AgentiqueWorld
SYSTÈME EN LIGNE AGENTIQUE WORLD // RÉFÉRENCE FR LANGGRAPH · LANGFUSE

00 — Manuel de référence

Architectures
agentiques

Initiation, deep-dive avancé et cas pratiques. Très technique, orienté usage, 100 % LangGraph & LangFuse. Du concept à l'agent en production — avec le code et les traces.

Initialiser ▸ Cas pratiques
graph.compile()

01 — Parcours

Quatre modules, un seul chemin.

[01] INIT

Initiation

Du LLM stateless à l'agent qui raisonne, mémorise et agit. Les fondamentaux, sans raccourci ni magie.

  • Qu'est-ce qu'un agent ?
  • Le graphe d'état
  • Premier agent ReAct
6 contenus ACCÉDER ▸
[02] DEEP

Deep-dive

L'ingénierie des systèmes agentiques en production : multi-agents, mémoire long-terme, human-in-the-loop, évaluation.

  • Architectures multi-agents
  • Checkpointing & reprise
  • Observabilité fine
16 contenus ACCÉDER ▸
[03] CASE

Cas pratiques

Des projets complets, du cahier des charges au déploiement, avec code source et traces LangFuse.

  • Agent support N1
  • RAG agentique
  • Pipeline de recherche
5 contenus ACCÉDER ▸
[04] SECU

Sécurité Agentic

La sécurité d'un agent qui agit : identité de workload, zero-trust entre agents, rotation des secrets et défense en profondeur.

  • Identité SPIFFE/SPIRE
  • mTLS zero-trust
  • Secrets & moindre privilège
3 contenus ACCÉDER ▸

02 — Stack

Trois piliers. Du concept à la production.

Pas de tour d'horizon superficiel de dix frameworks. On va au fond de trois briques complémentaires qui couvrent l'agent de bout en bout — de l'orchestration à l'observabilité, jusqu'à l'infrastructure de production.

ORCHESTRATION

LangGraph

Modéliser un agent comme un graphe d'états : nœuds, arêtes conditionnelles, checkpointing, reprise, human-in-the-loop.

OBSERVABILITÉ

LangFuse

Tracer chaque décision, mesurer coûts et latence, évaluer la qualité, déboguer en production. Open-source.

INFRASTRUCTURE

AWS

Notre stack de référence : Bedrock (modèles, Guardrails, Knowledge Bases), SageMaker, OpenSearch et AgentCore — du prototype à la prod.

03 — Catalogue

L'intégralité des contenus, par rubrique.

Trois rails de télémétrie. Faites défiler horizontalement pour explorer chaque parcours dans son ordre éditorial — du plus récent au plus fondateur — ou ouvrez la rubrique complète.

INIT // 06 contenus
VOIR TOUT ▸
Initiation

Observer son agent : votre première trace LangFuse

Un agent en production est une boîte noire — sauf si vous l'observez. On branche LangFuse en quelques lignes, on lit une première trace, et on découvre ce que l'agent a vraiment fait, ce que ça a coûté, et combien de temps ça a pris.

#langfuse#observabilite#trace 18 min
Initiation

La mémoire conversationnelle : faire en sorte que l'agent se souvienne

Par défaut, un agent oublie tout entre deux requêtes. On voit comment lui donner une mémoire court-terme avec le checkpointer et les threads — le mécanisme qui transforme une suite d'appels isolés en vraie conversation.

#langgraph#memoire#checkpointer 18 min
Initiation

Donner des outils à votre agent : le tool calling en profondeur

Un agent ne vaut que par ses outils. On voit comment les concevoir pour que le modèle les utilise à bon escient, ce qu'il perçoit réellement d'eux, et comment gérer leurs erreurs sans casser la boucle.

#langgraph#tool-calling#outils 17 min
Initiation

Votre premier agent LangGraph : la boucle ReAct pas à pas

On part d'un LLM incapable d'agir et on construit, brique par brique, un agent ReAct qui raisonne, appelle des outils et sait s'arrêter. Sans create_react_agent, pour tout comprendre.

#langgraph#react#tool-calling 24 min
Initiation

Le graphe d'état : penser une application LLM comme un graphe

Le modèle mental qui sous-tend tout LangGraph. On construit un premier graphe — sans LLM — pour maîtriser les quatre primitives : état, nœud, arête, et arête conditionnelle. La fondation de tous vos agents.

#langgraph#fondamentaux#stategraph 20 min
Initiation

Qu'est-ce qu'une architecture agentique ?

