Formation · Développement d’agents IA · Développement Python

Développement d’agents IA pour les développeurs Python

Développer des agents IA de qualité professionnelle : architectures, tool use, SDK d’agents, LangGraph, mémoire, évaluations et déploiement.

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

Cette formation associe Développement d’agents IA aux processus quotidiens du domaine Développement Python. Les participants travaillent sur des scénarios réalistes et repartent avec des prompts, des workflows et des checklists immédiatement utilisables.

Les agents IA vont bien au-delà des chatbots classiques : ils décomposent les tâches, appellent des outils et des API, analysent les résultats et itèrent jusqu’à atteindre leur objectif. Cette formation de deux jours vous apprend à concevoir de tels systèmes pour qu’ils fonctionnent de manière fiable, traçable et sûre en entreprise. Vous comparez les modèles d’architecture, du workflow simple à la boucle agentique jusqu’aux systèmes multi-agents, et les mettez en pratique avec le Claude Agent SDK, l’OpenAI Agents SDK et LangGraph.

L’objectif n’est pas la démo rapide, mais le passage en production. Vous concevez avec soin les interfaces d’outils et le contexte, connectez des outils via le Model Context Protocol, structurez mémoire à court et à long terme et mettez en place des évaluations qui révèlent tôt les régressions. S’y ajoutent les garde-fous contre l’injection de prompt et les actions indésirables, la validation humaine, le traçage, la maîtrise des coûts et le déploiement. Vous saurez ensuite quand un agent se justifie, quand un workflow déterministe suffit et quel framework convient à votre projet.

Python fait tourner back-ends web, automatisation, pipelines de données et applications d’IA, souvent dans la même entreprise : les bases de code sont donc très hétérogènes. Les assistants et agents de codage IA y changent concrètement le quotidien. Ils rédigent des suites pytest à partir de vos fixtures, ajoutent des annotations de type jusqu’à ce que mypy ne signale plus rien, migrent d’anciens scripts vers un packaging moderne avec pyproject.toml et vous expliquent un projet Django ou FastAPI inconnu en quelques minutes. Tout repose sur le contexte fourni : conventions du projet, règles Ruff, commandes de test et choix d’architecture doivent figurer dans des fichiers d’instructions. Vous déléguez alors les tâches répétitives en toute confiance et vous vous consacrez à la conception et à la revue.

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 back-end Python sous Django, Flask ou FastAPI
  • Spécialistes de l’automatisation et du scripting en DSI comme en métier
  • Data engineers et ML engineers qui maintiennent du code Python en production
  • Tech leads garants de la qualité du code et des revues
  • Développeurs chargés de moderniser du code Python historique

Les défis concrets que nous traitons

  • Des bases de code anciennes sans annotations de type et avec une couverture de tests lacunaire
  • Une gestion des dépendances éclatée entre requirements.txt, Poetry, uv et environnements virtuels
  • Des revues chronophages et un style hétérogène malgré linters et formateurs
  • Une prise en main difficile de projets reposant sur un savoir implicite non documenté

Objectifs pédagogiques

  • Vous choisissez le bon patron pour chaque tâche, du workflow fixe à l’agent autonome.
  • Vous concevez outils et contexte pour que vos agents travaillent de façon fiable et économique.
  • Vous implémentez des agents avec le Claude Agent SDK, l’OpenAI Agents SDK ou LangGraph.
  • Vous mettez en place évaluations et traçage pour mesurer la qualité et détecter les régressions.
  • Confier de manière fiable à des agents IA l’écriture de suites pytest, l’ajout d’annotations de type et les refactorings de votre code Python.
  • Formaliser les conventions du projet, l’outillage comme Ruff, mypy et uv ainsi que les commandes de test pour que l’assistant les respecte systématiquement.
  • Relire méthodiquement le code Python généré sous l’angle de la justesse, de la sécurité et de la maintenabilité avant toute fusion.

