Stanford CME295 Transformers & LLMs | Autumn 2025 | Lecture 7 - Agentic LLMs

Stanford CME295 Transformers & LLMs | Autumn 2025 | Lecture 7 - Agentic LLMs

par Afshine Amidi et Shervine Amidi

Sciences formelles & physiques IA — Modèles & Recherche UYQIntelligence artificielle (IA)UYQFIntelligence artificielle générative
🎙 Afshine Amidi et Shervine Amidi 👥 1.2M 📅 18 novembre 2025 ⏱ 109 min 👁 111K 📄 cours magistral 🧭 2026-08-06
Disponible en : Français (actuel) English

Mots-clés

retrieval-augmented generationfunction callingReActModel Context Protocolagents

Résumé

Ce cours de Stanford, donné par Afshine et Shervine Amidi, aborde les techniques permettant aux LLM d’interagir avec le monde extérieur. Il commence par un rappel sur les modèles de raisonnement et l’algorithme GRPO, puis se concentre sur le RAG (Retrieval-Augmented Generation) : motivation (limites des connaissances figées, coût, etc.), étapes (retrieve, augment, generate), et techniques avancées comme la recherche par similarité avec SBERT, BM25, HyDE, le re-ranking avec cross-encoders, et l’évaluation avec NDCG et MRR. La seconde partie traite du tool calling (appel d’outils), de la sélection d’outils, du protocole MCP (Model Context Protocol) et des agents avec le framework ReAct. Le cours se termine par des considérations sur la sécurité et des réflexions finales. L’accent est mis sur les aspects pratiques et les compromis à considérer.

128 mots

Évaluation critique

Ce cours offre une introduction complète et pédagogique aux LLM agentiques, couvrant à la fois les concepts fondamentaux et les techniques avancées. La structure est claire, avec un rappel des notions précédentes, une progression logique du RAG vers les agents, et des exemples concrets. La rigueur scientifique est bonne : les présentateurs citent des modèles et des méthodes établis (SBERT, BM25, HyDE, ReAct, MCP) et expliquent les compromis (taille des embeddings, coût, etc.). Cependant, on peut regretter un manque de références explicites à des articles de recherche précis, même si le syllabus en ligne fournit probablement des ressources supplémentaires. L’adéquation titre-contenu est parfaite. La valeur pédagogique est élevée, avec des explications claires et des schémas (non visibles ici mais mentionnés). Les points forts incluent la discussion sur l’évaluation du RAG (NDCG, MRR) et la présentation du MCP, un protocole récent. Les limites sont mineures : certaines parties pourraient être approfondies, comme la comparaison détaillée des méthodes de recherche, mais le format de cours magistral impose des contraintes de temps. Dans l’ensemble, c’est une ressource de grande qualité pour les étudiants et les professionnels souhaitant comprendre et implémenter des LLM agentiques.

190 mots

Adéquation titre / contenu

Le titre correspond parfaitement au contenu : il s'agit bien de la septième leçon du cours CME295, consacrée aux LLM agentiques, couvrant RAG, tool calling et agents.

Qualité & fiabilité

9/10

Cours universitaire de Stanford, présenté par des enseignants-chercheurs, avec des références à des techniques et des modèles établis (RAG, ReAct, MCP). Le contenu est structuré, pédagogique et s'appuie sur des exemples concrets. Les sources sont principalement les supports de cours et les modèles cités.

Chapitres

Sources citées

Sources concordantes

Apport & nouveautés

Ce cours apporte une synthèse actualisée des techniques d’agents LLM, en mettant l’accent sur des méthodes récentes comme le Model Context Protocol (MCP) et le framework ReAct. Il fournit des explications claires sur le RAG et ses variantes, ainsi que sur l’évaluation de la qualité de la récupération. L’apport original réside dans la structuration pédagogique et la mise en perspective des différentes approches.

Pour aller plus loin :

140 mots

Profil radar

Le profil radar montre des scores élevés en quantité et qualité d'information, ainsi qu'en fiabilité, avec un niveau technique légèrement inférieur, ce qui reflète un cours équilibré, accessible mais rigoureux.

Fiabilité 9/10