Avant d'écrire la moindre ligne de code : ce qui distingue un agent d'un simple appel LLM, le spectre de l'autonomie, et surtout — la question qu'on oublie toujours — quand il ne faut PAS construire un agent.

#concepts#fondamentaux#architecture 18 min
DEEP // 16 contenus
VOIR TOUT ▸
Expert

GraphRAG sur Amazon Neptune : récupérer par les relations

Le RAG vectoriel échoue sur les questions multi-sauts et relationnelles. Le GraphRAG récupère en traversant un graphe de connaissances. Construire ce graphe (extraction d'entités et de relations), l'héberger sur Amazon Neptune, et brancher la récupération par traversal à un agent LangGraph — avec Bedrock.

#aws#graphrag#neptune 30 min
Avancé

Bedrock Guardrails en profondeur : filtres, PII, ancrage et déni de sujets

Le garde-fou managé d'AWS, décortiqué : filtres de contenu, déni de sujets, filtres de mots, protection des informations sensibles (PII), et vérification d'ancrage contextuel contre l'hallucination. L'API ApplyGuardrail autonome, l'attachement à l'inférence, et l'intégration comme nœud de garde dans un graphe LangGraph.

#aws#bedrock#guardrails 28 min
Expert

Architecture de production agentique sur AWS : l'assemblage de référence

Tout assembler en une architecture qui tient la charge : ingress, compute (AgentCore Runtime, Lambda, ECS/EKS), agent LangGraph, Bedrock (modèles, Guardrails, Knowledge Bases), récupération OpenSearch, checkpointing DynamoDB, observabilité LangFuse + CloudWatch, et la sécurité réseau/IAM. Le plan de référence DEEP-5.

#aws#architecture#production 32 min
Expert

SageMaker AI pour l'agentique : vos propres modèles dans la boucle

Quand Bedrock ne suffit plus : héberger un modèle sur-mesure, un embedding ou un reranker spécialisé sur Amazon SageMaker AI. JumpStart, endpoints temps réel, fine-tuning, et l'intégration d'un endpoint SageMaker comme modèle ou retriever d'un agent LangGraph.

#aws#sagemaker#fine-tuning 30 min
Avancé

Bedrock Knowledge Bases & Agents face à LangGraph : managé ou code-first ?

AWS propose du RAG et des agents managés : Knowledge Bases (ingestion, index, récupération clés en main) et Bedrock Agents (action groups, orchestration managée). Quand les choisir, quand préférer LangGraph, et comment composer les deux — y compris héberger un graphe LangGraph sur AgentCore Runtime.

#aws#bedrock#knowledge-bases 28 min
Avancé

RAG hybride sur AWS : dense, sparse, fusion et reranking

La récupération dense (vecteurs) seule a un angle mort : les termes exacts. La récupération hybride combine kNN sémantique et BM25 lexical, fusionnés par RRF puis reclassés. Mise en œuvre sur OpenSearch Serverless et Bedrock, branchée à un agent LangGraph.

#aws#rag#opensearch 32 min
Avancé

Amazon Bedrock comme moteur LLM de vos agents LangGraph

Brancher Bedrock sur LangGraph, en profondeur : la Converse API et son tool use, ChatBedrockConverse, le streaming, le choix et le routage des modèles (Claude, Nova), l'inférence cross-region, et l'attachement de Guardrails. Du code boto3 et langchain-aws.

#aws#bedrock#langgraph 30 min
Avancé

La stack IA AWS 2026 pour l'agentique : le panorama

AWS est notre stack de référence. Ce panorama relie chaque besoin agentique — modèle, mémoire, récupération, outils, orchestration, garde-fous, observabilité, déploiement — au bon service AWS 2026 : Bedrock, AgentCore, Knowledge Bases, OpenSearch, SageMaker, Guardrails. La carte avant le territoire.

#aws#bedrock#sagemaker 26 min
Avancé

Gestion du contexte & maîtrise des coûts

L'historique d'un agent grossit à chaque tour — et avec lui le coût, la latence et la confusion du modèle. Les stratégies de gestion de la fenêtre de contexte (troncature, résumé, filtrage) et les leviers de coût (routage de modèles, cache, budgets) mesurés avec LangFuse.

#langgraph#contexte#couts 28 min
Expert

Sécurité & garde-fous : défendre un agent en production

Un agent qui agit sur le monde est une surface d'attaque. Modèle de menace (injection de prompt directe et indirecte, abus d'outils, exfiltration), et défense en profondeur : garde-fous d'entrée et de sortie, moindre privilège, human-in-the-loop, sandboxing et bornage.

