RAG, GraphRAG et agents avancés
Dépasser le RAG classique, knowledge graphs, agents multi-étapes, production et gouvernance.
Formation créée le 03/05/2026.Version du programme : 1
Type de formation
DistancielDurée de formation
14 heures (2 jours)Accessibilité
OuiRAG, GraphRAG et agents avancés
Dépasser le RAG classique, knowledge graphs, agents multi-étapes, production et gouvernance.
Vous avez mis en production un premier LLM avec RAG basique. Maintenant vous frappez aux limites. Le modèle trouve des documents mais ne relie pas les concepts entre eux, les requêtes complexes dérivent en hallucinations, vous avez besoin d'un agent qui enchaîne plusieurs appels API. Cette formation montre comment structurer vos données pour que l'IA les comprenne, comment composer des agents qui ne déraillent pas, et comment gouverner tout cela sans flamber en coûts. Vous emportez les patterns RAG avancés (vectoriel, hybride, late chunking, reranking), une architecture de knowledge graph intégrant LLM et agents, un cadre pour orchestrer multi-agent sans dérive coût, et une méthode d'évaluation réaliste des agents sur vos données métier. Vous comprendrez aussi pourquoi les agents échouent souvent, comment les tester avant production, et quand accepter un fallback humain plutôt que de forcer l'IA.
Objectifs de la formation
- Implémenter des patterns RAG avancés (hybride, late chunking, reranking) adaptés aux volumétries et domaines métier
- Construire et intégrer un knowledge graph pour que les agents saisissent les relations entre entités
- Concevoir des agents multi-étapes avec gestion d'état et planification robuste
- Évaluer les agents en production sur des benchmarks métier réalistes
- Optimiser la gouvernance et les coûts d'une infrastructure agentique complexe
Profil des bénéficiaires
- Architectes logiciel
- Développeurs senior
- Machine learning engineers ayant déjà piloté ou contribué à un déploiement LLM en production
- Participants ayant suivi la formation F1 LLM et agents IA en production
- Avoir suivi F1 ou expérience documentée de mise en production d'une application LLM
- Connaissance de base des embeddings vectoriels et des bases vectorielles
- Maîtrise du développement backend
- Avoir suivi F1 ou expérience documentée de mise en production d'une application LLM
- Connaissance de base des embeddings vectoriels et des bases vectorielles
- Maîtrise du développement backend
Contenu de la formation
Module 0 - RAG avancé et évaluation (2h)
- Récapitulatif RAG classique puis écarts du vectoriel simple
- Hybrid RAG, lexique + vecteur, fusion des résultats, cas d'usage (droit, science)
- Late chunking et contextual retrieval, améliorer la pertinence sans augmenter le contexte
- Reranking, modèles spécialisés (cross-encoder) et stratégies (score seuil, top-k adaptatif)
- Évaluation RAG, métriques NDCG, MRR, hit@k sur votre benchmark métier
- Livrable du module : pipeline RAG hybride fonctionnel avec évaluation sur un corpus fourni
Module 1 - Knowledge graphs et GraphRAG (2h30)
- Structurer la connaissance, entités, relations, attributs, densité utile
- Extraction automatique d'entités et de relations via LLM (templating, chaîne de pensée)
- Storage, graphes en Neo4j ou Postgres JSON, query SPARQL/Cypher
- GraphRAG workflow, parcourir le graphe, enrichir contexte, feed au modèle
- Cas pratique, construire un graphe client-product-contract et l'interroger via LLM
- Livrable du module : schéma de graphe pour votre domaine et scripts d'extraction
Module 2 - Agents simples, définition, tool-use, fallbacks (2h30)
- Agent loop, décision, action, observation, itération jusqu'à done
- Tool definition en OpenAI et Anthropic, signature, description, retour attendu
- Chaîne de pensée et planning, CoT vs reflexion vs tree-of-thought
- Fallbacks et dégradation, quand dire "pas trouvé", quand escalader humain
- Playground hands-on avec un agent simple (recherche document, appel API, calcul)