Programme

Jour 1

Module 1 Architectures d’agents et patrons de conception
  • Workflows ou agents : chaînage de prompts, routage, parallélisation, orchestrateur-exécutants
  • La boucle agentique : planifier, agir, observer, ajuster
  • Systèmes multi-agents, sous-agents et passages de relais entre agents
  • Critères de choix du modèle, du framework et du niveau d’autonomie
Module 2 Tool use et ingénierie du contexte
  • Function calling et sorties structurées avec JSON Schema
  • Bien concevoir ses outils : granularité, nommage, messages d’erreur, idempotence
  • Connecter et réutiliser des outils via des serveurs MCP
  • Gérer la fenêtre de contexte : résumé, compaction, retrieval et prompt caching
Module 3 Les frameworks en pratique
  • Claude Agent SDK : boucle agentique, outils, sous-agents, permissions et hooks
  • OpenAI Agents SDK : agents, handoffs, garde-fous et traçage
  • LangGraph : graphes à état, checkpointing et validation humaine
  • Comparaison sur une même tâche et critères de choix d’un framework
Module 4 Mémoire, évaluations et observabilité
  • Mémoire à court et long terme, stratégies de stockage et d’oubli
  • Jeux d’évaluation, LLM-as-a-judge et mesure du succès par tâche
  • Traçage des appels d’outils, de la consommation de tokens et des latences
  • Tests de non-régression lors de changements de prompts, de modèles ou d’outils

Jour 2

Module 5 Garde-fous, sécurité et déploiement
  • Se protéger contre l’injection de prompt, la fuite de données et les outils trop privilégiés
  • Contrôles des entrées et sorties, étapes de validation et sandboxing
  • Déploiement en service, exécution asynchrone, reprises et plafonds de coûts
  • Gouvernance, journalisation et exigences du RGPD et de l’AI Act européen
Module 6 Atelier pratique : Développement Python
  • Générer des tests pytest
  • Annotations de type et nettoyage mypy
  • Migrations Django et refactoring de l’ORM
  • Endpoints FastAPI avec Pydantic
  • Moderniser des scripts historiques
  • Comprendre et documenter une base de code
Module 7 Protection des données, qualité & mise en pratique
  • Définissez quel code source peut être transmis à des modèles hébergés dans le cloud, excluez systématiquement les secrets des fichiers .env et vérifiez le code généré quant aux reprises sous licence et aux nouvelles dépendances PyPI (typosquatting, risques de chaîne d’approvisionnement). Pour les produits comportant des éléments numériques, les obligations du Cyber Resilience Act prennent de plus en plus d’importance.
  • 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

Générer des tests pytest

L’assistant analyse les fonctions et les fixtures existantes, écrit des tests pytest paramétrés couvrant les cas limites et simule les services externes, puis les exécute en boucle jusqu’à ce qu’ils passent avec la couverture visée.

Annotations de type et nettoyage mypy

Le code non typé est annoté module par module avec des type hints, TypedDict et Protocols. L’agent lance mypy ou Pyright, interprète les erreurs et les corrige progressivement sans modifier le comportement à l’exécution.

Migrations Django et refactoring de l’ORM

Les évolutions de modèles sont planifiées avec leurs migrations de données, les conflits de makemigrations résolus et les requêtes N+1 corrigées via select_related ou prefetch_related. L’IA signale les risques pour les données de production avant tout déploiement.

Endpoints FastAPI avec Pydantic

À partir d’une description fonctionnelle ou d’une ébauche OpenAPI, l’assistant produit modèles Pydantic, routers, injection de dépendances et logique de validation, avec gestion des erreurs et tests associés via le TestClient.

Moderniser des scripts historiques

Les vieux scripts deviennent de vrais paquets avec pyproject.toml : suppression de l’état global, ajout d’une interface argparse ou Click, application des règles Ruff. L’agent documente chaque modification de façon claire dans les commits.

Comprendre et documenter une base de code

L’assistant explore un dépôt inconnu, produit une vue d’ensemble de l’architecture, explique les flux de données entre modules et complète les docstrings manquantes au format Google ou NumPy pour accélérer l’intégration des nouveaux arrivants.

Projets pratiques possibles

CLI d’analyse de logs

Un outil en ligne de commande basé sur Typer qui lit les logs applicatifs, regroupe les motifs d’erreur et produit une synthèse en Markdown ou JSON, avec tests et packaging soignés.

Microservice FastAPI avec base de données

Un petit service REST avec SQLAlchemy, migrations Alembic, validation Pydantic et configuration Docker, conçu, implémenté et testé de bout en bout par un agent IA.

Script d’audit des dépendances

Un script qui recense toutes les dépendances du projet, repère les paquets obsolètes ou vulnérables grâce aux bases d’avis de sécurité publiques et génère un rapport de mise à jour priorisé.

