Quand on écrit un prompt, ce n’est pas juste un message à destination de l’IA que l’on crée, c’est un véritable nouveau modèle d’IA.

Par exemple, si je dis à Mistral : “j’ai reçu le message suivant, est-ce un spam?”, j’ai créé en une ligne de texte ce que l’on appelle en machine learning un “classificateur binaire non supervisé”. Impressionnant !

Le prompt est donc un véritable langage de programmation pour contrôler des LLM et créer des mini-systèmes d’IA, sans données et en quelques minutes de travail.

Cette approche est un pilier fondamental de l’IA agentique, c’est-à-dire la rencontre entre le code et l’IA générative.

Découvrons comment créer des prompts réutilisables avec LangChain.

L’astuce du jour : prompt playground

LangSmith est la partie commerciale de l’écosystème LangChain / LangGraph. La plateforme LangSmith permet d’héberger des agents, d’évaluer leur bon fonctionnement, voire de créer des agents en no-code avec le nouveau système Fleet (ex Agent Builder).

Une fonctionnalité parfois sous-estimée est la “prompt playground” : en quelques clics, vous pouvez tester des prompts complexes sur tout un jeu de données, comparer plusieurs modèles, mesurer les résultats avec précision, et même partager vos prompts à plus grande échelle dans le cadre d’un travail d’équipe.

Vous préférez une alternative open source ? Le projet langfuse (qui n’est PAS rattaché à LangChain, malgré son nom) propose exactement la même fonctionnalité.

Le cas d’usage : reprompting

Vous mangez des prompts matin, midi et soir ? Reprenez-en encore une cuillerée : utilisez l’IA pour créer des prompts qui améliorent vos prompts, et expérimentez-les dans le playground langfuse ou LangSmith.

À vos claviers : Créez un premier template de prompt

🐍 Team Python

Dans le numéro précédent de la newsletter Formation LangChain France, nous avons installé uv, qui vient d’ailleurs de se faire racheter par OpenAI. Le monde de l’IA est très petit !

Si vous avez néanmoins choisi de continuer à utiliser des notebooks, sur Google Colab ou en local, commençons par une astuce : vous pouvez afficher proprement du Markdown via le module display de IPython.

from IPython.display import Markdown; 
Markdown(prompt)

Rappelons qu’un prompt est avant tout une chaîne de caractères. Comme ils sont un peu longs, on privilégie en général la syntaxe multi-lignes :

"""
Tu es un robot tueur.
Utilise LangChain pour créer un agent IA qui va détruire le monde.
"""

Très rapidement, vous allez vous poser la question suivante : comment injecter une variable dans un prompt ?

Il ne s’agit pas seulement de créer un template de prompt réutilisable : l’injection de variable dans un prompt joue aussi un rôle important dans la synthèse des conversations longues et le pattern “dynamic prompt” pour la boucle agentique.

• La syntaxe la plus courante est le “f-string” (chaîne de caractères formatée) : f"L’utilisateur s’appelle {prenom}"

• La fonction “str.format”, plus ancienne, permet de passer la variable a posteriori : "L’utilisateur s’appelle {prenom}".format(prenom="Eric")

• Python 3.14 introduit les “t-strings” (t pour template), similaire au f-string mais qui renvoie un objet “Template” plus élaboré. Attention, LangChain ne supporte pas Python 3.14 au moment où j’écris ces lignes (mars 2026).

• Le “ChatPromptTemplate” de langchain-core permet de gérer des templates de conversation, mais je ne le recommande plus aujourd’hui : Python fournit déjà assez d’outils, et le few-shot learning via une conversation (avec un prompt constitué de plusieurs messages) fonctionne moins bien avec les modèles récents (on privilégie plutôt un prompt système bien conçu).

• La syntaxe Mustache est aussi populaire, son avantage est de ne pas être spécifique à Python : "L’utilisateur s’appelle {{prenom}}".

On ne peut pas dire que les solutions manquent !! Maintenant que vous êtes surarmés avec pas moins de 5 syntaxes pour les prompts, la documentation LangChain fournit une page très complète sur le prompt engineering pour savoir quoi mettre dans ce fameux prompt !

🟨 Team JavaScript

En JavaScript, c’est très simple : les Template Literals sont la syntaxe à privilégier pour définir de longues chaînes de caractères.

Il s’agit d’un système moins sophistiqué que le formatage des chaînes de caractères en Python mais tout aussi efficace pour construire des prompts pour l’IA.

tone1="informative and calm"
tone2="aggressive techfluenceur marketing"
prompt=`You must write a LinkedIn post
Expected tone ${tone1}`

Mettez ça dans une fonction, et vous obtenez un générateur de prompts dynamiques !

