Function calling : brancher l'IA sur vos API métier

Un modèle de langage sait rédiger, résumer, expliquer. Il ne sait pas combien de jours de congés il reste à Camille : cette information vit dans votre SIRH (le système d'information RH), derrière une API. Le function calling (appel de fonctions) est le mécanisme qui permet au modèle de dire « appelle consulter_solde avec employe_id=E001 », à votre code d'exécuter l'appel, puis au modèle de rédiger la réponse avec le vrai chiffre.

Fil rouge : un assistant RH interne, branché sur une petite API REST locale (FastAPI) qui gère un annuaire, des soldes de congés et des demandes. Toutes les données sont fictives.

Pour qui ?

• Développeurs Python à l'aise avec les fonctions, les dictionnaires et JSON.
• Vous avez déjà appelé un LLM par API (une requête, une réponse). Aucune expérience des agents n'est requise.
• Pas besoin de Google Cloud : une clé Gemini gratuite suffit. Vertex AI est présenté en option.

Ce que vous construisez

flowchart LR
  U["Employé (session E004)"] --> A["assistant.py : boucle manuelle"]
  A <--> G["Gemini (gemini-3.5-flash)"]
  A --> V["Validation des arguments"]
  V --> C{"Action sensible ?"}
  C -- "oui" --> H["Confirmation humaine"]
  C -- "non" --> O["outils_rh.py"]
  H --> O
  O -- "HTTP + timeout" --> API["api_rh.py (FastAPI)"]
  A --> J["audit.jsonl"]

À la fin, l'assistant répond à des demandes comme « Compare les RTT de Camille Martin et de Karim Benali » (4 appels, dont 2 en parallèle), pose une demande de congés après confirmation, refuse proprement un accès non autorisé et trace chaque appel.

Objectifs mesurables

1. Déclarer une fonction avec un schéma JSON que le modèle utilise correctement.
2. Choisir entre appel automatique (le SDK exécute) et appel manuel (votre boucle exécute).
3. Gérer les appels parallèles, les appels en chaîne et les modes AUTO / ANY / NONE.
4. Fiabiliser : erreurs HTTP, timeouts, réessais sur 429/503, limite de tours.
5. Sécuriser : validation des arguments, contrôle d'accès côté API, confirmation des actions sensibles.
6. Tracer chaque appel d'outil dans un journal d'audit exploitable.

Prérequis techniques

• Python 3.10 ou plus récent, pip install -r files/requirements.txt.
• Une clé d'API Gemini (Google AI Studio) dans GOOGLE_API_KEY, ou un projet Google Cloud avec Vertex AI.

Programme

Chaque leçon contient un schéma, des quiz corrigés, un exercice avec solution et une checklist « Je sais faire ».

Le code du lab

Tout est dans le dossier files/ : api_rh.py (l'API), outils_rh.py (schémas, validation, appels HTTP), assistant.py (la boucle), auto.py (le mode automatique), test_assistant.py (13 tests sans clé) et e2e.py (6 scénarios avec le vrai modèle).

En local ou sur Google Cloud ?

Le même e2e.py a été exécuté dans les deux modes : mêmes appels d'outils, mêmes décisions.