- Cours pratique
- Informatique
Formation RAG Avancé et Agents Intelligents : Architectures, Graphes et Déploiement
Maîtriser les évolutions du RAG (RIG, GraphRAG, StructRAG) et concevoir des agents intelligents de nouvelle génération
- Durée
- 3 jours
- Niveau
- Intermédiaire
- Modalités
- Présentiel / Distanciel
Description de la formation RAG Agents Intelligents
Qu’est-ce que le RAG avancé et ses déclinaisons ?
Le RAG (Retrieval-Augmented Generation) combine récupération d’informations et génération de texte par des modèles de langage. Ses déclinaisons récentes - RIG, GraphRAG, StructRAG - repoussent les limites de la contextualisation et du raisonnement : elles introduisent des mécanismes de graphes de connaissances, de structuration sémantique et d’apprentissage dynamique, permettant de construire des agents intelligents plus autonomes et performants.
Pourquoi suivre une formation RAG avancé et Agents intelligents ?
Avec la multiplication des LLM open source et l’essor de l’ingénierie des prompts, savoir concevoir des systèmes RAG avancés est devenu un avantage concurrentiel majeur. Cette formation intensive de 3 jours apporte une maîtrise concrète des architectures RAG modernes, des graphes de connaissances, et des mécanismes d’agents IA orchestrés, le tout dans une approche projet et production.
Objectifs pédagogiques
À l'issue de cette formation RAG Agents Intelligents, vous aurez acquis les connaissances nécessaires pour :
- Comprendre les architectures avancées RAG (RIG, GraphRAG, StructRAG)
- Intégrer des graphes de connaissances dans un pipeline de génération
- Concevoir des agents intelligents à mémoire et raisonnement dynamique
- Optimiser les performances et la précision des modèles
- Déployer et superviser un système RAG complet en production
Objectifs opérationnels
Savoir concevoir, optimiser et déployer des architectures RAG avancées et des agents intelligents intégrant des graphes et des stratégies de raisonnement automatisées.
Programme
Contenu du cours, module par module
6 modules
- Limites du RAG classique et introduction aux architectures avancées
- Différences entre RAG, RIG, StructRAG
- Concepts d’orchestration, chain-of-thought et self-retrieval
- Structuration des données pour améliorer la pertinence
Travaux pratiques
Description : Création d’un RIG avec LangChain et LlamaIndex, comparaison des performances et pertinence. Pourquoi cette approche améliore-t-elle la cohérence des résultats ?
- Gestion de la mémoire contextuelle et tuning des embeddings
- Évaluation : métriques de précision et cohérence
- Coût, latence, scalabilité
Travaux pratiques
Description : Expérimenter différents indexeurs vectoriels (HNSW, FAISS) et mesurer impact performance.
- Introduction aux graphes sémantiques et ontologies
- Connexion entre retrieval vectoriel et graphes de relations
- Avantages de GraphRAG : raisonnement logique, cohérence globale
Travaux pratiques
Description : Création d’un graphe Neo4j et intégration dans une chaîne de génération. Comment la relation entre entités améliore-t-elle la précision du contenu généré ?
- Approche multi-granulaire et structuration hiérarchique
- Contextualisation multi-niveaux et chaînes de raisonnement
- Évaluation automatique des réponses structurées
Travaux pratiques
Description : Segmenter et hiérarchiser un corpus documentaire avant de le passer au modèle. Observation des gains de cohérence.
- Concepts de base des agents (planification, mémoire, boucle perception-action)
- Interaction entre RAG et agents IA
- Frameworks modernes : LangGraph, CrewAI, AutoGen
Travaux pratiques
Description : Développer un agent multi-tâches capable de récupérer, raisonner et enrichir sa base de connaissances. Peut-il adapter sa stratégie de recherche ?
- Structuration d’une API RAG (FastAPI + Docker)
- Supervision des performances et métriques qualité
- Bonnes pratiques de sécurité et maintenance
Travaux pratiques
Description : Conteneuriser un RAG + agent, déployer sur un environnement cloud, créer un tableau de bord d’observation.
Travaux pratiques
Outils utilisés : LangChain, LlamaIndex, Neo4j, Weaviate, FastAPI, Docker. 70 % de la formation est dédiée à la pratique et à la conception de projets complets.
Programme mis à jour le 14/01/2026
Public concerné
Ce cours s'adresse aux développeurs IA, ingénieurs machine learning, data scientists, architectes techniques et consultants IA souhaitant passer du RAG de base à des architectures avancées et industrialisées.
Prérequis
Une bonne maîtrise de Python et des LLMs (LangChain, LlamaIndex, OpenAI API, etc.) sont nécessaires pour suivre cette formation. Des connaissances de base en vector stores et retrieval augmentés sont également attendues. La formation RAG et Fine Tuning d'un LLM (RAFT) constitue la porte d'entrée idéale.
J’évalue mes connaissances pour vérifier que je dispose des prérequis nécessaires pour profiter pleinement de cette formation en faisant le test de prérequis.
Faire le testFinancement
Cette formation peut être prise en charge par votre entreprise, seule ou avec l’appui de son opérateur de compétences. Nous fournissons le devis et les pièces attendues par l’OPCO.
Formations liées
- RAG et Fine Tuning d’un LLMRéf. RAFT3 joursIntermédiaireProchaine session : 2 déc.2 090 €
- CrewAI - Développement d’agents IA collaboratifs avec PythonRéf. CREW3 joursIntermédiaireProchaine session : 2 nov.2 090 €
- Développer un assistant conversationnel avec Rasa et LlamaIndexRéf. DARL3 joursFondamentalProchaine session : 19 oct.2 090 €
- Intégrer les LLMs dans vos applications avec LangChainRéf. IADL3 joursFondamentalProchaine session : 12 oct.2 090 €