#securite#garde-fous#prompt-injection 30 min
Avancé

Évaluer un agent avec LangFuse : datasets, LLM-juge et non-régression

Sortir du « ça a l'air de marcher » : mesurer la qualité d'un agent de façon systématique. Scores humains, heuristiques et LLM-as-a-judge, datasets de référence, expériences comparatives et tests de non-régression en intégration continue.

#langfuse#evaluation#llm-judge 30 min
Avancé

Streaming LangGraph : une UX d'agent en temps réel

Un agent qui réfléchit dix secondes en silence est inutilisable. Maîtriser les modes de streaming de LangGraph — états, mises à jour, tokens, événements personnalisés — pour restituer le travail de l'agent au fil de l'eau, jusque dans l'interface.

#langgraph#streaming#ux 28 min
Avancé

Mémoire long-terme : le Store, au-delà du thread

Donner à un agent une mémoire qui traverse les conversations : le Store de LangGraph, ses namespaces, la recherche sémantique, l'accès depuis les nœuds et les outils, et les stratégies d'écriture (hot path vs arrière-plan).

#langgraph#memoire#store 30 min
Avancé

Patterns d'orchestration LangGraph : du chaînage au multi-agents

Le catalogue des architectures, avec code : prompt chaining, routing, parallélisation et map-reduce (Send), orchestrateur-ouvriers, évaluateur-optimiseur, sous-graphes et systèmes multi-agents en superviseur. Et le primitive qui les unifie : Command.

#langgraph#orchestration#multi-agent 36 min
Avancé

Tool calling avancé : des outils robustes pour la production

Le tool calling, jusqu'au fond : schémas Pydantic riches, injection d'état et de config cachée au modèle, ToolNode en profondeur, mise à jour du graphe depuis un outil via Command, artefacts, gestion fine des erreurs et contraintes d'appel.

#langgraph#tool-calling#pydantic 32 min
Avancé

Checkpointing & human-in-the-loop : un agent durable et interruptible

La persistance n'est pas qu'une commodité : c'est ce qui transforme un agent jetable en système fiable, capable de reprendre, de revenir en arrière et de demander une validation humaine avant d'agir.

#langgraph#checkpointer#human-in-the-loop 24 min
CASE // 05 contenus
VOIR TOUT ▸
Avancé

Agent de support 100 % AWS : Bedrock, Knowledge Bases, Guardrails & AgentCore

Le cas de support, porté sur la stack managée AWS de bout en bout : récupération par Bedrock Knowledge Bases, raisonnement Claude via la Converse API, sécurité par Guardrails, persistance DynamoDB et déploiement sur AgentCore Runtime. Orchestration LangGraph, observabilité LangFuse + CloudWatch. Pas à pas, code complet.

#cas-pratique#aws#bedrock 38 min
Expert

Agent de code : lire un dépôt, planifier, éditer et lancer les tests

Un cas complet, pas à pas : un agent qui résout une issue logicielle — il explore le dépôt, localise le code, propose un correctif, lance la suite de tests et itère sur les échecs, le tout derrière un sandbox et une validation humaine avant d'écrire. Outils, boucle édition-test bornée et garde-fous.

#cas-pratique#agent-de-code#swe 44 min
Avancé

RAG agentique correctif : un assistant documentaire qui se relit et refuse d'halluciner

Un cas complet, pas à pas : un RAG qui évalue lui-même la pertinence des documents récupérés, reformule sa requête quand elle est mauvaise, vérifie que sa réponse est bien ancrée dans les sources, et refuse plutôt que d'inventer. Code intégral, graphe correctif borné et traçage LangFuse.

#cas-pratique#rag#self-rag 40 min
Avancé

Assistant de recherche multi-agents : superviseur, recherche parallèle et synthèse

Un cas complet, pas à pas : un assistant qui décompose une question de recherche en sous-questions, les investigue en parallèle via des agents chercheurs, puis synthétise un rapport sourcé. Planification, fan-out par Send, human-in-the-loop et traçage LangFuse de bout en bout.

#cas-pratique#multi-agent#orchestration 42 min
Intermédiaire

Agent de support N1 : RAG agentique tracé de bout en bout avec LangFuse

Un cas complet et détaillé, pas à pas : de l'ingestion de la base de connaissances à la mise en production. Un agent qui répond aux questions clients à partir de la documentation, décide lui-même quand chercher, escalade quand il ne sait pas, et dont chaque décision est tracée, chiffrée et évaluée dans LangFuse.