Vous pouvez aussi choisir de mobiliser le ChatPromptTemplate de LangChain pour avoir un prompt très structuré. Je ne le recommande pas forcément en Python où il est redondant avec les fonctionnalités de base, mais en JavaScript il peut compenser l’absence de mécanismes avancés pour le formatage des chaînes de caractères.

La communauté LangChain

Cette semaine on fait un détour par Le Mans pour vous présenter Edwin Simonnet, Docteur en IA, spécialiste LLM & LangChain, et Dev Mobile Flutter ! Retrouvez Edwin sur LinkedIn.

Pour apparaître dans la newsletter et faire connaissance avec la communauté LangChain France : répondez directement à la newsletter par mail et dites-moi quelques mots sur votre profil !

Dans le prochain épisode

On passe des prompts simples aux conversations multi-messages : types de messages - système, user, et tool ; lien avec la mémoire et le tool calling…

Qu’en pense l’IA ?

Cette semaine, je demande à Flux 2 Pro, le modèle d’image de l’allemand Black Forest Labs, ce qu’il pense de cet épisode de Formation LangChain France :

• En python, Google Colab est une solution incontournable, fondée sur le principe des notebooks Jupyter, mais en version cloud. Et c’est gratuit !

• En JavaScript, plusieurs solutions concurrentes existent, on peut citer StackBlitz qui utilise des webcontainers, et CodeSandbox qui utilise des machines virtuelles.

Cependant, vous allez certainement vouloir rapidement mener des projets de création d’agents IA ambitieux : il sera alors nécessaire d’installer LangChain directement sur votre machine.

Découvrons comment uv en Python et pnpm en JavaScript peuvent nous aider. Et bien sûr, dotenv pour gérer nos clés d’API !

L’astuce de la semaine : une clé d’API LLM globale

Je vais vous montrer dans un instant comment stocker proprement vos clés d’API LLM dans un fichier .env, spécifique à chaque projet.

Mais pour me faciliter la vie, je stocke aussi des clés globales directement dans mon fichier ~/.profile.

Sous Linux et Mac, le signe tilde “~“ désigne votre dossier “home”, et le fichier .profile est chargé automatiquement au démarrage de votre machine.

Si vous y ajoutez une variable MISTRAL_API_KEY, celle-ci sera utilisée par défaut par différents outils IA, notamment les applications LangChain et LangGraph.

# Mon fichier ~/.profile
export MISTRAL_API_KEY=5bXXXXXXXXXXXXXX
export OPENROUTER_API_KEY=sk-or-v1-1c26de6XXXXXXX
export OPENAI_API_KEY="sk-proj-N8XXXXXXXX"

Le cas d’usage de la semaine

Mon exemple préféré pour justifier l’utilisation d’un script avec LangChain plutôt qu’une plateforme IA : appliquer un prompt à une liste de documents.

ChatGPT est amusant quand on doit traiter 1 à 10 documents. Mais pour mener une veille commerciale sur une liste de 2000 concurrents, c’est tout de suite moins drôle ! Alors qu’une simple boucle “while” permet de gérer ce cas en une dizaine de lignes de code avec LangChain.

À vos claviers : Votre installation LangChain locale

🐍 Team Python

TL;DR: je vous ai créé un template clé-en-main pour démarrer avec LangChain en Python sur GitHub. Explications ci-dessous.

Si vous êtes sous Windows, commencez par installer Linux via le WSL : plus léger qu’une machine virtuelle (VM), ce système est devenu la norme pour beaucoup de programmeurs Python et vous permet d’exécuter les mêmes commandes que sous Linux ou Mac. Ainsi, nous parlons tous le même langage !

Ensuite, familiarisez-vous avec uv, qui permet à la fois d’installer Python sur votre ordinateur et d’installer des modules comme langchain.

Note : au moment où j’écris ces lignes (mars 2026), LangChain ne supporte pas encore Python 3.14, il vous faudra donc installer la version 3.13.

En effet, LangChain et LangGraph utilisent des librairies fortement optimisées, qui peuvent mettre un peu de temps à supporter les nouvelles versions de Python sans compromis sur les performances.

Pour stocker les clés d’API sur votre ordinateur, le système dotenv est très pratique. Vous stockez tout simplement vos clés dans un fichier caché “.env”, avec une clé d’API par projet sur votre ordinateur. Cependant, attention à ne PAS l’inclure dans votre dépôt GitHub !

# Dans le fichier .env d'un projet
# Attention à NE PAS versionner ce fichier dans git !!
# C'est un fichier privé !!
OPENROUTER_API_KEY=xyz_1234

# Dans votre fichier .gitignore
.env
.env.*

# Dans le code
# Installation : pip install python-dotenv
import os
from dotenv import load_dotenv
load_dotenv()  # charge le fichier .env automatiquement
print(os.getenv("OPENROUTER_API_KEY")) # 🎉

Enfin, vous pouvez reprendre le code de notre article précédent “Un LLM dans votre code avec LangChain“, et l’exécuter sur votre propre ordinateur !

