Appeler une LLM API depuis Python

Section 11.1.18 : Appeler une LLM API depuis Python

🎯 Objectif pédagogique

Intégrer l'IA générative dans votre code en appelant l'API d'un LLM (Large Language Model) depuis Python. Vous serez capable de faire appel à GPT-4, Claude ou un modèle open-source pour générer du texte, analyser des données et automatiser des tâches cognitives.

L'IA comme service — Le tournant

Marc a utilisé ChatGPT dans un navigateur. Pratique, mais limité. La vraie puissance vient quand on appelle l'IA depuis son code : automatiser l'analyse de 1 000 CV, générer des rapports personnalisés, créer un chatbot sur son site. C'est la différence entre utiliser l'IA et programmer l'IA.

Les principales APIs LLM

Appeler l'API OpenAI

pip install openai

from openai import OpenAI
import os

# Clé API depuis variable d'environnement (JAMAIS en dur !)
client = OpenAI(api_key=os.environ.get("OPENAI_API_KEY"))

response = client.chat.completions.create(
    model="gpt-4o-mini",
    messages=[
        \{"role": "system", "content": "Tu es un assistant développeur expert."\},
        \{"role": "user", "content": "Explique-moi async/await en JavaScript en 3 phrases."\}
    ],
    max_tokens=200,
    temperature=0.7
)

answer = response.choices[0].message.content
print(answer)

Utiliser un fichier .env

pip install python-dotenv

# .env (à la racine du projet, dans .gitignore !)
# OPENAI_API_KEY=sk-proj-votre-clé-ici

from dotenv import load_dotenv
import os

load_dotenv()    # Charge le .env
api_key = os.getenv("OPENAI_API_KEY")

Les paramètres clés

Roles dans la conversation

messages = [
    # system : définit le comportement de l'IA
    \{"role": "system", "content": "Tu es un analyste financier expert. Réponds en français."\},
    
    # user : les messages de l'utilisateur
    \{"role": "user", "content": "Analyse cette tendance : ventes +15% Q1, -3% Q2"\},
    
    # assistant : les réponses précédentes de l'IA (pour le contexte)
    \{"role": "assistant", "content": "La tendance montre un ralentissement..."\},
    
    # user : nouveau message (avec le contexte précédent)
    \{"role": "user", "content": "Quelles seraient tes recommandations ?"\}
]

Cas d'usage pratiques

1. Analyseur de code

def analyze_code(code_snippet):
    response = client.chat.completions.create(
        model="gpt-4o-mini",
        messages=[
            \{"role": "system", "content": "Tu es un code reviewer expert. Analyse le code et donne 3 suggestions d'amélioration. Sois concis."\},
            \{"role": "user", "content": f"Analyse ce code :\n\n\{code_snippet\}"\}
        ],
        temperature=0.3
    )
    return response.choices[0].message.content

review = analyze_code("""
def calc(x,y,op):
    if op == '+': return x+y
    if op == '-': return x-y
    if op == '*': return x*y
    if op == '/': return x/y
""")
print(review)

2. Générateur de contenu

def generate_blog_outline(topic, audience="développeurs débutants"):
    response = client.chat.completions.create(
        model="gpt-4o-mini",
        messages=[
            \{"role": "system", "content": f"Tu es un rédacteur tech. Crée un plan d'article pour \{audience\}."\},
            \{"role": "user", "content": f"Crée un plan détaillé pour un article sur : \{topic\}"\}
        ],
        temperature=0.7,
        max_tokens=500
    )
    return response.choices[0].message.content

outline = generate_blog_outline("Comment débuter en Python en 2026")
print(outline)

Alternative gratuite : Groq (Llama 3)

from openai import OpenAI

# Groq utilise le même format que OpenAI !
client = OpenAI(
    api_key=os.getenv("GROQ_API_KEY"),
    base_url="https://api.groq.com/openai/v1"
)

response = client.chat.completions.create(
    model="llama-3.3-70b-versatile",
    messages=[
        \{"role": "user", "content": "Bonjour ! Explique Docker en 2 phrases."\}
    ]
)
print(response.choices[0].message.content)

🏋️ Exercice pratique (25 minutes)

# Mini assistant de bootcamp
import os
from openai import OpenAI

# Utilisez Groq (gratuit) ou OpenAI
client = OpenAI(
    api_key=os.getenv("GROQ_API_KEY"),
    base_url="https://api.groq.com/openai/v1"
)

def ask_bootcamp_assistant(question, context=""):
    system_prompt = """Tu es un assistant pédagogique pour un bootcamp Tech & IA.
    Tu aides Marc, 34 ans, ex-analyste financier en reconversion.
    Réponds de manière concise, avec des exemples pratiques.
    Utilise des analogies financières quand c'est pertinent."""
    
    messages = [\{"role": "system", "content": system_prompt\}]
    if context:
        messages.append(\{"role": "assistant", "content": context\})
    messages.append(\{"role": "user", "content": question\})
    
    response = client.chat.completions.create(
        model="llama-3.3-70b-versatile",
        messages=messages,
        temperature=0.5,
        max_tokens=300
    )
    return response.choices[0].message.content

# Test
print(ask_bootcamp_assistant("C'est quoi une API REST ? Explique comme si j'étais un trader."))
print("---")
print(ask_bootcamp_assistant("Quelle est la différence entre Python et JavaScript ?"))