IA agentique — LLM, Python et Java en pratique

Par Yann Sofian Smatti

Un livre pratique qui va du transformer jusqu'à l'agent en production, en Python et en Java : chaque concept est défini, illustré d'un schéma, appuyé par du code exécutable dans les deux langages et, quand il y en a, par ses mathématiques (formule, intuition, exemple chiffré). Un fil rouge, Relay, l'agent de support de Nordwind Parts, grandit de chapitre en chapitre jusqu'au projet final. 42 chapitres + 4 annexes, pensés pour des ingénieur·e·s qui veulent comprendre ET faire.

📖 Accès freemium

	Sans compte	Compte gratuit	Manuel complet
Sommaire, début de chaque chapitre, glossaire	✓	✓	✓
Chapitres de base en entier : introduction, Python pour l'IA, Java pour l'IA, boucle d'agent		✓	✓
Chapitres avancés : LLM, RAG, outils et MCP, mémoire, multi-agents, frameworks, production, projet final			✓
Exercices et quiz corrigés	un par chapitre	un par chapitre	✓
Correcteur IA qui note vos réponses au quiz, solutions exécutables			✓

Créer un compte gratuit J'ai déjà un compte — Se connecter

Ce que tu vas apprendre

• Langages & fondations : Python moderne (packaging, typage, Pydantic, concurrence, FastAPI, tests) et Java moderne (Maven et Gradle, Java 17 à 25, threads virtuels, Spring Boot, intégration, performance JVM), plus les mathématiques utiles d'un LLM.
• Les grands modèles de langage : tokens, attention et génération, API en Python et en Java, prompts et ingénierie du contexte, embeddings et RAG, recherche hybride, reranking, GraphRAG, modèles locaux et fine-tuning.
• Les agents : la boucle d'agent comme machine à états, budgets et fiabilité, conception d'outils et Model Context Protocol, mémoire, planification, multi-agents, LangGraph, PydanticAI, Spring AI, LangChain4j, agents de code et computer use.
• La production : services d'agents, évaluation et tests, observabilité, sécurité, coûts et latence, déploiement, systèmes polyglottes Python + Java.
• Des labs qui tournent hors ligne : chaque chapitre a son dossier d'exemples, exécutable sans clé d'API et sans frais grâce à un LLM simulé déterministe.
• Un quiz en français par chapitre, avec un correcteur IA qui note vos réponses rédigées et vous dit quoi revoir.
• Projet final : Relay en production, de bout en bout + annexes (glossaire, cheat-sheets, troubleshooting, annexe maths).

Le sommaire complet

Aperçu libre ci-dessous : le titre et les premières lignes de chaque chapitre sont publics. Les chapitres de base se lisent en entier avec un compte gratuit ; les autres font partie du manuel complet.

Introduction

• Introduction — the agentic stack

Part 0 — Languages & foundations

• Modern Python for AI engineering
• 01a · Python packaging, environments and project tooling
• 01b · Python typing, data modelling and validation
• 01c · Python concurrency and performance
• 01d · The Python service stack — FastAPI, ASGI, databases, workers
• 01e · The Python data and ML ecosystem for LLM engineers
• 01f · Testing and code quality in Python AI projects
• Modern Java for AI engineering
• 02a · Java build, dependencies and project tooling
• 02b · The modern Java language, from 17 to 25
• 02c · Concurrency on the JVM — virtual threads, structured concurrency, reactive
• 02d · Spring Boot for AI services
• 02e · JSON, HTTP and integration in Java
• 02f · Testing, quality and JVM performance
• The mathematics an LLM engineer actually uses

Part I — Large language models

• How LLMs work — tokens, attention, generation
• Calling LLMs from Python and Java
• Prompt and context engineering
• Embeddings, vector search and RAG
• Advanced retrieval — hybrid, reranking, GraphRAG, agentic RAG
• Local inference, open-weight models and fine-tuning

Part II — Agents

• The agent loop — state machines, budgets, reliability
• Tool design and the Model Context Protocol
• Memory and context management
• Planning and reasoning
• Multi-agent systems and agent-to-agent protocols
• Python agent frameworks in practice
• 15a · LangGraph in depth
• 15b · PydanticAI, the Claude Agent SDK and the OpenAI Agents SDK in depth
• Java agent frameworks in practice
• 16a · Spring AI in depth
• 16b · LangChain4j and Quarkus LangChain4j in depth
• Coding agents, computer use and browser agents

Part III — Production

• Serving agents — FastAPI, Spring Boot and durable execution
• Evaluating and testing LLM applications and agents
• Observability for LLM systems
• Security and safety of LLM agents
• Cost, latency and performance engineering
• Deploying and operating agent systems
• Polyglot agent systems — Python and Java together

Part IV — Capstone

• Capstone — Relay in production, end to end

Appendices

• Appendix A — Glossary
• Appendix B — Cheat-sheets
• Appendix C — Troubleshooting
• Appendix D — Mathematical appendix

---

Créer un compte gratuit