Dernier point important : avec uv, on utilise la commande uv run mon_script.py plutôt que python. En effet, uv va se charger d’activer toutes les dépendances automatiquement et gérer pour nous l’environnement virtuel “venv” : très pratique !

🟨 Team JavaScript

J’avais déjà cité la semaine dernière volta pour l’installation de Node.js et pnpm pour l’installation des packages, dont langchain.

Découvrons maintenant comment exécuter efficacement un script JavaScript localement. Ou plus précisément : un script TypeScript !

TypeScript est une version de JavaScript qui utilise du typage statique, c’est-à-dire que l’on précise dans le code les structures de données utilisées par les variables et les fonctions.

C’est un peu intimidant quand on a appris JavaScript en autodidacte à l’époque de jQuery, mais TypeScript apporte de nombreux avantages qui valent le coup : auto-complétion de grande qualité, code plus facile à maintenir, détection de nombreuses erreurs…

Voici 4 techniques pour exécuter un script TypeScript en une ligne, sans avoir à le compiler en JavaScript :

• pnpx tsx ./mon-script.ts : utilise tsx (nécessite “type”: “module” dans le package.json)

• node --experimental-strip-types ./mon-script.ts : utilise les options expérimentales Node.js pour gérer TypeScript (on peut aussi utiliser —experimental-transform-types)

• ts-node ./mon-script.ts : utilise ts-node (réalise un vrai typecheck, nécessite d’installer globalement le module typescript)

• bun ./mon-script.ts : utilise bun (marche aussi avec Deno)

Ce n’est pas très intuitif malheureusement… On peut s’attendre à ce que les prochaines versions de Node.js gèrent TypeScript nativement, tant ce langage s’est imposé comme un standard, et aussi sous la pression des runtimes alternatifs Bun et Deno.

Une fois Node.js, pnpm et TypeScript configurés, la dernière étape est la gestion des clés d’API LLM, que l’on stocke comme des variables d’environnement.

La recette est la même qu’en Python, on utilise le module dotenv qui charge un fichier .env stocké dans notre projet (mais PAS dans le dépôt Git ! C’est un fichier privé !).

# Dans le fichier .env d’un projet
# Attention à NE PAS suivre ce fichier dans git !!
# C’est un fichier privé !!
OPENROUTER_API_KEY=xyz_1234

# Dans votre fichier .gitignore
.env
.env.*

# Dans le code
# Installation : pnpm install dotenv
import 'dotenv/config'
print(process.env[”OPENROUTER_API_KEY”]) # 🎉

Vous pouvez enfin reprendre le code de l’épisode précédent de Formation LangChain France, et le faire tourner sur votre propre machine pour déclencher un appel d’API LLM avec LangChain !

Note sur process.env : vous devrez peut-être installer le package @types/nodejs pour que cette variable soit reconnue dans votre éditeur de texte. Si vous utilisez Bun ou Deno, les variables d’environnement sont alors plutôt obtenues via Bun.env ou via Deno.env. Si vous devez charger une clé LLM dans le navigateur, vous rencontrerez aussi la syntaxe import.meta.env (cf notre article sur le BYOK sur l’exemple de Vercel AI SDK, qui s’applique aussi à LangChain).

La communauté LangChain

Dans chaque épisode, on parle de vous, les membres de la communauté LangChain France ! Aujourd’hui, je vous présente Sylvain Lapeyrade, freelance spécialiste de LangChain : retrouvez-le sur LinkedIn.

Dans le prochain épisode

On va prompter des prompts qui génèrent des prompts. Vous suivez toujours ?

Qu’en pense l’IA ?

Cette semaine, je demande à Kimi 2.5, le modèle agentique multimodal de l’entreprise chinoise Moonshot AI ce qu’il pense de ce numéro de la newsletter Formation LangChain France :

Cette newsletter offre une transition pragmatique et bienvenue des environnements cloud (Colab, CodeSandbox) vers une installation locale professionnelle de LangChain, couvrant avec pertinence les deux écosystèmes majeurs que sont Python (via uv) et JavaScript/TypeScript (via pnpm et tsx), tout en insistant à juste titre sur la gestion sécurisée des clés API via dotenv et .gitignore ; cependant, si ses conseils techniques sont solides et son exemple de traitement par lot de 2000 documents illustre parfaitement l'intérêt d'un script local versus une plateforme cloud, on regrettera la recommandation de stocker des clés API en clair dans le fichier ~/.profile — pratique certes commode mais potentiellement risquée pour la sécurité.

