Différences

Ci-dessous, les différences entre deux révisions de la page.

--- informatique:ai_lm:ai_agent [23/04/2026 18:25] – cyrille
+++ informatique:ai_lm:ai_agent [23/04/2026 18:56] (Version actuelle) – ↷ Liens modifiés en raison d'un déplacement. 47.128.50.240
@@ Ligne 24: / Ligne 24: @@
 ===== Frameworks =====
-==== LlamaAgents ====
+==== LlamaIndex / LlamaAgents ====
 https://developers.llamaindex.ai/python/llamaagents/overview/
@@ Ligne 34: / Ligne 34: @@
   * https://github.com/LLPhant/LLPhant
   * https://github.com/LLPhant/AutoPHP
-  * [[/informatique/ai_lm/AutoPhp|Essai AutoPhp]]
+  * [[informatique:ai_lm:ai_agent:autophp|Essai AutoPhp]]
 ==== PrismPhp ====
@@ Ligne 49: / Ligne 49: @@
 Un framework open-source conçu pour faciliter la création d’applications alimentées par des modèles de langage (comme GPT, Llama, etc.). Il permet de combiner des LLMs avec d’autres sources de données, outils externes, ou encore des bases de connaissances, pour construire des workflows complexes.
-  * **LangGraph**: une extension de LangChain qui permet de modéliser des workflows d’IA sous forme de graphes. Contrairement à LangChain, qui utilise des chaînes linéaires ou séquentielles, LangGraph permet de créer des processus dynamiques et non linéaires, où les étapes peuvent s’enchaîner de manière conditionnelle ou parallèle.
   * **LangSmith**: une plateforme de débogage, de test et de monitoring pour les applications construites avec LangChain ou d’autres frameworks similaires
+==== LangGraph ====
+Une extension de LangChain qui permet de modéliser des workflows d’IA sous forme de graphes. Contrairement à LangChain, qui utilise des chaînes linéaires ou séquentielles, LangGraph permet de créer des processus dynamiques et non linéaires, où les étapes peuvent s’enchaîner de manière conditionnelle ou parallèle.
+Might excel with its native graph optimizations when allowed to use parallel execution, state caching, and its conditional edge system for complex branching logic.
+==== DSPy ====
+https://dspy.ai
+Programming—not prompting—LMs - Signature-first programs (fewer lines of code)
+Define a task via a signature (inputs/outputs + intent), then implement it with Modules that encapsulate prompting and LLM calls. Centralizes prompt/usage handling and removes glue code; swapping internals (e.g., Predict ↔ CoT) doesn’t change the contract.
+  * Choose DSPy for: minimal boilerplate, readable single-file flows, contract-driven development (with optional optimizers).
+  * could show dramatically different results when using its signature optimizers (like MIPROv2) and Chain-of-Thought prompting, which can significantly improve answer quality.