Anthropic. Trois ingénieurs d’Anthropic passent en revue les pièges les plus courants qu’ils rencontrent — agents qui ne savent pas quand s’arrêter, surcharge du prompt système au lieu de corriger l’environnement et coût d’architectures multi-agents dont personne n’avait réellement besoin. La vidéo est utile juste après l’intervention de Barry : vous reconnaîtrez les mêmes schémas sous un autre angle.
Le catalogue de pièges sert aussi de liste de contrôle : règles d’arrêt, arbitrage entre correction du prompt et correction de l’environnement, et nécessité réelle de l’architecture multi-agents.
Identifier les erreurs courantes de conception d'agents avant d'ajouter plusieurs agents, des prompts complexes ou un état caché.
Regarder d’abord la sélection principale — cette vidéo part des mêmes bases et ajoute des pièges observés sur le terrain.
Dernière révision : 18 mai 2026
Continuez dans le même parcours d’apprentissage avec les prochaines vidéos d’accompagnement sélectionnées.
190 minutesVous saurez construire un agent LangGraph avec un état typé, un routage conditionnel, des points de contrôle et des outils, et comprendrez dans quels cas cette explicitation est avantageuse.
8 minutesComprendre comment le contexte long peut échouer en présence d'ambiguïté et d'éléments perturbateurs, puis concevoir des tests autour de ce risque.
7 minutesSéparer les décisions concernant la mémoire à court terme et à long terme, et décider quand la mémoire de l'agent doit être écrite.
Des cours externes sélectionnés pour approfondir ce sujet.
Microsoft (open-source, via GitHub Pages)Microsoft Copilot Studio team
The deeper, production-minded counterpart to our beginner no-code pick: a free, open-source, rank-based curriculum that takes you from zero Copilot Studio experience through MCP integrations and multi-agent orchestration, all without writing traditional code. It's the no-code answer to 'now I want to go further than a quick-start,' which our catalog didn't have.
Anthropic AcademyAnthropic Academy
Le protocole de contexte des modèles (MCP) remplace progressivement les intégrations ponctuelles d'outils dans tout l'écosystème de l'IA. Apprenez-le directement à la source. À la fin, vous aurez construit et déployé votre propre serveur MCP, connecté un client LLM et compris pourquoi cette norme est ce qui se rapproche le plus de l'USB-C dans ce domaine.
DeepLearning.AIJoão Moura (Founder, CrewAI)
Doubles as our sales and customer-support vertical pick and a genuinely practical agent-building course: you build an agentic sales pipeline (lead scoring, personalized outreach) and a customer-support data-insights pipeline as two of the five hands-on projects, taught by CrewAI's own founder. Requires basic Python, so it sits with our other builder-track courses rather than the no-code picks.
