Formation · Cursor · AI engineering & applications LLM

Cursor pour les AI engineers

Développer efficacement avec l’éditeur IA Cursor : mode Agent, rules, contexte de code, complétion Tab, agents en arrière-plan et revue.

Durée
2 jours (14 h)
Format
En ligne ou en présentiel
Langue
Allemand ou anglais
Participants
sessions ouvertes ou intra-entreprise
Attestation
Attestation de participation

Présentation

« Cursor pour les AI engineers » s’adresse notamment aux profils suivants : Développeurs intégrant des fonctions LLM dans leurs produits, AI engineers et machine learning engineers et Data scientists spécialisés en IA générative. Elle montre pas à pas comment utiliser Cursor de manière productive, sûre et traçable dans le domaine AI engineering & applications LLM – des bases aux workflows avancés.

Cursor est un éditeur de code dopé à l’IA, construit sur VS Code, qui intègre les modèles de langage au cœur du quotidien des développeurs. Outre une complétion Tab sensible au contexte, il propose un mode Agent capable d’explorer les fichiers, de planifier des modifications à l’échelle du projet, d’exécuter des commandes dans le terminal et de corriger les erreurs par itérations. En deux jours, vous apprenez à choisir le bon mode, à piloter le contexte et à articuler l’IA avec vos pratiques de versionnement, de tests et de revue.

La formation met l’accent sur l’usage en équipe. Grâce aux rules de projet, vous formalisez choix d’architecture, conventions de nommage et stratégie de tests afin que l’agent produise des résultats cohérents. Vous exploitez l’indexation du code, les références ciblées à des fichiers, à la documentation ou à des symboles, ainsi que les intégrations MCP. Vous déléguez aussi des tâches à des agents en arrière-plan, relisez leurs propositions sous forme de pull requests et mettez en place une revue qui tient compte de la qualité, de la sécurité et de la confidentialité.

L’AI engineering est la discipline qui transforme les modèles de langage en produits fiables : assistants conversationnels, analyse de documents, génération augmentée par la recherche, agents dotés d’outils et fonctions d’IA intégrées aux applications existantes. Le code qui entoure le modèle est souvent plus exigeant que l’appel au modèle lui-même, car versionnage des prompts, sorties structurées, évaluation, maîtrise des coûts, latence, observabilité et protection contre l’injection de prompt font la différence en production. Les assistants de codage IA et les agents accélèrent précisément ce travail, de la construction de pipelines d’évaluation aux définitions d’outils et serveurs MCP, jusqu’à l’analyse des erreurs dans les traces. Vous apprendrez à développer méthodiquement des applications LLM avec l’IA, à rendre leur qualité mesurable et à les exploiter de façon sûre, économique et conforme.

La formation se déroule en direct – en ligne dans une classe virtuelle ou en présentiel dans nos salles à Munich, Salzbourg, Berlin, Augsbourg, Hanovre, Brême, Stuttgart et Kaiserslautern. Nous pouvons également l’organiser en intra pour votre équipe.

À qui s’adresse cette formation ?

  • Développeurs intégrant des fonctions LLM dans leurs produits
  • AI engineers et machine learning engineers
  • Data scientists spécialisés en IA générative
  • Équipes backend et plateforme fournissant l’infrastructure IA
  • Product owners techniques responsables de fonctionnalités IA

Les défis concrets que nous traitons

  • Des prototypes brillants en démonstration mais d’une qualité irrégulière en production
  • L’absence d’évaluation systématique qui rend risquée toute modification de prompt ou de modèle
  • Des coûts, une latence et des limites de débit qui dérapent avec la montée en charge
  • De nouveaux risques liés à l’injection de prompt, aux fuites de données et aux agents trop privilégiés

Objectifs pédagogiques

  • Vous choisissez pour chaque tâche le mode de Cursor le plus adapté et l’utilisez efficacement.
  • Vous pilotez précisément le contexte du code pour obtenir des propositions plus justes.
  • Vous rédigez des rules de projet qui font respecter les conventions de votre équipe.
  • Vous utilisez le mode Agent et les agents en arrière-plan pour des fonctionnalités et refactorings vérifiables.
  • Vous développez méthodiquement avec des outils de codage IA des applications RAG, des agents et des fonctions LLM prêts pour la production.
  • Vous rendez la qualité de vos applications LLM mesurable et pilotable grâce à des évaluations automatisées.
  • Vous exploitez vos applications LLM de façon sûre et économique, avec observabilité, protection contre l’injection de prompt et droits maîtrisés.