- Livrable du module : spécification d'un agent simple pour votre flux métier
Module 3 - Orchestration multi-agents et frameworks (2h30)
- Besoins de multi-agent, division du travail, coordination, gestion d'état partagé
- Frameworks d'orchestration, LangGraph vs MCP vs Anthropic Agents vs custom
- Stateful agents, mémoire à court et long terme, contexte persistant
- Communication, queues, broadcast, patterns request-response
- Gouvernance, audit trail, retries, timeouts, budgets de tokens
- Démo, deux agents coordonnés (l'un cherche, l'autre valide) avec LangGraph
- Livrable du module : architecture de multi-agent pour un cas d'usage donné
Module 4 - Évaluation d'agents en prod et evals structurés (2h)
- Définir le succès pour un agent, métriques métier vs techniques (latence, coûts, qualité)
- Evals structurées, datasets de test, traces réelles, analyse des échecs
- Debugging, logs, replay, divergence detection (agent qui a déraillé)
- A/B testing, comparer deux agents sur le même benchmark
- Observabilité agentique, traces distribuées, alerting sur dérive
- Livrable du module : suite d'evals applicable à votre premier agent
Module 5 - Anti-patterns, coûts et gouvernance en production (1h)
- Piège, token inflation, boucles infinies, tool hallucination
- Contrôle de coûts, budget par agent, rate limiting, token accounting
- Conformité, traçabilité, audit, piste de décision
- Déploiement progressif, canary, rollback, incident response
- Livrable du module : checklist déploiement agent en prod
Équipe pédagogique
Suivi de l'exécution et évaluation des résultats
- Évaluation initiale par questionnaire de positionnement
- Évaluation continue via les productions réalisées pendant la formation
- Évaluation finale par un cas pratique adapté au contenu du programme
- À chaud : questionnaire d'évaluation en fin de session (contenu, pédagogie, animation, atteinte des objectifs)
- À froid : questionnaire à J+30 (mise en application, cas d'usage réellement utilisés, gains observés, freins rencontrés)
Ressources techniques et pédagogiques
- Supports de formation numériques
- Études de cas réels d'agents en production
- Outils IA sélectionnés par le formateur (LangGraph, MCP, Neo4j, reranker Cohere)
- Documents de travail fournis aux participants
- Bibliothèque de prompts et templates pour agents
- Checklists conformité et données (RGPD, CNIL, AI Act, sécurité)
- Modèles de charte d'usage IA et règles de gouvernance
- Outils collaboratifs (ex Klaxoon) pour les ateliers et productions
- Recueil de patterns d'agents et d'orchestration
- Benchmark datasets pour test d'agents
Qualité et satisfaction
Modalités de certification
- Être capable d'utiliser l'IA de manière responsable et efficace
- Formation non certifiante. Validation des acquis par une évaluation finale sous forme de cas pratique.
- Aucune certification associée à ce programme à ce jour.
Délai d'accès
Accessibilité
L'organisme de formation Knowledge Ladder Academy s'engage à garantir l'accessibilité de ses formations à toutes et tous, y compris aux personnes en situation de handicap. Afin d'anticiper et d'adapter les modalités pédagogiques aux besoins spécifiques des apprenants concernés, nous vous invitons à nous informer au moins une semaine avant le début de la formation de toute situation nécessitant un aménagement particulier. Un référent handicap est disponible pour analyser les besoins et mettre en place les mesures nécessaires : adaptation des supports pédagogiques, assistance technique, aménagement des modalités d'évaluation ou tout autre dispositif facilitant l'apprentissage. Contactez-nous pour toute demande d'aménagement ou d'information complémentaire à accessibilite@knowledgeladder.academy. Nous vous recommandons d'effectuer cette démarche avant votre inscription afin de garantir une expérience optimale et adaptée à vos besoins.