Chap 5 — Construire un agent IA pour ton entreprise

🤖 Étape 1 — Définir un cas d'usage métier

Ne commence jamais par la techno. Commence par un problème concret :

• RH : pré-tri de CVs, réponses aux candidats, FAQ interne
• Support client : réponse aux questions niveau 1 (24/7), routage vers humain si besoin
• SAV : diagnostic produit, suivi de commande, génération de tickets
• Prospection : qualification leads, personnalisation emails, recherche entreprise

✨ Étape 2 — Choisir le modèle

• Claude 4 Sonnet : rédaction longue, contexte 200K, raisonnement
• GPT-5 : code, multimodal, function calling
• Mistral Large 2 : excellent en français, hébergeable en Europe (RGPD)
• Llama 4 : open source, déployable on-premise (souveraineté)

🤖 Étape 3 — API : premier appel

import anthropic

client = anthropic.Anthropic(api_key="sk-ant-...")

message = client.messages.create(
    model="claude-sonnet-4",
    max_tokens=1024,
    messages=[
        {"role": "user", "content": "Réponds en français : qu'est-ce qu'un LLM ?"}
    ]
)
print(message.content[0].text)

✨ Étape 4 — Orchestration (LangChain / LlamaIndex)

• LangChain : framework pour chaîner LLM + outils + mémoire (Python, JS).
• LlamaIndex : focus sur RAG et indexation de documents.
• Anthropic SDK + tool use : alternative plus simple pour agents Claude.

🤖 Étape 5 — RAG (Retrieval Augmented Generation)

Permet à ton agent de répondre avec tes données privées sans fine-tuning :

1. Découper tes docs en chunks (500-1000 tokens)
2. Calculer un embedding pour chaque chunk (vecteur 1536D ou 3072D)
3. Stocker dans une base vectorielle
4. À chaque question : retrouver les 5 chunks les plus pertinents
5. Injecter dans le prompt comme contexte

✨ Vector DB en 2026

• Pinecone : SaaS, simple, ~70 USD/mois pour démarrer
• Weaviate : open source ou cloud, hybride dense+sparse
• ChromaDB : open source, idéal pour prototyper en local
• Qdrant : open source Rust, ultra-performant
• pgvector : extension PostgreSQL (pratique si tu as déjà du Postgres)

🤖 Étape 6 — Outils (function calling)

Donne des superpouvoirs à ton agent :

• Web search : Tavily, Serper, Brave Search API
• Calculatrice : pour calculs précis (les LLMs hallucinent en math)
• Base de données : MySQL, PostgreSQL via tools dédiés
• API métier : ton CRM, ton ERP, Stripe, etc.

✨ Étape 7 — Frontend

• Streamlit : Python, prototype en 50 lignes
• Gradio : Python, chat UI prêt à l'emploi
• React + Vercel AI SDK : production, UX premium
• Next.js + shadcn/ui : stack moderne complet

🤖 Étape 8 — Déploiement

• Vercel : idéal pour Next.js / React
• Render : Python / Node, base de données incluse
• AWS : Lambda + API Gateway + DynamoDB (scalable)
• Cloudflare Workers : edge computing ultra-rapide
• Railway : alternative simple à Heroku

✨ Étape 9 — Monitoring

• LangSmith (LangChain) : trace chaque appel, debug
• OpenAI Eval / Anthropic Eval : benchmarks qualité
• Helicone : analytics et coûts par utilisateur
• Sentry : erreurs en production