Objectif : Comprendre LangChain et accélérer le développement d'agents.
Théorie (15 min) :
- Lire : LangChain Quickstart
- LangChain v0.3 (2025) : Simplifié, plus stable, LangGraph séparé pour les agents complexes
- Composants : LLM, Prompt Templates, Output Parsers, Chains, Agents
Pratique (45 min) :
from langchain_anthropic import ChatAnthropic
from langchain_core.messages import HumanMessage, SystemMessage
llm = ChatAnthropic(model="claude-opus-4-6")
# Chaîne simple
messages = [
SystemMessage(content="Tu es un assistant expert en automatisation pour PME belges."),
HumanMessage(content="Quels processus automatiser en priorité pour une PME de 20 personnes ?")
]
response = llm.invoke(messages)
print(response.content)
# Avec tools
from langchain_core.tools import tool
@tool
def rechercher_client(nom: str) -> str:
"""Recherche un client dans la base de données par nom."""
return f"Client trouvé : {nom}, Email : {nom.lower()}@example.com, CA : 15000€"
llm_with_tools = llm.bind_tools([rechercher_client])
- Créer un agent LangChain avec 3 tools simples
- Utiliser
create_tool_calling_agentpour automatiser la boucle - Comparer le code LangChain vs l'appel API direct de l'heure 3
Checkpoint : Tu utilises LangChain pour construire des agents plus vite.