Hackathon IA Lyon 1 « Agents LLM et MCP » (18-20/11/2026) : viens pour prototyper utile en bio

Pourquoi ce hackathon vaut ton temps (si tu veux du concret)

Trois jours, un campus, des équipes, et un objectif simple : arrêter de parler “GenAI” dans le vide et repartir avec un prototype qui fait vraiment gagner du temps en biologie ou en santé. Le Hackathon IA – Agent LLM et MCP est annoncé du 18 au 20 novembre 2026, sur le campus Lyon 1 La Doua (Villeurbanne), hébergé par PRABI-AMSB, et organisé par IFB/ELIXIR-FR dans le cadre de son axe stratégique IA et du projet Mudis4LS. Source : IFB/ELIXIR-FR.

Le format est annoncé sur quatre demi-journées : une demi-journée d’intro, puis des sessions de “hacking”. Et il y a une contrainte à ne pas rater : préinscription demandée avant le mardi 29 septembre 2026, avec confirmation après cette date. Source : IFB/ELIXIR-FR.

Si tu cherches un salon avec des slides, passe ton tour. Si tu veux tester “agents LLM” et MCP sur des cas bio réalistes, c’est pile le bon terrain. Mots-clés du jour : hackathon IA Lyon 1 agents LLM MCP et MCP agents LLM biologie.

Agents LLM et MCP : la version utile, sans blabla

Agents LLM : un LLM qui agit, pas juste un LLM qui répond

Un LLM classique répond à une question. Un agent LLM, lui, enchaîne des étapes pour atteindre un but. Exemple en bio : chercher des articles, lire, extraire des infos, structurer en tableau, relancer une recherche si les sources sont trop faibles, puis te sortir une synthèse avec références.

Ce mode “agentique” est explicitement dans le scope du hackathon. Source : IFB/ELIXIR-FR.

MCP : un standard pour brancher proprement des outils et des données

MCP (Model Context Protocol), c’est un protocole ouvert qui standardise la manière dont une appli donne à un modèle : 1) du contexte (documents, bases, fichiers), 2) des outils (API, scripts, actions). L’idée : arrêter les intégrations bricolées à la main et rendre les connexions plus propres, plus réutilisables.

Anthropic le présente comme un “standard universel” pour connecter des assistants aux systèmes où vivent les données et les outils. Source : Anthropic.

Côté dynamique, MCP est poussé vers une gouvernance plus neutre avec une donation à une fondation adossée à la Linux Foundation (Agentic AI Foundation). Source : Anthropic.

Indicateurs d’adoption à lire comme des signaux, pas comme des preuves : Anthropic évoque plus de 10 000 serveurs MCP publics actifs. Le blog MCP parle de 10 000 serveurs actifs et plus de 97 millions de téléchargements mensuels des SDK. Source : Anthropic, blog MCP.

RAG + agents + MCP : le trio typique du prototype “qui sert”

Dans la vraie vie, en bio, ton agent ne doit pas “inventer”. Il doit s’appuyer sur des sources (papers, rapports, protocoles, résultats) et citer ce qu’il utilise. C’est là que le RAG (retrieval augmented generation) revient partout : tu fais répondre le modèle à partir de documents que tu contrôles.

Si tu veux recaler la base avant l’événement : RAG : comment faire répondre une IA sur vos propres documents. Pour MCP côté Lyon IA : Le protocole MCP expliqué : brancher une IA sur vos outils.

Pour qui c’est fait (et qui va vraiment en tirer quelque chose)

Ce hackathon est naturellement orienté bio, bioinfo, santé et usage pratique de LLM (RAG, agents, MCP). Source : IFB/ELIXIR-FR.

Profils qui vont aller vite

• Chercheurs, doctorants, ingénieurs bioinfo : tu as déjà 10 tâches répétitives (veille, annotation, tri de littérature, extraction). Là tu peux en transformer une en workflow semi-automatisé.
• Ingénieurs data, ML, software : tu sais rendre un prototype testable (connecteurs, orchestration, logs, format de sortie propre). En hackathon, c’est de l’or.
• Biologistes expérimentaux : tu ne codes pas forcément, mais si tu viens avec un cas précis, des exemples, et une définition de “ça marche”, tu deviens le product owner scientifique. Sans toi, l’équipe fait un jouet.

Profils qui risquent d’être frustrés

• Tu viens “apprendre l’IA” depuis zéro. Possible, mais tu vas subir le rythme.
• Tu viens avec un objectif flou du style “faire un assistant de labo”. Trop large. Tu vas perdre une journée à recadrer.
• Tu viens avec des données patient ou des données internes non partageables. Mauvais plan. Tu vas passer ton temps à contourner des interdits.

Ce qu’il faut préparer avant d’arriver (sinon tu perds le hackathon)

Le hackathon annonce un focus “usage pratique des LLM”, avec RAG, mode agentique, et MCP. Et un point important : il est fait mention de l’usage via l’API ALBERT (DINUM). Source : IFB/ELIXIR-FR.

Traduction : arrive avec un minimum prêt. Pas parfait. Prêt.

