuis Python
Interroger l’API locale d’Ollama depuis Python, gérer le streaming, les délais et les erreurs sans exposer le service.
Installer et configurer Ollama
Installer Ollama, télécharger un modèle, tester le CLI et l’API locale puis préparer une exposition réseau sécurisée.
Intégrer LangChain à une API FastAPI
Exposer une chaîne ou un agent LangChain derrière une route FastAPI avec validation, injection de dépendances et gestion des délais.
Construire un agent conversationnel avec une mémoire contrôlée
Conserver l’historique par session, limiter le contexte et distinguer mémoire de conversation, préférences et données métier.
Construire un RAG minimal avec LangChain et Chroma
Indexer quelques documents dans Chroma, retrouver les passages pertinents et générer une réponse courte avec sources.
Créer un premier agent LangChain avec un outil
Créer un agent JavaScript avec createAgent, un outil Zod borné et des contrôles sur les arguments et le nombre d’étapes.
Démarrer une application Next.js avec TypeScript et l’App Router
Créer un projet Next.js moderne, comprendre pages, layouts et composants serveur, puis valider le build de production.
Construire un pipeline RAG visuel avec Langflow
Assembler ingestion, découpage, embeddings, retrieval et génération dans Langflow, puis tester les sources avant publication.
Créer un chatbot RAG avec Dify
Créer une base de connaissances Dify, contrôler les chunks et construire un chatbot avec citations et comportement d’abstention.
Construire un serveur MCP en Python avec FastMCP
Exposer une ressource et un outil typé via FastMCP, tester le protocole puis sécuriser le transport et les actions.
Obtenir une première réponse de l’API OpenAI avec Node.js
Installer le SDK OpenAI, appeler la Responses API côté serveur et lire le texte, les erreurs et les informations utiles.
Créer une première page accessible et responsive
Construire une page sémantique qui reste lisible au clavier, au zoom et sur petits écrans sans surcharger les attributs ARIA.
Construire une liste de tâches accessible en JavaScript
Créer une todo list utilisable au clavier et avec un lecteur d’écran grâce au HTML natif, aux labels et aux annonces ciblées.
Créer une API JSON minimale avec Node.js
Créer une API HTTP sans framework, valider les entrées et retourner des réponses JSON cohérentes avec gestion des erreurs.