Tutoriels pratiques
Guides pratiques. Du code qui tourne vraiment.
Automatisation vs Agent dans n8n — et pourquoi la frontière est floue
Quand un nœud LLM dans n8n choisit entre plusieurs actions, est-ce un agent ? Ça dépend de comment tu l'as câblé — voici la distinction utile.
Sécuriser une application LLM : prompt injection et fuites de données
Prompt injection directe et indirecte, exfiltration, détournement d'outils : les attaques expliquées avec des exemples concrets, et les parades par couches — avec du code de validation et de cloisonnement que tu peux appliquer.
Évaluer et fiabiliser un système LLM : évals et garde-fous
Construire un vrai jeu d'évals et le faire tourner : dataset de référence, vérifications automatiques, LLM-as-judge calibré et garde-fous d'exécution. Avec un harnais de test Python complet et reproductible.
Mettre un RAG en production : chunking, embeddings et reranking
Les leviers qui font passer un RAG du prototype au système fiable : chunking structuré, recherche hybride vecteurs + mots-clés, reranking, et mesure du retrieval. Avec le code des étapes clés et les métriques à suivre.
Architecturer un système multi-agents : orchestrateur et sous-agents
Quand un agent ne suffit plus : patterns d'orchestration (orchestrateur/sous-agents, pipeline, débat, parallèle), communication par messages structurés, et les deux risques majeurs. Avec un orchestrateur minimal en Python.
Construire un agent IA autonome : boucle, outils et mémoire
On construit un vrai agent autonome en Python : la boucle observer → décider → agir, deux outils, une mémoire de travail et tous les garde-fous. Code complet et exécutable, avec les pièges qui font dérailler un agent.
Le function calling : laisser une IA déclencher des actions
Construis pas à pas un assistant qui appelle vraiment tes fonctions : on part d'un appel vide, on ajoute un outil, on exécute le code, et on boucle. Script complet et réutilisable à la fin.
Faire tourner un modèle IA en local avec Ollama (gratuit et privé)
De l'installation à l'appel API en Python, en passant par une interface de chat type ChatGPT en local : le guide complet pour faire tourner un LLM sur ta machine, avec dépannage et réglages de performance.
Le RAG expliqué : faire répondre une IA sur vos propres documents
Comprendre le RAG en le construisant : on indexe des documents, on les vectorise, et on fait répondre une IA dessus — avec un exemple de code Python complet et minimal que tu peux faire tourner ce soir.