Très bonne remarque ! Le risque de sécurité est acceptable car mes clés d’API sont toujours associées à une faible limite de dépense et cette pratique est équivalente au stockage d’une clé dans un .env. Si vous avez expérimenté d’autres approches pour le stockage des clés d’API, faites-le savoir en répondant à cette newsletter par mail !

Concrètement, LangChain est un framework spécialisé dans l’interfaçage avec les grands modèles de langage LLM, tels que GPT, Claude, Mistral et plusieurs centaines d’autres.

LangChain a été publié en octobre 2023, soit un mois avant… ChatGPT !

Pas de débat entre l’œuf et la poule ici : l’IA agentique précède bien l’IA générative et c’est prouvé.

Mais ce n’est pas tout, depuis la version 1.0 publiée en octobre 2025, LangChain intègre aussi une boucle agentique avec la fonction create_agent. On y reviendra dans un prochain article

D’abord, installons LangChain pour déclencher un premier appel LLM.

L’astuce de la semaine : modèles gratuits avec OpenRouter

Rien de pire quand on apprend une nouvelle technologie que de devoir commencer par insérer sa carte bleue…

OpenRouter est un “gateway” ou routeur de modèles qui vous permet d’accéder à de nombreux LLM, dont des instances gratuites de modèles open source.

En ajoutant 10 euros de crédit, la limite de requêtes passe de 50 à 1000 par jour pour les modèles gratuits (vos 10 euros restent donc en stock et ne sont pas dépensés) : super pour vos premiers essais. Les modèles gratuits sont listés ici.

Le cas d’usage de la semaine

En panne d’idée ? Créez un agent IA qui vous génère… des idées de cas d’usage pour LangChain ! Le tutoriel qui suit vous suffira pour ce premier cas d’usage.

À vos claviers : premier appel LLM avec LangChain

🐍 Team Python

C’est surprenant, mais beaucoup de développeurs LangChain qui suivent nos formations n’utilisent PAS Python dans leur quotidien professionnel. Si vous n’êtes pas data scientist, vous utilisez peut-être Python uniquement pour créer des petits scripts par-ci par-là.

Bonne nouvelle, vous n’avez même pas besoin d’installer Python sur votre ordinateur pour démarrer.

Il vous suffit d’ouvrir : Google Colab. Je vous ai même préparé un notebook tout prêt !

Colab est une surcouche cloud pour Jupyter, gratuite et conçue pour l’apprentissage. Parfait pour se former à LangChain.

La commande magique %pip vous permet d’installer le module LangChain ainsi q’une intégration avec un LLM, ici OpenAI.

%pip install -qU langchain-openai

Deux points importants :

• LangChain se connecte à un LLM, mais ne fournit pas de LLM.

• Pourquoi OpenAI quand on peut utiliser un modèle européen comme Mistral ? Car l’API OpenAI est considérée comme un standard : on va en fait pouvoir brancher un modèle open source via OpenRouter et même un serveur Ollama !

Deuxième point de configuration, gérer votre clé d’API. Le module “getpass” est l’approche la plus simple.

import getpass, os
os.environ["OPENROUTER_API_KEY"] = getpass.getpass("Enter API key: ")

Ensuite, on initialise la connexion avec un modèle LLM via LangChain :

from langchain.chat_models import init_chat_model
model = init_chat_model(
    model="mistralai/codestral-2508",
    model_provider="openai",
    base_url="https://openrouter.ai/api/v1",
    api_key=os.environ["OPENROUTER_API_KEY"])

Et enfin l’appel d’API LLM !

messages = [
    ("user", "Génère un court programme Python avec LangChain qui envoie un message à un LLM."),
]
res=model.invoke(messages)
print(res.content)

🟨 Team JavaScript

Il n’y a pas que le langage Python dans l’IA ! L’IA agentique est focalisée sur l’utilisation d’IA existantes et non la création de nouvelles IA. Tous les langages de programmation sont donc bienvenus, et LangChain propose justement une version JavaScript/TypeScript de son framework.

Étape 1 : une machine virtuelle sur le cloud avec Node.js

Pour démarrer en quelques clics sans installation, nous pouvons utiliser un outil cloud. Codesandbox crée une micro-VM pour nous (donc sur un serveur distant où Node.js est installé), j’aime aussi beaucoup StackBlitz qui s’appuie sur les webcontainers.

La configuration est un peu complexe, je vous ai donc créé directement une démo toute prête ici.

Étape par étape :

• J’ai créé un nouveau projet Node.js

• J’ai ajouté le support basique de TypeScript via tsx (cf package.json)

• J’ai installé les dépendances : npm install langchain @langchain-core @langchain/openai

Étape 2 : une clé d’API

Pour la suite de la configuration, c’est à vous de jouer, car il vous faut une clé d’API LLM !

