- Problème
- Récupérer les données financières, analyser les documents financiers et produire des livrables exploitables en conversation, en conservant l’historique et le contexte des échanges.
- Mon rôle
- Développeur IA générative d’une équipe agile de six, je construis l’agent et ses outils.
Intervention — ingestion multi-format, SWOT sourcée, streaming SSE et export PowerPoint.
- Orchestrer l’agent avec LangGraph et Claude, en gérant l’historique et le contexte des conversations.
- Récupérer les données financières via un serveur MCP.
- Développer les outils : analyse SWOT avec export PowerPoint, visualisations, analyse de documents financiers dont les tables de capitalisation.
- Comparer des modèles open source (Qwen) pour l’extraction avec Docling, et diffuser les réponses en temps réel via SSE.
Résultat livréUn agent conversationnel de bout en bout qui réunit données financières, documents et livrables, dont la mise en production est prévue très prochainement.
Limites et preuves — Les indicateurs d’usage et de performance appartiennent au client et ne sont pas publiés ici. Je peux détailler le contexte, les choix d’architecture et les résultats en entretien.
- LangGraph
- Claude
- MCP
- Agents LLM
- Python
- Docling
- Qwen
- SSE
- Angular
- PowerPoint
Explorer tous les projets↓