Programme

Jour 1

Module 1 Prendre en main Cursor et ses modes
  • Installation et reprise des paramètres et extensions VS Code
  • Différences entre complétion Tab, édition en ligne, mode Ask et mode Agent
  • Choisir un modèle selon la tâche : rapidité, profondeur et coût
  • Mode confidentialité et paramètres d’organisation
Module 2 Piloter le contexte du code
  • Fonctionnement et limites de l’indexation de la base de code
  • Référencer précisément fichiers, dossiers, symboles, documentation et sources web
  • Exclure les contenus sensibles ou inutiles grâce aux fichiers d’exclusion
  • Éviter les conversations trop longues et repartir d’un contexte propre
Module 3 Des rules pour des résultats cohérents en équipe
  • Créer et versionner des rules de projet, les cibler par motif de fichiers
  • Traduire conventions d’architecture, de style et de tests en rules efficaces
  • Distinguer rules personnelles et rules d’équipe
  • Améliorer les rules à partir des erreurs récurrentes de l’agent
Module 4 Le mode Agent en pratique
  • Développer une fonctionnalité pas à pas : plan, implémentation, tests
  • Mener des refactorings sur de nombreux fichiers en s’appuyant sur les checkpoints
  • Valider les commandes du terminal et renvoyer les messages d’erreur à l’agent
  • Connecter des serveurs MCP pour les tickets, les bases de données ou les tests navigateur

Jour 2

Module 5 Agents en arrière-plan, revue et gouvernance
  • Confier des tâches à des agents en arrière-plan et les traiter en parallèle
  • Relire les résultats sous forme de branche ou de pull request et réorienter si besoin
  • Combiner revue de code assistée par IA et relecture humaine
  • Traiter risques de sécurité, secrets et questions de licences en entreprise
Module 6 Atelier pratique : AI engineering & applications LLM
  • Construire des pipelines RAG
  • Automatiser l’évaluation
  • Développer agents et outils
  • Fiabiliser les sorties structurées
  • Observabilité et coûts
  • Contrer l’injection de prompt
Module 7 Protection des données, qualité & mise en pratique
  • Les applications LLM traitent souvent des données personnelles et confidentielles : vous apprenez à situer les exigences de l’AI Act européen en matière de transparence et de niveaux de risque, à concevoir des flux conformes au RGPD avec contrats de sous-traitance et politiques d’effacement, à gérer les clés d’API en sécurité et à respecter les licences des modèles et jeux de données.
  • Règles du jeu pour un usage sûr de l’IA en équipe
  • Vérifier les résultats : faits, sources, tests et principe des quatre yeux
  • Plan d’action personnel pour les 30 prochains jours
  • Questions ouvertes, perspectives et ressources pour aller plus loin

Cas pratiques de votre domaine

Construire des pipelines RAG

Implémenter ingestion, découpage, embeddings, recherche vectorielle, recherche hybride et reranking, et générer des réponses sourcées en respectant les droits d’accès des documents d’origine lors de la récupération.

Automatiser l’évaluation

Créer des jeux de test avec réponses attendues, définir des métriques de pertinence, de fidélité et de format, calibrer une évaluation LLM-as-a-judge et l’exécuter en CI à chaque changement de prompt ou de modèle.

Développer agents et outils

Concevoir définitions d’outils et serveurs MCP, implémenter des boucles d’agent avec planification, appels d’outils et conditions d’arrêt, et prévoir droits et validation humaine pour les actions lourdes de conséquences.

Fiabiliser les sorties structurées

Définir des schémas JSON pour les réponses du modèle, valider les sorties, mettre en place des stratégies de relance en cas d’erreur et rendre robustes les tâches d’extraction comme les données de factures ou de contrats.

Observabilité et coûts

Collecter traces, consommation de tokens, latences et taux d’erreur, analyser les conversations problématiques et réduire les coûts grâce au cache, au routage entre modèles et à la réduction du contexte.

Contrer l’injection de prompt

Tester des scénarios d’attaque via documents, pages web ou résultats d’outils manipulés, filtrer entrées et sorties, restreindre les droits des agents et intégrer durablement des tests de red teaming au pipeline.

Projets pratiques possibles

Assistant documentaire sourcé

Un chat RAG sur des documents internes, avec citations, boutons de retour et page d’évaluation qui suit la qualité des réponses sur un jeu de questions.

Banc d’évaluation

Un outil en ligne de commande qui exécute des variantes de prompts sur un jeu de test, note les résultats et met clairement en évidence les écarts entre versions.

Extracteur de documents

Un service qui reçoit des PDF, en extrait des données structurées selon un schéma JSON, les valide et signale les cas incertains pour vérification manuelle.

Prérequis

Vous programmez régulièrement dans au moins un langage et connaissez Git ainsi qu’un IDE comme VS Code. Vous avez de solides compétences en programmation, idéalement en Python ou TypeScript, et l’habitude des API ; une première expérience des API de LLM est utile sans être indispensable.