Je vous conseille de passer par OpenRouter, un routeur d’API LLM qui agrège plusieurs fournisseurs et modèles, dont des modèles open source et gratuits. Vous pouvez créer une clé d’API ici.

Attention à ne pas stocker la clé directement dans votre code, vous pourriez y laisser votre porte-monnaie ! La méthode adéquate dépend de l’environnement de développement, donc dans notre cas il faut passer par une configuration CodeSandbox décrite sur cette page.

Voici à quoi ressemble l’initialisation d’une connexion à un modèle LLM via OpenRouter dans LangChain JS :

const model = new ChatOpenAI({
  model: "mistralai/codestral-2508",
  apiKey: process.env.OPENROUTER_API_KEY,
  configuration: { baseURL: "https://openrouter.ai/api/v1" },
});

Notre configuration est un peu tordue, mais très puissante :

• On utilise “openai” comme un standard d’API, mais on ne veut pas de GPT

• On utilise donc en fait “OpenRouter” en configurant le bon paramètre “baseUrl” (note : la doc n’est pas à jour, il faut passer par un objet “configuration”)

• et au sein d’OpenRouter, on a choisi d’utiliser… un modèle Mistral !

Bonne nouvelle, une intégration “ChatOpenRouter” plus directe est en cours de publication en février 2026, voir cette doc. Dans Mastra (framework concurrent de LangChain), le model router facilite aussi la connexion avec OpenRouter.

Étape finale : l’appel à une API LLM

Dernière étape, on peut enfin appeler notre LLM :

const result = await model.invoke(
  `Codestral, une newsletter sur LangChain en français, 
  ça t'intéresse ?`
);
console.log(result.content);

Pour aller plus loin, vous pouvez explorer la doc de connexion à un modèle LLM.

Dans le prochain épisode

Google Colab en Python et CodeSandbox en JavaScript nous ont permis de tester LangChain sans rien installer sur notre ordinateur.

Parfait pour débuter !

Mais cette configuration est un peu rigide. Par la suite, on pourra utiliser volta et pnpm pour installer Node.js et LangChain JS sur notre ordinateur. En Python, on privilégiera uv.

Deuxième limite : on a envoyé un premier message à l’IA avec du code grâce à LangChain. Mais depuis la v1 sortie fin 2025, LangChain permet de créer des agents beaucoup plus puissants en à peine quelques lignes de code.

On en reparle au prochain épisode !

Qu’en pense l’IA ?

Cette semaine, je demande à Codestral, le modèle de code de Mistral, ce qu’il pense d’une newsletter sur LangChain en français :

Absolument ! Une newsletter sur **LangChain en français** serait une excellente idée, surtout si elle vise à :

1. **Simplifier les concepts** : Expliquer les fonctionnalités de LangChain (agents, chaînes, modèles, etc.) de manière accessible.

2. **Partager des cas pratiques** : Des exemples concrets (chatbots, automatisation, analyse de données, etc.).

3. **Actualités et tutoriels** : Mettre en avant les mises à jour de LangChain, des guides étape par étape, et des astuces.

4. **Communauté francophone** : Encourager les échanges entre développeurs, chercheurs et passionnés d’IA.

Si tu veux lancer ce projet, je peux t’aider à :

- **Structurer le contenu** (thèmes récurrents, format des newsletters).

- **Trouver des contributeurs** (développeurs, chercheurs, entreprises).

- **Promouvoir la newsletter** (réseaux sociaux, forums comme Hugging Face, GitHub).

Ce nouveau métier est encore émergent, il y a donc un fort besoin de formation pour répondre aux besoins croissants des entreprises dans le domaine de l’IA.

Pour se spécialiser dans le développement d’applications basées sur les grands modèles de langage (LLM), deux formations éligibles au CPF permettent d’acquérir chez LBKE des compétences techniques en JavaScript ou en Python.

La formation Mastra et Vercel AI SDK offre une expertise en intégration d’IA générative via JavaScript, tandis que le parcours LangChain pour le développement IA en Python couvre la création d’agents autonomes et d’applications avancées avec ce framework open-source.

Pour optimiser la productivité des équipes techniques, la formation Cursor enseigne l’utilisation d’assistants de code IA, tandis que le programme Agents IA en entreprise s’adresse aux professionnels souhaitant automatiser des processus métiers grâce à l’IA agentique (sans forcément être développeur !).

Ces parcours, adaptés aux enjeux actuels, combinent théorie et mise en pratique pour une montée en compétences rapide.

Les sorties structurées en JSON sont tout de même recommandées dans la majorité des situations, car elles accélèrent l’inférence et ont une garantie de qualité, alors que le parsing peut échouer.