Prérequis

De solides compétences en Python ou en TypeScript, une expérience des API REST et une première pratique des API de LLM ou des assistants IA. Une bonne maîtrise de Python, ainsi qu’une pratique de Git, des environnements virtuels et d’au moins un framework comme Django, Flask ou FastAPI.

Prérequis techniques

Un ordinateur portable avec Python ou Node.js, Git et un éditeur de code, ainsi qu’un accès API à au moins un fournisseur de LLM, par exemple Anthropic ou OpenAI. Des identifiants pour les exercices peuvent être fournis si nécessaire.

Protection des données & conformité

Définissez quel code source peut être transmis à des modèles hébergés dans le cloud, excluez systématiquement les secrets des fichiers .env et vérifiez le code généré quant aux reprises sous licence et aux nouvelles dépendances PyPI (typosquatting, risques de chaîne d’approvisionnement). Pour les produits comportant des éléments numériques, les obligations du Cyber Resilience Act prennent de plus en plus d’importance.

Dates proposées

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

  • mer. 25 novembre 2026 – jeu. 26 novembre 2026 En ligne Demander
  • mar. 8 décembre 2026 – mer. 9 décembre 2026 Brême Demander
  • jeu. 7 janvier 2027 – ven. 8 janvier 2027 En ligne Demander
  • mar. 19 janvier 2027 – mer. 20 janvier 2027 Salzbourg Demander
  • mar. 2 février 2027 – mer. 3 février 2027 En ligne Demander
  • mer. 10 février 2027 – jeu. 11 février 2027 Kaiserslautern Demander

Questions fréquentes

Quel framework d’agents choisir ?

Tout dépend de votre stratégie de modèles, du niveau de contrôle souhaité et des compétences de l’équipe. Les SDK des éditeurs offrent un démarrage léger avec des fonctions bien intégrées, tandis que LangGraph donne un contrôle plus fin sur l’état et les enchaînements. Pendant la formation, vous résolvez la même tâche avec plusieurs frameworks et en tirez des critères de choix concrets.

Comment empêcher un agent d’exécuter des actions erronées ou dangereuses ?

En combinant plusieurs niveaux de protection : outils au périmètre restreint et aux droits minimaux, validation des entrées et sorties, étapes d’approbation pour les actions critiques, sandboxing et évaluation continue. L’injection de prompt via des contenus externes est traitée comme un risque bien réel. Vous appliquez ces mesures directement à votre propre agent.

Toute automatisation nécessite-t-elle un agent ?

Non. De nombreuses tâches se traitent de façon plus fiable, moins coûteuse et plus transparente avec un workflow fixe de quelques appels au LLM. Un agent se justifie lorsque le chemin de résolution ne peut pas être planifié à l’avance et que le système doit s’adapter aux résultats intermédiaires. Nous travaillons précisément cet arbitrage sur des exemples concrets.

Le codage assisté par IA fonctionne-t-il dans un gros monolithe Django ?

Oui, à condition de fournir le bon contexte à l’agent. Pendant la formation, vous apprenez à rédiger des fichiers d’instructions décrivant les règles d’architecture, la structure des applications et les commandes de test, puis à découper les tâches pour que l’assistant intervienne sur une application ou un module précis. Les modifications restent ainsi lisibles et faciles à relire.

L’IA remplace-t-elle mes revues de code ?

Non. Les assistants IA accélèrent l’écriture du code et peuvent préparer les revues en signalant des tests manquants ou des zones à risque, mais la responsabilité fonctionnelle et sécuritaire reste à l’équipe. Nous montrons comment combiner checklists de revue, analyse statique et tests pour que le code généré respecte les mêmes exigences que le code écrit à la main.

Combien coûte la formation « Développement d’agents IA pour les développeurs Python » ?

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 développeurs Python

Autres formations Développement d’agents IA

Les 30 formations Développement d’agents IA

Développement d’agents IA · MunichDéveloppement d’agents IA · SalzbourgDéveloppement d’agents IA · BerlinDéveloppement d’agents IA · AugsbourgDéveloppement d’agents IA · HanovreDéveloppement d’agents IA · BrêmeDéveloppement d’agents IA · StuttgartDéveloppement d’agents IA · KaiserslauternDéveloppement d’agents IA · En ligne