Je vais concevoir des systèmes LLM multi-agent avec des pipelines RAG et des évaluations

Transformer un LLM en un produit fonctionnel échoue souvent à cause de la qualité de la récupération, de la fiabilité des agents et des hallucinations, pas du prompt. C’est ce que je corrige.

Je construis des systèmes LLM multi-agent en production combinant RAG, agents spécialisés et couches de vérification déterministes pour une sortie précise et explicable.

CE QUE JE CONSTRUIS

Des pipelines RAG de bout en bout ( ingestion, embeddings, recherche vectorielle, génération basée sur des sources)

Systèmes multi-agent avec agents coordonnés, pas un seul prompt surchargé

Couches de vérification anti-hallucination

Cadres d’évaluation précision/rappel, scoring de fidélité, tests de régression

Backends FastAPI, prêts pour le déploiement

EXPÉRIENCE

J’ai créé une plateforme de validation de documents de conformité (5 agents LLM, vérification de règles) et un système de correspondance CV-JD, tous deux déployés pour de vrais clients. J’ai aussi fine-tuné Whisper/Wav2Vec2 pour un programme de R&D en défense.

STACK : LangGraph, LangChain, Hugging Face, PyTorch, FastAPI, bases de données vectorielles, Docker.

Contactez-moi d’abord avec votre cas d’usage, je vous dirai honnêtement si cette approche convient.