Build Production LLM Apps with Python & FastAPI

A hands-on, 12-part track that builds from modern Python through FastAPI and into production LLM features, with runnable code in every part.

This series builds one skill at a time. You start with a modern Python toolchain, move into FastAPI for production APIs, and finish by wiring real language model features: reliable JSON, retrieval, streaming, and a small agent. Every part ships runnable code, and most include a playground so you can run Python right in the browser.

Dans cette série

1 Configuration moderne de Python 3.14 pour projets LLM : uv, environnements virtuels, typage et structure de projet Mettez en place un projet Python 3.14 rapide et reproductible avec uv, une structure src, Ruff et mypy : les fondations pour les travaux à venir avec FastAPI et les LLM.
2 Modélisation de données avec typage sûr grâce à Pydantic v2 et aux annotations de type Python Utilisez Pydantic v2 pour valider les données à la frontière : modèles, contraintes de champ, validateurs personnalisés et sérialisation propre, socle de FastAPI et de sorties LLM fiables.
3 Plongée dans l’asynchrone en Python : asyncio, httpx et concurrence pour les appels API et LLM Comprenez asyncio et la boucle d’événements, puis parallélisez les appels API et LLM avec httpx, gather et un sémaphore pour limiter la charge.
4 Fondamentaux de FastAPI : routage, modèles Pydantic et injection de dépendances Créez de véritables points de terminaison FastAPI : routage typé, modèles de requête et de réponse Pydantic, injection de dépendances et documentation automatique.
5 FastAPI en production : configuration, authentification, middleware et structure de projet Préparez une application FastAPI pour la production : configuration typée avec pydantic-settings, authentification par jeton, middleware de journalisation et CORS, et une structure de projet évolutive.
6 Streaming et tâches de fond dans FastAPI : SSE et BackgroundTasks Diffusez des réponses depuis FastAPI avec les événements envoyés par le serveur, exécutez des effets de bord avec BackgroundTasks et sachez quand passer à une vraie file de tâches.
7 Tester FastAPI comme il faut : pytest, le client de test et la validation Testez FastAPI avec pytest et le client de test : assertions sur la validation, substitution des dépendances pour isoler des services réels, et couverture du code asynchrone et du streaming.
8 Appeler des LLM depuis Python : boucle de requêtes, tokens, coût et nouvelles tentatives Appelez des modèles de langage depuis Python avec le SDK Claude : la boucle de messages, les tokens et le coût, ainsi qu’un client avec timeouts et nouvelles tentatives que vous pouvez injecter et tester.
9 Sorties structurées et appel de fonctions : obtenir du JSON fiable depuis les LLM Obtenez du JSON fiable depuis les modèles de langage grâce aux sorties structurées et à l’appel de fonctions, puis validez avec Pydantic pour que votre code manipule des objets typés.
10 Créer un service RAG avec FastAPI : découpage, embeddings et recherche vectorielle Construisez un service RAG de bout en bout : découpez des documents, générez des embeddings, effectuez une recherche par similarité et répondez en vous appuyant sur le contexte récupéré depuis un point de terminaison FastAPI.
11 Diffuser les réponses d’un LLM vers le navigateur avec FastAPI et SSE Diffusez une réponse réelle d’un modèle vers le navigateur : consommez le flux du modèle en Python, relayez-le via un point de terminaison SSE FastAPI et affichez-le en direct.
12 Créer une API d’agent IA : appels d’outils, mémoire et garde-fous Construisez une petite API d’agent IA : la boucle d’appels d’outils, la mémoire de conversation et les garde-fous qui assurent la sécurité et le cadrage d’un agent autonome.