Prérequis techniques

Ordinateur portable personnel avec Cursor, Git et votre environnement de développement habituel ; un compte Cursor donnant accès aux fonctions d’agent est recommandé.

Protection des données & conformité

Les applications LLM traitent souvent des données personnelles et confidentielles : vous apprenez à situer les exigences de l’AI Act européen en matière de transparence et de niveaux de risque, à concevoir des flux conformes au RGPD avec contrats de sous-traitance et politiques d’effacement, à gérer les clés d’API en sécurité et à respecter les licences des modèles et jeux de données.

Dates proposées

Toutes les dates sont indicatives – votre date souhaitée est toujours possible.

  • lun. 23 novembre 2026 – mar. 24 novembre 2026 En ligne Demander
  • lun. 30 novembre 2026 – mar. 1 décembre 2026 Kaiserslautern Demander
  • mer. 9 décembre 2026 – jeu. 10 décembre 2026 En ligne Demander
  • mar. 12 janvier 2027 – mer. 13 janvier 2027 Augsbourg Demander
  • lun. 18 janvier 2027 – mar. 19 janvier 2027 En ligne Demander
  • jeu. 28 janvier 2027 – ven. 29 janvier 2027 Salzbourg Demander

Questions fréquentes

Faut-il connaître VS Code pour utiliser Cursor ?

C’est un atout, sans être indispensable. Cursor repose sur VS Code : l’interface, les raccourcis et les extensions paraissent familiers, et vos paramètres peuvent être importés. Si vous travaillez aujourd’hui avec un IDE JetBrains ou un autre éditeur, une courte prise en main pendant la formation suffit pour vous concentrer ensuite sur les fonctions d’IA.

Comment éviter que du code confidentiel ne sorte de l’entreprise ?

Cursor propose un mode confidentialité et des paramètres d’organisation qui limitent la conservation du code par le fournisseur. Les fichiers d’exclusion permettent en outre de retirer les zones sensibles de l’indexation et du contexte. Nous voyons ensemble comment aligner ces réglages sur vos politiques internes, vos exigences de protection des données et la gestion des secrets.

Qu’apportent les rules par rapport à de bons prompts ?

Un prompt ne vaut que pour une requête, tandis que les rules s’appliquent durablement à toute l’équipe. Elles décrivent choix d’architecture, bibliothèques privilégiées, stratégie de tests et conventions de style. Personne n’a plus besoin de répéter ces informations, et l’agent produit un code adapté à votre base. Les rules sont versionnées avec le projet et évoluent avec lui.

Qu’est-ce qui distingue l’AI engineering du machine learning classique ?

En machine learning classique, vous entraînez vos propres modèles sur vos propres données. En AI engineering, vous exploitez le plus souvent des modèles de langage préentraînés via API ou hébergés en interne, et vous vous concentrez sur le contexte, la recherche documentaire, les outils, l’évaluation et l’exploitation. Les compétences en génie logiciel priment alors sur la statistique. C’est précisément l’angle de cette formation.

Comment savoir si notre application LLM est suffisamment bonne ?

Grâce à un jeu d’évaluation composé de questions réalistes et de résultats attendus, à une combinaison de contrôles à base de règles, d’évaluation LLM-as-a-judge et de vérifications humaines par échantillon, ainsi qu’à un suivi en production. L’essentiel est d’exécuter ces évaluations automatiquement à chaque modification. Vous mettez en place un tel dispositif pendant la formation.

Combien coûte la formation « Cursor pour les AI engineers » ?

La formation coûte 949 € HT forfaitaires par participant – en ligne comme en présentiel. Sont inclus 2 jour(s) de formation avec un formateur en direct, les supports de cours, un environnement d’exercice et une attestation de participation.

Puis-je proposer ma propre date ?

Oui. Nos dates sont indicatives. Dans le formulaire, vous pouvez à tout moment indiquer librement la date ou la période souhaitée – nous vérifions les disponibilités et confirmons sous un jour ouvré.

La formation a-t-elle lieu en ligne ou en présentiel ?

Les deux sont possibles : en direct dans une classe virtuelle ou en présentiel à Munich, Salzbourg, Berlin, Augsbourg, Hanovre, Brême, Stuttgart ou Kaiserslautern. Nous pouvons aussi l’organiser en intra pour votre équipe.

Autres formations pour les AI engineers

Autres formations Cursor

Les 32 formations Cursor

Cursor · MunichCursor · SalzbourgCursor · BerlinCursor · AugsbourgCursor · HanovreCursor · BrêmeCursor · StuttgartCursor · KaiserslauternCursor · En ligne