LLM avec Delphi

J'ai récemment publié un nouveau wrapper sur GitHub permettant d'utiliser les API des modèles génératifs d'Anthropic (Claude). Ce wrapper facilite l'intégration des capacités de Claude dans les applications Delphi. Une documentation complète est disponible sur la page GitHub du projet, couvrant l'ensemble des fonctionnalités offertes par Anthropic. De plus, une documentation XML, spécifiquement destinée à l'EDI Delphi, a été incluse.

Le projet est accessible à l'adresse suivante : https://github.com/MaxiDonkey/DelphiAnthropic

Ce développement s'inscrit dans une initiative plus large visant à fournir aux développeurs Delphi les outils nécessaires pour accéder aux différents modèles de langage (LLM) actuellement disponibles. Un projet précédent portait sur l'intégration des API de Mistral, que vous pouvez consulter ici : https://github.com/MaxiDonkey/DelphiMistralAI

D'ici peu, un wrapper pour les API de Gemini (Google) sera également publié.

Ces ressources sont mises à disposition de la communauté Delphi et peuvent être utiles à tout développeur intéressé.

Le wrapper pour les API de Gemini (Google) est disponible à cette adresse https://github.com/MaxiDonkey/DelphiGemini

Bon codage

Pour compléter la série, voici un wrapper permettant d'utiliser les API de Groq (via GroqCloud), qui permet notamment l'exploitation des modèles de langage de Meta, incluant les versions Llama 3, 3.1 et 3.2.
Celui-ci est disponible à cette adresse : https://github.com/MaxiDonkey/DelphiGroqCloud

Je viens de mettre en ligne un Wrapper Delphi pour utiliser les API de stability.ai à cette adresse https://github.com/MaxiDonkey/DelphiStabilityAI

Cette fois, je me suis attaqué à l’intégration avec Hugging Face, en utilisant uniquement leurs API pour l'inférence. L'idée est de profiter des nombreux modèles disponibles sur leur plateforme de publication.

Au programme : reconnaissance d’objets dans les images, composition musicale, classification audio et textuelle, et bien sûr, tous les grands classiques.

Le wrapper est accessible ici : https://github.com/MaxiDonkey/DelphiHuggingFace

L'avant-dernier de la série concerne Deepseek. Bien qu'il y ait eu beaucoup de buzz autour de ce projet, le résultat semble finalement assez limité. Le wrapper est disponible à cette adresse : https://github.com/MaxiDonkey/DelphiDeepseek.

J'ai publié sur GitHub GenAI, un wrapper complet qui prend en charge l'ensemble de l'offre d'OpenAI, notamment les modèles O1 et O3, les traitements par lots, les assistants ainsi que les modèles audio-to-audio.

Bref, vous pouvez le trouver à cette adresse https://github.com/MaxiDonkey/DelphiGenAI

Merci pour le partage

A+
Charly

J’ai mis à jour le wrapper GenAI pour OpenAI en y ajoutant le nouveau point de terminaison v1/response. Celui-ci n’a pas vocation à remplacer v1/chat/completion ; il offre plutôt une solution adaptée à l’approche agentique.

Ce point de terminaison donne notamment accès à des outils tels que file_search et computer_use. Le premier est particulièrement intéressant : grâce aux magasins vectoriels, il permet d’étendre un modèle avec ses propres données sans passer par la case fine-tuning.

La recherche web s'avère plus efficace avec v1/response. J'ai également étendu le traitement de requêtes en parallèles au mode web_search.

Vous trouverez tous les détails de la mise à jour en suivant ce lien.

GenAI: https://github.com/MaxiDonkey/DelphiGenAI

Petit message pour vous annoncer une mise à jour importante du wrapper DelphiMistralAI : il est désormais aligné avec les toutes dernières fonctionnalités publiées par MistralAI.

https://github.com/MaxiDonkey/DelphiMistralAI



1. Agents conversationnels & outils agentiques

- Support complet de l’approche “agentique” : définition d’agents personnalisés avec instructions et outils embarqués (exécution de code, recherche web premium, accès à des bibliothèques/documentations, etc.).

- Nouveaux endpoints Conversations et Agents permettant des sessions multi-turn avec appels d’actions (function calling, callbacks, web_search_premium, code_interpreter, etc.).

- Exemple d’usage dans la doc : configuration d’agents, gestion des callbacks, personnalisation des outils déclenchables.

2. Vision & OCR avancé (Document AI)

- Traitement d’images : extraction de texte, description, classification et analyse visuelle via les modèles de vision (ex : pixtral-12b-2409).

- OCR étendu : reconnaissance non seulement du texte mais aussi des structures (cases, tableaux, métadonnées), sortie en JSON structuré selon un schéma défini par l’utilisateur.

- Prise en charge native des PDF et images avec annotation automatique pour cas d’usage métiers (finance, juridique, RH, etc.).

3. Audio

- Transcription multilingue avec détection automatique de la langue, segmentation et timestamps (modèles voxtral).

- Analyse directe de fichiers audio (jusqu’à ~15–20 minutes) dans une session de chat multimodal.

- Cas d’usage typiques : résumé de réunions, indexation, assistants vocaux contextuels, pipelines audio+NLP.

4. Traitement en lot & Modération

- Inférence asynchrone en batch sur de grands volumes, avec suivi des jobs en arrière-plan.

- Intégration native des APIs de modération pour filtrer les contenus entrants ou générés.

- Pensé pour des applications à haut débit ou sensibles (données personnelles, contexte entreprise, etc.).

5. Fine-tuning, modèles spécialisés & bibliothèques

- Support du fine-tuning pour adapter les modèles à des besoins métiers très spécifiques.

- Endpoint Libraries pour gérer/partager des ressources documentaires, permettant un accès contextuel et précis depuis des agents OD.

6. Extensibilité, Asynchronisme & Qualité logicielle

- Tous les endpoints sont disponibles en mode synchrone et asynchrone (promesses, callbacks, streaming progressif, annulation en direct).

- Possibilité d’injection de dépendances sur la couche HTTP, facilitant les mocks, les tests unitaires et l’intégration dans une archi moderne.

- Tests unitaires intégrés : module MistralAI.DUnit.Tests pour démarrer rapidement vos suites de validation.

7. Outils

- TutorialHub et projets d’exemples prêts à l’emploi.

- Support explicite des architectures VCL et FMX, avec des scénarii fonctionnels concrets.

8. Bien démarrer

- Téléchargez l’un des deux projets d’exemples (VCL ou FMX) disponibles dans le dossier sample/ du dépôt. Chaque .zip contient tout le squelette nécessaire pour démarrer rapidement : dézippez, ouvrez le projet dans Delphi, et entrez votre clé API MistralAI (dans le code ou via l’UI fournie).

- Suivez ensuite le README pas-à-pas : obtenez votre clé, initialisez le client dans le OnCreate du formulaire, faites un premier appel “chat”, et explorez les scénarios inclus (vision, audio, agents, etc.).

Les exemples sont conçus comme un bac à sable : libre à vous de modifier les prompts, changer de modèles, ou tester des workflows pour valider et étendre les capacités.