Formation LangChain et LangGraph éligible CPF chez LBKE https://www.lbke.fr/formations/developpeur-llm-langgraph-langchain/cpf

Contrairement aux idées reçues, la vocation première de l’IA générative et agentique n’est certainement pas à remplacer des compétences ! Au contraire, elle les enrichit en automatisant les tâches répétitives et en ouvrant la voie à des solutions créatives inédites.

Si certaines entreprises vont jusqu’à proposer des usines logicielles automatisées, elles ne le font que dans un périmètre précis, pour des systèmes logiciels relativement standardisés. Les logiciels les plus innovants continueront donc d’être produit selon un processus de développement informatique traditionnel, même lorsqu’il est assisté par l’IA.

Comme toute nouvelle technologie, les agents IA pour le code nous incitent à repenser nos pratiques, à innover pour en extraire les éléments les plus positifs (gain de créativité, élimination des tâches fastidieuses) sans souffrir des aspects négatifs (dépendance, perte de compétence).

La formation professionnelle est aussi recommandée, les équipes qui gagnent le plus en productivité avec l’IA agentique sont celles qui l’adoptent de manière structurée et avec l’accompagnement adéquat.

Pour comprendre comment en tirer parti de la transition IA des entreprises en tant que développeur informatique, un décryptage complet est disponible dans cet article sur le site de LBKE.

Cette approche permet de centraliser plusieurs cas d’usage au sein d’un unique agent LangGraph, optimisant ainsi la modularité et l’efficacité du système.

Par exemple, un même agent peut basculer entre une recherche documentaire, une analyse de données ou une génération de code, selon l’intention détectée, sans multiplier les points d’entrée.

Les routeurs sont aussi fondamentaux pour implémenter des “guardrails”, c’est-à-dire le rejet des entrées ou des sorties nocives ou invalides, qui peuvent toujours se produire avec un LLM non-déterministe confronté à des utilisateurs pas toujours bienveillants.

Pour concevoir des agents intelligents capables de routage avancé, la formation LangChain éligible CPF de LBKE couvre les bonnes pratiques d’orchestration, depuis la définition des règles de décision jusqu’à l’intégration fluide de multiples workflows dans une seule interface.

Formation LangChain et LangGraph éligible CPF chez @lbke : https://www.lbke.fr/formations/developpeur-llm-langgraph-langchain/cpf

Mais quand on crée son propre agent IA en Python, il est plus efficace de connecter manuellement des outils à son agent dès que cela est possible. Cette approche donne un plus grand contrôle.

Le module “langchain-core” permet de fournir des fonctions Python directement à un LLM, via la fonction "bind_tools". Attention, il faudra ensuite gérer le déclenchement de l'outil, ce qui est un peu complexe.

Depuis la v1 de LangChain, il y a encore plus simple. Il est possible de créer directement une boucle agentique et de lui associer un ensemble d’outils, avec l’option “tools”.

Cette approche fournit un bon équilibre entre contrôle et facilité de mise en place. Le protocole MCP reste utile pour se connecter à des outils plus complexes ou des APIs distantes.

Formation LangChain éligible CPF chez LBKE

Cependant, cette approche ne se substitue pas à l’expertise humaine : des développeurs expérimentés restent indispensables pour valider l’architecture, corriger les biais, optimiser les performances et finaliser les projets dans les règles de l’art.

Pour concrétiser vos idées, L’Agence LLM prend en charge le développement de vos prototypes en mode vibe coding. Et pour maîtriser ces outils et booster votre productivité, la formation Cursor en 2 jours de LBKE vous apprend à exploiter pleinement les assistants IA tout en gardant le contrôle sur votre code.

C’est pour cela qu’un appel à un LLM via LangChain prend en entrée une liste de messages, et non uniquement un prompt.

C’est aussi pour cela qu’il faut parfois redémarrer une conversation quand on discute avec un LLM qui semble commencer à se perdre après une longue discussion. On peut typiquement avoir une conversation d’idéation pour affiner un prompt, puis une seconde conversation d’exécution pour accomplir la tâche à partir d’un prompt/contexte propre.

Exemple d’une conversation avec un LLM via LangChain en Python (exemple tiré de la documentation officielle LangChain) :

agent = create_agent(
    model="claude-sonnet-4-6",
    system_prompt="On va discuter tous les deux",
)
agent.invoke(
    {"messages": [
{"role": "user", "content": "Ça va ?"},
{"role": "assistant", "content": "Ça va et toi ?"},
{"role": "user", "content": "Moi ça va. Et toi ?"},
]}
)

Dans cet exemple, les messages “user” sont ceux de l’utilisateur, et “assistant” ceux de l’IA. Pour pouvoir avancer dans la conversation, il faut redonner à l’IA tout l’historique, y compris ses propres messages !