#cas-pratique#rag#langfuse 40 min
SECU // 03 contenus
VOIR TOUT ▸
Avancé

Autorisation : décider ce qu'un agent a le droit de faire

Les volets 1 et 2 ont prouvé qui est un agent et pour le compte de qui il agit. Reste la décision : a-t-il le droit ? On externalise la politique du code (séparation PEP/PDP, NIST 800-207), on l'écrit comme du code testable avec OPA & Rego, on l'applique sur le jeton de délégation du volet 2, et on impose le moindre privilège du chemin (atténuation), les obligations et le human-in-the-loop — avec un graphe LangGraph et du code de bout en bout, pas à pas.

#securite#autorisation#politique 34 min
Avancé

On-behalf-of : déléguer l'identité dans une chaîne d'agents

Le volet 1 a prouvé qui est un agent. Reste une question que l'identité de workload ne tranche pas : pour le compte de qui agit-il ? Dans une chaîne superviseur → chercheur → outil, l'intention de l'utilisateur d'origine se perd à chaque saut. On la fait voyager : délégation vs usurpation, jeton porteur de la chaîne d'acteurs (claim act), token exchange (RFC 8693) ré-émis à chaque hop et ancré sur le SVID — avec un graphe LangGraph, py-jwt et du code de bout en bout.

#securite#identite#delegation 30 min
Avancé

Identité de workload : SPIFFE & SPIRE pour des agents zero-trust

Vos agents et vos services s'authentifient encore avec des clés d'API partagées ? On remplace ces secrets statiques par une identité cryptographique forte, à courte durée de vie et sans secret de bootstrap. Modèle SPIFFE (SPIFFE ID, SVID, trust domain), implémentation SPIRE (attestation de nœud et de workload), puis mTLS et JWT-SVID entre agents — avec py-spiffe, configs et CLI.

#securite#identite#spiffe 32 min

04 — Flux

Derniers contenus publiés.

Avancé

Autorisation : décider ce qu'un agent a le droit de faire

Les volets 1 et 2 ont prouvé qui est un agent et pour le compte de qui il agit. Reste la décision : a-t-il le droit ? On externalise la politique du code (séparation PEP/PDP, NIST 800-207), on l'écrit comme du code testable avec OPA & Rego, on l'applique sur le jeton de délégation du volet 2, et on impose le moindre privilège du chemin (atténuation), les obligations et le human-in-the-loop — avec un graphe LangGraph et du code de bout en bout, pas à pas.

#securite#autorisation#politique 34 min
Avancé

On-behalf-of : déléguer l'identité dans une chaîne d'agents

Le volet 1 a prouvé qui est un agent. Reste une question que l'identité de workload ne tranche pas : pour le compte de qui agit-il ? Dans une chaîne superviseur → chercheur → outil, l'intention de l'utilisateur d'origine se perd à chaque saut. On la fait voyager : délégation vs usurpation, jeton porteur de la chaîne d'acteurs (claim act), token exchange (RFC 8693) ré-émis à chaque hop et ancré sur le SVID — avec un graphe LangGraph, py-jwt et du code de bout en bout.

#securite#identite#delegation 30 min
Avancé

Identité de workload : SPIFFE & SPIRE pour des agents zero-trust

Vos agents et vos services s'authentifient encore avec des clés d'API partagées ? On remplace ces secrets statiques par une identité cryptographique forte, à courte durée de vie et sans secret de bootstrap. Modèle SPIFFE (SPIFFE ID, SVID, trust domain), implémentation SPIRE (attestation de nœud et de workload), puis mTLS et JWT-SVID entre agents — avec py-spiffe, configs et CLI.

#securite#identite#spiffe 32 min

05 — Socle

Le référentiel, toujours à portée.

30 entrées · relié▸

Lexique

Le vocabulaire agentique défini avec précision et relié entre soi. Un mot mal compris, c'est une architecture mal conçue.

Parcours guidé▸

Par où commencer

Pas sûr de votre point de départ ? Le parcours d'initiation vous mène du concept au premier agent LangGraph, étape par étape.

06 — Newsletter

Ne ratez aucun deep-dive.

Un envoi régulier, sans bruit : nouveaux deep-dives, cas pratiques, et l'essentiel de l'actualité agentique (LangGraph, LangFuse, AWS Bedrock). Pour les ingénieurs qui construisent.

Inscription via Substack · désinscription en un clic.

Édité et propulsé par DEEP-5

Édité par DEEP-5.

Agentique est édité et propulsé par DEEP-5, cabinet Agentic spécialisé dans les systèmes à base d'agents. Notre conviction : la qualité d'un contenu technique se mesure à la qualité du code qu'il vous laisse écrire.

Découvrir DEEP-5 ↗