Formation · Model Context Protocol (MCP) · AI engineering & applications LLM

Model Context Protocol (MCP) pour les AI engineers

Développer et connecter des serveurs MCP en toute sécurité : tools, resources et prompts pour Claude Code, Cursor, Copilot et vos agents.

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 Model Context Protocol (MCP) aux processus quotidiens du domaine AI engineering & applications LLM. Les participants travaillent sur des scénarios réalistes et repartent avec des prompts, des workflows et des checklists immédiatement utilisables.

Le Model Context Protocol est un standard ouvert qui permet aux applications d’IA d’accéder de manière uniforme à des outils, des sources de données et des workflows externes. Plutôt que de développer une intégration spécifique pour chaque assistant, vous implémentez un serveur MCP une seule fois et l’utilisez dans Claude Code, Claude Desktop, Cursor, GitHub Copilot, VS Code ou vos propres agents. Pendant ces deux jours, vous découvrez l’architecture hôte, client et serveur, les trois briques fondamentales – tools, resources et prompts – ainsi que les transports stdio et Streamable HTTP, en les mettant immédiatement en œuvre dans votre code.

Le premier jour, vous construisez avec le SDK officiel TypeScript ou Python un serveur MCP qui expose de façon maîtrisée des API internes, des bases de données ou des fichiers aux assistants IA, et vous le testez avec le MCP Inspector. Le second jour est consacré aux serveurs distants, à l’autorisation via OAuth, aux risques de sécurité comme l’injection de prompt et le tool poisoning, ainsi qu’à l’exploitation, la journalisation et la gouvernance en entreprise. Vous apprenez à rédiger des descriptions d’outils que les modèles exploitent de façon fiable et repartez en sachant intégrer des serveurs MCP en toute sécurité.

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 expliquez l’architecture MCP et choisissez entre tools, resources et prompts selon le cas d’usage.
  • Vous développez votre propre serveur MCP en TypeScript ou en Python et le testez méthodiquement.
  • Vous connectez des serveurs MCP à Claude Code, Cursor, Copilot et à vos propres agents.
  • Vous exploitez des serveurs distants avec Streamable HTTP et une autorisation fondée sur OAuth.
  • 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 Architecture et concepts clés
  • Rôles de l’hôte, du client et du serveur, cycle de vie d’une connexion
  • Messages JSON-RPC, négociation des capacités et notifications
  • Tools, resources et prompts : choisir la bonne brique
  • Fonctions côté client : sampling, roots et elicitation
Module 2 Développer son propre serveur MCP
  • Mettre en place un serveur avec le SDK officiel TypeScript ou Python
  • Définir proprement les tools avec JSON Schema pour les entrées et les sorties
  • Exposer resources et resource templates pour documents, enregistrements et configurations
  • Tester et déboguer avec le MCP Inspector et des messages d’erreur explicites
Module 3 Connexion à Claude Code, Cursor, Copilot et aux agents
  • Configurer serveurs stdio locaux et serveurs distants dans les clients
  • Configuration par projet ou par utilisateur, validations et autorisations
  • Rédiger des descriptions d’outils que les modèles sélectionnent correctement
  • Intégrer des serveurs MCP dans des agents construits avec le Claude Agent SDK ou l’OpenAI Agents SDK
Module 4 Transport, autorisation et exploitation
  • Streamable HTTP, gestion de session et serveurs sans état
  • Autorisation OAuth, validation des jetons et intégration aux fournisseurs d’identité existants
  • Déploiement en conteneur, sur plateforme serverless ou derrière une passerelle
  • Journalisation, supervision, limitation de débit et versionnement des interfaces d’outils

Jour 2

Module 5 Sécurité et gouvernance
  • Menaces : injection de prompt via les résultats d’outils, tool poisoning, confused deputy
  • Moindre privilège, confirmations obligatoires et sandboxing
  • Évaluer et valider les serveurs tiers au sein de l’entreprise
  • Protection des données, journalisation des données personnelles, exigences du RGPD et de l’AI Act européen
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

De solides compétences en TypeScript/JavaScript ou en Python et une compréhension de base des API HTTP et du JSON. Une première expérience des assistants IA dans le développement est un atout. 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

Un ordinateur portable avec Node.js ou Python, Git et un éditeur de code, ainsi qu’un accès à au moins un client compatible MCP comme Claude Code, Claude Desktop, Cursor ou VS Code avec Copilot.

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.

  • mer. 25 novembre 2026 – jeu. 26 novembre 2026 En ligne Demander
  • lun. 7 décembre 2026 – mar. 8 décembre 2026 Brême Demander
  • jeu. 7 janvier 2027 – ven. 8 janvier 2027 Augsbourg Demander
  • mer. 20 janvier 2027 – jeu. 21 janvier 2027 En ligne Demander
  • mer. 3 février 2027 – jeu. 4 février 2027 Salzbourg Demander
  • jeu. 18 février 2027 – ven. 19 février 2027 En ligne Demander

Questions fréquentes

Pourquoi développer son propre serveur MCP ?

Dès que des assistants IA doivent accéder à des systèmes internes : outil de ticketing, base de données, documentation ou application métier. Votre serveur définit précisément les actions et les données accessibles, puis se réutilise dans plusieurs clients. Vous évitez ainsi les intégrations isolées et gardez la maîtrise des accès.

Quel langage de programmation est utilisé ?

Vous choisissez entre TypeScript et Python, tous deux dotés d’un SDK officiel. Les concepts sont identiques et les exercices existent dans les deux versions. Si vous travaillez dans un autre langage, la formation reste pertinente : le protocole est indépendant du langage et les SDK disponibles ailleurs suivent une structure comparable.

MCP est-il suffisamment sûr pour l’entreprise ?

Le protocole prévoit des mécanismes d’autorisation et de permissions, mais la sécurité réelle dépend de l’implémentation et de l’exploitation. L’injection de prompt via les résultats d’outils ou les serveurs dotés de droits excessifs sont des risques concrets. Nous traitons les contre-mesures, les processus de validation des serveurs tiers et le traitement des données personnelles.

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 « Model Context Protocol (MCP) 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 Model Context Protocol (MCP)

Les 29 formations Model Context Protocol (MCP)

Model Context Protocol (MCP) · MunichModel Context Protocol (MCP) · SalzbourgModel Context Protocol (MCP) · BerlinModel Context Protocol (MCP) · AugsbourgModel Context Protocol (MCP) · HanovreModel Context Protocol (MCP) · BrêmeModel Context Protocol (MCP) · StuttgartModel Context Protocol (MCP) · KaiserslauternModel Context Protocol (MCP) · En ligne