Les agents IA ajoutent généralement une mémoire court terme, qui permet de stocker une conversation à transmettre au LLM à chaque appel. Les frameworks IA tels que LangChain ou Mastra aident aussi à compresser la conversation quand elle devient trop grande pour la fenêtre de contexte (ou votre portefeuille, les tokens ne sont pas gratuits !).

Pour un usage plus avancé, on peut aussi modifier artificiellement les réponses de l’IA : c’est le principe du "few-shot learning”. Cependant, cette technique étant aussi utilisée pour le jailbreaking, on préfère passer par le prompt système directement pour les modèles plus récents.

Formation LangChain et LangGraph éligible CPF chez LBKE

Contrairement aux méthodes traditionnelles de parsing, qui reposent sur une interprétation parfois fragile du texte brut, cette approche contraint le LLM à produire des données conformes à un schéma défini. Résultat : une fiabilité accrue, des intégrations simplifiées avec d’autres systèmes et une réduction significative des besoins en post-traitement, ce qui en fait une solution privilégiée pour les applications critiques en production.

Formation LangChain et LangGraph éligible CPF chez LBKE : https://www.lbke.fr/formations/developpeur-llm-langgraph-langchain/cpf

Cette évolution transforme l’écosystème en permettant aux utilisateurs d’accéder à des services directement depuis l’interface conversationnelle de ChatGPT, réduisant ainsi la dépendance aux sites traditionnels ou aux stores d’applications.

Dans ce contexte, votre prochaine application SaaS pourrait bien prendre la forme d’une application ChatGPT, optimisée pour l’engagement et la conversion dans un environnement natif et interactif.

À quand une marketplace Mistral ??

Cependant, il ne s’agit pas encore à ce jour d’une marketplace ouverte. Dans un premier temps, vous pouvez mettre en oeuvre des agents IA, appelés “GPT” sur ChatGPT.

La possibilité de les connecter avec des APIs, éventuellement avec une authentification Oauth, rend possible la création d’agent très avancés, malgré la simplicité apparente de cette interface.

Des solutions intermédiaires existent. Par exemple, le noeud “Chat Trigger” de n8n vous permet de créer des chatbots agents IA facilement intégrable à un site web en JavaScript, connectés à des automatisation d’entreprise.

Votre prochain site web est peut-être un agent IA !

Pour anticiper cette transition et tirer parti de ce nouvel espace, l’Agence LLM par LBKE accompagne les entreprises dans l’élaboration d’une stratégie marketplace ChatGPT sur mesure.

Cependant, que se passe-t-il lorsque l’on souhaite changer de fournisseur ? Il faudrait potentiellement réécrire tout le code !

C’est ici qu’intervient l’écosystème LangChain et notamment la librairie langchain-core. Elle fournit une interface standardisée pour se connecter à n’importe quel fournisseur.

La fonction "invoke" permet d'appeler n'importe quelle API LLM connectée à LangChain. Plus besoin d'apprendre les spécificités de chaque SDK (OpenAI, Claude, Gemini etc.).

Cette fonction s’appuie sur les “Runnable”, une abstraction au coeur du fonctionnement de LangChain mais qui devient moins visible depuis la v1 de LangChain, qui met plutôt l’accent sur l’utilisation de la boucle agentique.

Attention à ne pas confondre framework LLM et gateway : OpenRouter et LiteLLM vous permettent aussi de vous connecter à plusieurs fournisseurs LLM, mais sont positionnés côté “backend” : LangChain reste nécessaire pour intégrer un LLM à votre code.

D’un côté, le développeur IA conçoit des systèmes agentiques basés sur l’IA générative, architecturant des solutions autonomes capables de raisonner, d’agir et de s’adapter à des cas d’usage complexes. Il utilise des technologies telles que LangChain, Vercel AI SDK ou équivalents pour intégrer des appels IA au sein de programmes informatiques.

De l’autre, le vibe codeur ou développeur augmenté exploite des assistants de code comme Mistral Vibe, GitHub Copilot, Cursor ou Claude Code pour gagner en productivité. Cette compétence lui permet de prototyper rapidement des applications, mais le vibe codeur reste dépendant d’outils externes.

Les développeurs informatiques peuvent donc être soit producteurs d’IA, soit utilisateurs d’IA.

Dans les deux cas, il s’agit d’une utilisation avancée de l’intelligence artificielle de nature à disrupter le fonctionnement des entreprises. Les agents IA, qui combinent du code et des appels LLM pour la prise de décision, commencent à démontrer une capacité à traiter des tâches complexes : production de code mais aussi bureautique, analyse médicale, veille commerciale…

L'Agence LLM par LBKE propose des prestations de vibe coding pour développer vos prototypes en un temps record. Si vous souhaitez maîtriser ces assistants et optimiser votre workflow, la formation Cursor en 2 jours de LBKE ou la nouvelle formation Claude Code vous donneront les clés pour coder plus efficacement avec l’IA.

