40 lines (32 loc) · 2.14 KB

Roadmap des exercices

Section 1 — Core

Chemin principal : LangChain → LangGraph → DeepAgents → intégration front.

#	Titre	Layer	Status
01	Hello LLM	LC	done
02	Structured Output	LC	done
03	Tools	LC	done
04	Streaming	LC	done
05	createAgent	LG	done
06	StateGraph	LG	done
07	Checkpointing	LG	done
08	DeepAgents	DA	done
09	Subagents, Store & Limites	DA	done
10	Hooks & Callbacks	LG	todo — ce que DeepAgents cache : BaseCallbackHandler, lifecycle events (on_llm_start, on_tool_start…), RunnableConfig callbacks, stream events
11	Stream Pipeline	LG	todo — parseLangChainStream → StreamEvent neutres, StreamEventProcessor, accumulation progressive JSON des tool args
12	Message Conversion	LC	todo — UIMessage ↔ BaseMessage, segmentation aux boundaries tool-result, backward compat
13	Vercel AI SDK	Front	todo — useChat, streaming UI, pont LangChain → React (dépend de ex11 + ex12)

Section 2 — Advanced patterns (après Section 1)

Patterns avancés de graph et workflows complexes. Patterns qui vont au-delà du chemin principal, mais nécessaires pour aller plus loin avec LangGraph.

Human-in-the-loop

Interrupts — interruptBefore/interruptAfter pour pauser le graph avant/après un noeud.
Approval workflows — le graph s'arrête, un humain valide, le graph reprend (s'appuie sur le checkpointing de l'ex 07).
State modification — modifier le state pendant la pause (updateState), puis reprendre.

Graph topology

Router — addConditionalEdges qui envoie vers un seul chemin parmi N selon le state.
Fan-out / fan-in — un noeud déclenche N noeuds en parallèle, un noeud de convergence attend que tous aient fini. Reducers merge les résultats.
Dynamic routing — router vers N noeuds possibles selon le contenu du state.

Autres candidats (à affiner)

Sub-graphs — graph imbriqué dans un noeud, pour modulariser des workflows complexes.
Multi-agent — plusieurs agents qui communiquent via un state partagé.