Répertoire

Tutoriels

Progressez étape par étape avec des exemples concrets, accessibles et vérifiables.

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.

Utiliser un assistant pour cartographier les comportements, proposer des cas et écrire des tests pytest que vous validez réellement.

Piloter Claude Code de la spécification au déploiement en gardant des étapes courtes, des tests et une validation humaine.

Créer une route App Router qui diffuse la réponse du modèle et une interface useChat qui gère envoi, affichage et erreurs.

Vérifier l’exposition aux versions compromises, isoler les machines, renouveler les secrets et durcir la chaîne npm.

Créer un agent Agno minimal, ajouter un outil typé et contrôler ses arguments, erreurs et effets de bord.

Déclarer le contrat d’un programme DSPy, l’exécuter sur un modèle puis l’optimiser à partir d’exemples et d’une métrique.

Créer deux pipelines Haystack : indexation des documents puis retrieval et génération avec composants testables.

Transposer services, plugins, agents et threads Semantic Kernel vers Agent Framework sans perdre tests ni contrôles métier.

Créer un agent minimal, lui ajouter un outil Python typé et vérifier les appels avant de conserver une conversation.

Migrer progressivement agents, outils, conversations et orchestrations AutoGen vers les abstractions de Microsoft Agent Framework.

Extraire et retrouver des souvenirs utiles par utilisateur sans confondre mémoire, historique et source de vérité.

Déployer RAGFlow, créer un dataset, régler le parsing et contrôler les chunks avant de lancer les requêtes.

Définir deux agents spécialisés et un processus séquentiel, puis borner les outils, les délégations et les critères de sortie.

Charger des documents, créer un index vectoriel, inspecter les sources et obtenir une réponse citée avec LlamaIndex.

Exposer un modèle derrière une API compatible OpenAI, dimensionner le cache KV et sécuriser le serveur d’inférence.

Charger un modèle causal, appliquer son template de chat et maîtriser mémoire, longueur et paramètres de génération.

Choisir un dépôt, vérifier sa licence et charger tokenizer et modèle à une révision fixe pour une inférence reproductible.

Utiliser un modèle Ollama dans une chaîne LangChain, ajouter un prompt, du streaming et des contrôles de configuration.

Installer Ollama, télécharger un modèle, tester le CLI et l’API locale puis préparer une exposition réseau sécurisée.