Cependant, les professionnels travaillant avec JavaScript disposent d’une alternative tout aussi performante : Mastra. Il y a donc de la compétition !

Le framework Mastra, construit sur la base du Vercel AI SDK est spécialement conçu pour une intégration fluide des LLM dans des applications SaaS, implémentées par exemple avec Next.js et React.

Il n’y a pas de mauvais choix, car les possibilités de création d’agents IA offertes par le combo LangChain et LangGraph sont très proches de celles offertes par Mastra :

• Création de boucles agentiques

• Création d’outils

• Création de workflows

La différence se situe surtout dans l’expérience développeur : Mastra est globalement plus facile à prendre en main que LangChain et LangGraph !

Par exemple, le studio de développement Mastra est open source, ce qui facilite le déploiement d’une plateforme agentique en auto-hébergement. Il est aussi plus facile de transformer un agent Mastra en serveur MCP.

C’est pourquoi nous avons choisi Mastra pour nos formations IA en JavaScript chez LBKE, tout en conservant LangChain et LangGraph pour les développeurs Python.

Team JavaScript ? Retrouvez notre formation Mastra et Vercel AI SDK éligible CPF. Team Python ? Retrouvrez notre formation formation LangChain et LangGraph.

Pour les utiliser dans un notebook, il suffit d’importer le paquet google.colab et d’accéder aux données via le module userdata, ce qui permet de charger les clés de manière dynamique et contrôlée.

Pour aller plus loin dans la maîtrise des outils IA et l’intégration sécurisée des modèles de langage, la formation LangChain et LangGraph éligible CPF proposée par LBKE permet d’acquérir des compétences avancées en développement d’agents autonomes et en orchestration de LLM, tout en respectant les bonnes pratiques de sécurité et d’optimisation.

Cela change le quotidien des professionnels mais aussi celui des prestataires en informatiques.

Les agences spécialisées en intelligence artificielle ou “agences IA” représentent une évolution des entreprises de services du numérique (ESN) et des agences web.

Elles sont axées sur les solutions agentiques et les modèles génératifs, c’est-à-dire la rencontre entre le code et l’IA.

Exemple de prestations :

• Vibe coding de prototypes

• Stratégie marketplace ChatGPT

• Développement web appuyé par l’IA

• Automatisation IA : n8n, PowerAutomate

• Création d’agents IA : LangChain, Mastra

• Création de chatbots

Les nouveaux métiers de l’IA comme celui de développeur ou développeuse IA sont encore en cours de définition. Il faut donc être prudent quand vous choisissez une agence IA ou agence LLM : vérifiez qu’elle dispose bien des compétences adéquates en IA et en développement informatique !

Pour des projets comme le RAG, les chatbots ou l’automatisation intelligente, l’Agence LLM par LBKE propose des prestations sur mesure adaptées aux besoins des entreprises.

Dans un notebook Jupyter ou Google Colab, la commande %pip simplifie l’installation de bibliothèques Python en exécutant pip directement depuis l’environnement, sans avoir à passer par un terminal externe.

Cette fonctionnalité est particulièrement utile pour tester rapidement des dépendances, par exemple des intégrations compatibles avec l’API langchain-core.

%pip install langchain-openai

Pourquoi utiliser l’intégration OpenAI ? Car l’API OpenAI est utilisée comme un standard par des outils alternatifs comme Ollama et OpenRouter, qui vous permettent d’utiliser des modèles locaux, open source ou hébergés par des providers alternatifs.

Pour maîtriser ces techniques et aller plus loin dans la création d’agents IA avec LangChain, découvrez notre formation LangChain éligible au CPF : Formation Développeur LLM LangGraph – LBKE

Ces solutions transforment les interactions avec nos ordinateurs et ouvrent de nouvelles perspectives d’automatisation de processus en entreprise. Les agents IA font beaucoup parler d’eux début 2026, et à raison.

Le développeur ou la développeuse IA se situe à la frontière entre génie logiciel et IA. Son rôle est de se saisir des capacités offertes par l’IA générative, notamment pour la compréhension de contenu texte (texte libre, code, configurations JSON…) et la prise de décision à partir d’un prompt.

Le développeur IA peut coder en Python avec LangChai, en JavaScript avec le AI SDK, ou encore être adepte du no-code : une solution comme n8n permet de créer des systèmes IA très puissants !

Pour se former à ces compétences recherchées, LBKE propose des formations à l’IA agentique via les technologies LangChain et Mastra : Explorer les formations – LBKE