Hello à tous, je me suis récemment consolidé une petite liste de ressources pour remettre un peu d’ordre dans tout ce qu’on lit sur les LLM et agents IA. Entre les modèles, les frameworks et les acronymes qui poussent plus vite que mes containers Docker, il devient facile de perdre le fil.
Comprendre ce qu’il y a dans la boîte noire
Pour commencer doucement, le cours de Louis-François Bouchard sur les LLM sans maths est une bonne porte d’entrée.
Mais si vous voulez vraiment comprendre ce qui se passe dans la boîte noire, je vous conseille aussi le document de JT Graveaud, « Plonger au cœur des LLM sans faire de maths ». Il déroule progressivement tokenization, embeddings, transformeurs, attention multi-têtes puis génération auto-régressive. J’aime particulièrement l’approche : suffisamment technique pour comprendre pourquoi le modèle fait ce qu’il fait, mais sans vous demander de refaire les calculs matriciels sur un coin de table. Et il ne cache pas les limites : hallucinations, biais, consommation de ressources ou fenêtre contextuelle.
Si vous voulez ensuite mettre les mains dedans, l’incontournable LLM Course de Hugging Face est l’étape logique. C’est gratuit, beaucoup plus technique, et Python devient clairement votre ami.
Avant les agents : apprendre à prompter
Avant de construire des agents, il faut aussi savoir parler correctement au modèle. Deux frameworks sont intéressants à garder sous le coude : CO-STAR pour structurer simplement contexte, objectif, style, ton, audience et réponse, et AUTOMAT lorsque le prompt commence à ressembler à une vraie spécification avec rôle, utilisateur, action, format de sortie, style, cas atypiques et limites de sujet.
Personnellement : j’utilise CO-STAR puis AUTOMAT quand le besoin se complexifie vraiment.
RAG puis agents IA
Ensuite vient le RAG. Le second document de JT Graveaud, « Le RAG au cœur des systèmes d’agents IA » explique, toujours sans code ni calcul, toute la chaîne : ingestion et découpage des documents, embeddings, base vectorielle, recherche ANN, Top-K, reranking puis injection des Top-N dans le contexte du LLM.
Surtout, il ne s’arrête pas au joli schéma d’architecture. Il parle aussi de prompt système « défensif », de confidentialité, d’intégrité, de contrôle d’accès, de prompt injection et de validation humaine. Pour quelqu’un qui vient de la cyber, forcément, ça me parle.
Enfin, quelques bonus, Building Effective Agents d’Anthropic apporte un recul sympa sur la différence entre workflows et vrais agents. Puis le AI Agents Course de Hugging Face permet de passer à la pratique.
Bref, faites bien geekez vos IA !
