Conversational Agents - Master's Course Workshop (Université Côte d’Azur)

This repository contains the practical materials I designed and taught for the Conversational Agents AI Course at Université Côte d’Azur (M2 - Master in Artificial Intelligence, Dec 2024 – Jan 2025).

🧠 Course Overview

• Duration: 2 months, 7 workshops
• Audience: Master’s students in Artificial Intelligence
• Focus: Design and implementation of Conversational Agents using Large Language Models, FastAPI, and Langchain

🛠️ Technologies

• Python 3.11+
• FastAPI
• Langchain

📚 Content Summary

Workshop	Topics
1	Introduction to LLMs and Chatbots
2	APIs and REST principles
3	FastAPI fundamentals
4	Langchain Chains & Tools
5	Function Calling with LLMs
6	Evaluation & Prompt Engineering
7	Group Projects & Demo Day

✍️ About the Instructor

This course was designed and taught by Nathan Rihet, Full-Stack & AI Engineer, as part of an academic collaboration with Université Côte d’Azur.

Helping students bridge the gap between AI theory and real-world applications through hands-on LLM-based projects.

---

Feel free to use, adapt, and contribute.

Architecture

C:.
├───api/                    # Gestion des routes et endpoints de l'API
│   ├───endpoints/         # Endpoints spécifiques par fonctionnalité
│   │   └───chat.py       # Endpoint pour les fonctionnalités de chat
│   └───router.py         # Router principal regroupant tous les endpoints
├───core/                  # Configuration et éléments centraux de l'application
├───models/               # Modèles de données Pydantic
│   └───chat.py          # Modèles pour les requêtes/réponses de chat
├───services/            # Services métier
│   └───llm_service.py   # Service d'interaction avec le LLM
├───utils/               # Utilitaires et helpers
└───main.py             # Point d'entrée de l'application

Installation et Configuration

Prérequis

• Python 3.11+ (ici : https://www.python.org/downloads/release/python-3110/ il faut redémarrer après installation pour avoir le $PATH sur l'OS)
• Visual Studio Code avec l'extension Python
• Une clé OpenAI que je vais vous fournir

Installation

1. Cloner le projet

git clone <URL_DU_DEPOT>
cd <NOM_DU_PROJET>

2. Créer l'environnement virtuel

python -m venv venv

3. Activer l'environnement virtuel

• Windows :

.\venv\Scripts\activate

• macOS/Linux :

source venv/bin/activate

4. Installer les dépendances

pip install -r requirements.txt

5. Configurer la clé API OpenAI Créer un fichier .env à la racine du projet :

OPENAI_API_KEY=votre-clé-api-openai

Explication des Composants

1. Main Application (main.py)

from fastapi import FastAPI
from fastapi.middleware.cors import CORSMiddleware

• Point d'entrée de l'application
• Configure FastAPI et les middlewares
• Initialise les routes

2. Modèles (models/chat.py)

class ChatRequest(BaseModel):
    message: str

• Définit la structure des données entrantes/sortantes
• Utilise Pydantic pour la validation des données
• Version simple pour débuter, extensible pour le contexte

3. Service LLM (services/llm_service.py)

class LLMService:
    def __init__(self):
        self.llm = ChatOpenAI(...)

• Gère l'interaction avec le modèle de langage
• Configure le client OpenAI
• Traite les messages et le contexte

4. Router API (api/router.py)

@router.post("/chat")
async def chat(request: ChatRequest) -> ChatResponse:

• Définit les endpoints de l'API
• Gère les requêtes HTTP
• Valide les données entrantes

Utilisation de l'API

Version Simple

curl -X 'POST' \
  'http://localhost:8000/chat/simple' \
  -H 'Content-Type: application/json' \
  -d '{"message": "Bonjour!"}'

Version avec Contexte

curl -X 'POST' \
  'http://localhost:8000/chat/with-context' \
  -H 'Content-Type: application/json' \
  -d '{
    "message": "Bonjour!",
    "context": [
      {"role": "user", "content": "Comment vas-tu?"},
      {"role": "assistant", "content": "Je vais bien, merci!"}
    ]
  }'

Debugging avec VS Code

1. Ouvrir le projet dans VS Code
2. Aller dans la section "Run and Debug" (Ctrl + Shift + D)
3. Sélectionner la configuration "Python: FastAPI"
4. Appuyer sur F5 ou cliquer sur le bouton Play
5. Démarrer Swagger : http://127.0.0.1:8000/docs

Structure de l'API

Endpoints Disponibles

• /chat/simple : Version basique sans contexte
• /chat/with-context : Version avancée avec gestion du contexte

Flux de Données

1. La requête arrive sur l'endpoint
2. Les modèles Pydantic valident les données
3. Le service LLM traite la demande
4. La réponse est formatée et renvoyée

Progression Pédagogique

1. Démarrer avec la version simple

   • Comprendre la structure de base
   • Tester les appels API simples

2. Évoluer vers la version avec contexte

   • Ajouter la gestion de l'historique
   • Comprendre l'importance du contexte dans les LLM

3. Explorer les fonctionnalités avancées

   • Implémenter des prompts personnalisés
   • Gérer différents types de réponses

Dépannage

Problèmes Courants

1. Erreur de clé API

   • Vérifier le fichier .env
   • S'assurer que la clé est valide

2. Erreurs de dépendances

   • Vérifier l'activation du venv
   • Réinstaller les requirements

3. Erreurs de contexte

   • Vérifier le format du contexte
   • S'assurer que les rôles sont valides

4. Powershell

   • Si les droits admin ne sont pas présent : ''Set-ExecutionPolicy Unrestricted -Scope CurrentUser -Force''

Ressources

• Documentation FastAPI
• Documentation LangChain
• API OpenAI