Accueil›Blog›Test technique LangChain pour les Data Engineers : agents, chains, tools

Guide recrutement data

Test technique LangChain pour les Data Engineers : agents, chains, tools

LangChain est le framework de reference pour construire des applications avec des LLMs. En entretien, on evalue la capacite a architecturer des agents robustes, pas juste a faire des POCs.

Data Builder·Juin 2025·6 min de lecture·Data Engineer · Data Scientist

Sommaire

Concepts LangChain
LCEL : LangChain Expression Language
Agents et tools
Gestion de la memoire
LangGraph pour les workflows complexes
LangSmith : observabilite
Grille

1Architecture LangChain

Question discriminante

Quels sont les composants principaux de LangChain ?

LLM / ChatModel — interface unifiee pour appeler GPT, Claude, Gemini, Llama
Prompt Templates — templates parametrables pour construire les prompts
Chains — sequences d operations : prompt → LLM → parser → action suivante
Agents — LLM qui decide dynamiquement quels outils appeler et dans quel ordre
Tools — fonctions que l agent peut appeler (recherche web, calcul, requetes DB)
Memory — stockage du contexte de conversation

2LCEL : LangChain Expression Language

Question discriminante

Qu est-ce que LCEL ? Pourquoi remplace-t-il les anciennes LLMChain ?

from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser
from langchain_core.runnables import RunnablePassthrough

llm = ChatOpenAI(model='gpt-4o-mini')

# LCEL : composition avec l operateur |
prompt = ChatPromptTemplate.from_template(
    'Tu es un expert data. Reponds a : {question}'
)

chain = prompt | llm | StrOutputParser()
result = chain.invoke({'question': 'Qu est-ce que dbt ?'})

# RAG chain avec LCEL
rag_chain = (
    {'context': retriever, 'question': RunnablePassthrough()}
    | prompt
    | llm
    | StrOutputParser()
)

LCEL — composition declarative avec l operateur |. Supporte le streaming, le batch et l async nativement
Avantage — lisible, composable, compatible LangSmith pour le tracing

3Agents et tools : le coeur de LangChain

Question discriminante

Comment creez-vous un agent qui peut interroger une base de donnees et chercher sur le web ?

from langchain.agents import create_tool_calling_agent, AgentExecutor
from langchain_core.tools import tool
import duckdb

@tool
def query_sales_db(query: str) -> str:
    '''Execute une requete SQL sur la base de ventes.
    Utiliser pour repondre aux questions sur les ventes, CA, clients.'''
    try:
        conn = duckdb.connect('sales.db')
        result = conn.execute(query).fetchdf()
        return result.to_string()
    except Exception as e:
        return f'Erreur SQL : {e}'

@tool  
def search_web(query: str) -> str:
    '''Recherche sur le web des informations actuelles.'''
    # implementation avec Tavily, SerpAPI, etc.
    ...

tools = [query_sales_db, search_web]
agent = create_tool_calling_agent(llm, tools, prompt)
executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

4Memoire et gestion du contexte

Question discriminante

Comment gerez-vous la memoire d un chatbot pour maintenir le contexte de la conversation ?

ConversationBufferMemory — stocke toute la conversation. Simple mais consomme des tokens
ConversationSummaryMemory — resume l historique pour economiser les tokens
ConversationBufferWindowMemory — garde seulement les N derniers echanges
Persistance — Redis, PostgreSQL, MongoDB pour la memoire persistante entre sessions
LangGraph checkpointer — persistance du state dans les workflows LangGraph

5LangGraph : agents multi-etapes

Question discriminante

Quand utilisez-vous LangGraph plutot qu un simple agent LangChain ?

LangGraph — framework pour les agents avec des workflows cycliques et conditionnels. State machine pour les LLMs
Quand — workflows avec boucles (retry, self-correction), decision conditionnelle, agents paralleles, human-in-the-loop
Exemple — agent qui ecrit du code, l execute, analyse l erreur, corrige, re-execute jusqu au succes
Human-in-the-loop — pause du workflow pour validation humaine avant certaines actions critiques

6LangSmith : observabilite des LLMs

Question discriminante

Comment deboguez-vous et monitorez-vous un agent LangChain en production ?

LangSmith — plateforme de tracing et d evaluation pour les applications LangChain
Tracing — voir chaque appel LLM, chaque tool call, les tokens consommes, la latence
Evaluation — noter les reponses (automatique ou humaine) pour mesurer la qualite
Datasets — constituer des jeux de test pour les regressions

7Grille par niveau

Niveau	Maitrise	Signal GO	NO-GO
Confirme	LCEL, chains simples, RAG avec LangChain	A construit un RAG avec LCEL, connait la syntaxe \|	N utilise que les anciennes LLMChain, ne connait pas LCEL
Senior	Agents avec tools, LangGraph, LangSmith, production	A deploye un agent avec tools custom, a trace avec LangSmith, connait LangGraph	N a fait que des POCs, ne sait pas monitorer un agent en production

Vous recrutez un profil GenAI ?

Premier entretien gratuit. Rapport GO/NO-GO sous 48h.

Tester gratuitement Reserver un appel