1) Ton “paquet données” minimal (non sensible, réutilisable)

Objectif : pouvoir faire tourner un prototype sans dépendre d’accès externes fragiles.

• Littérature : 20 à 200 PDFs ou abstracts PubMed sur un thème très précis. Idéalement open access.
• Tables : un ou deux CSV/TSV propres (gènes, variants, phénotypes, échantillons, métadonnées). Même petit.
• Schéma de sortie : ce que tu veux à la fin. Exemple : JSON d’entités, tableau de relations, fiche synthèse standardisée.

Règle simple : si tu ne peux pas expliquer en 30 secondes ce que contient ton dataset et ce que tu veux en sortir, tu n’es pas prêt.

2) Ton objectif produit (une phrase, un test de réussite)

Écris ça avant de venir :

• Utilisateur : “un doctorant en bioinfo”, “un biologiste de plateforme”, “un data manager”.
• Tâche : “extraire les couples gène-maladie”, “faire une revue rapide”, “structurer des protocoles”.
• Sortie : “un CSV”, “un JSON”, “une note sourcée”, “une liste priorisée”.
• Critère : “sur 30 abstracts, 80 % des entités correctes”, ou “divise par 2 le temps de tri”.

3) Ton environnement dev prêt (sinon tu vas faire du support IT)

• Laptop : mises à jour faites, accès wifi ok, espace disque libre.
• Python ou Node : installé, dépendances de base prêtes.
• Repo starter : un RAG basique qui ingère des fichiers, indexe, et répond. Même moche.
• Parsing : un script qui sort du texte propre depuis un PDF. Les PDFs sont la boue du réel.
• Tests : 5 à 20 questions “golden set” avec réponse attendue ou éléments attendus.

Sur l’évaluation, garde une méthode simple : si tu ne mesures rien, tu ne sais pas si tu progresses. Aide : Comment évaluer la réponse d'une IA : construire son jeu de tests.

4) Ton plan “outils” pour l’agent (autorisé vs interdit)

Un agent LLM devient vite dangereux ou inutilisable selon ce à quoi tu le connectes. Avant le jour J, liste :

• Outils autorisés : lire un dossier local, requêter PubMed, lancer un parser, interroger une base locale, écrire un fichier de sortie.
• Outils interdits : SI interne, secrets, données patient, drive perso, accès admin, tout ce que tu ne peux pas justifier.

Si tu veux cadrer proprement les garde-fous : Agents IA : 10 garde-fous avant d’automatiser en entreprise et Sécuriser un agent IA qui a accès à vos outils.

Idées de sujets réalistes (bio) pour repartir avec un prototype testable

But du hackathon : du pratique, pas un assistant “généraliste”. Voici des pistes qui rentrent bien dans 3 jours, surtout si tu arrives avec données et critères.

1) Exploration de littérature : revue rapide, sourcée, traçable

Prototype cible : tu donnes un thème très précis, l’outil ingère un corpus, et sort :

• une synthèse structurée (sections fixes),
• une liste de claims avec citations,
• les papiers les plus “centraux” selon des critères simples (récence, nombre de mentions, etc.).

Piège à éviter : demander au modèle “qu’est-ce qui est vrai”. Tu veux qu’il rapporte et cite, pas qu’il tranche.

2) Extraction d’entités et relations (NER + linking) sur abstracts

Prototype cible : tu envoies 100 abstracts, tu récupères :

• entités (gènes, protéines, maladies, espèces, techniques),
• relations (gène associé à, inhibe, augmente, biomarqueur de),
• score de confiance + passage source.

Sortie simple : un CSV et un JSON. Bonus : un mini dashboard ou un notebook de vérification.

3) Workflow de curation : du texte brut vers une fiche standard

Cas typique plateforme ou équipe data : on reçoit des infos en vrac (méthodes, paramètres, conditions), et on veut une fiche propre.

• Entrée : PDF de protocole, note de manip, section Methods.
• Sortie : fiche standardisée (JSON) avec champs obligatoires, unités, valeurs.

Ce sujet est parfait pour tester agents LLM + MCP : l’agent peut appeler un parser, valider des unités, appliquer un schéma, puis écrire la sortie.

4) Assistant “qualité données” sur tableurs bio

Objectif : arrêter de découvrir les problèmes après coup.

• Détecter colonnes incohérentes, valeurs impossibles, unités mélangées.
• Proposer une correction, mais sans auto-écrire tant que l’humain n’a pas validé.

Tu peux rester low-risk, et pourtant utile dès le lendemain.

5) Agent de tri et priorisation (variants, candidats, hypothèses)

Si tu as une liste de gènes ou variants candidats, un agent peut :

• chercher des éléments de contexte dans ton corpus (RAG),
• sortir une liste priorisée selon des critères explicites,
• justifier chaque rang avec citations.

Ce que tu dois verrouiller : les critères. Sinon tu obtiens un classement “au feeling”.

Comment repartir avec un prototype utile (pas une démo fragile)

Cadre ton scope en 45 minutes max

Jour 1, le piège, c’est de surconcevoir. Fais l’inverse :

• 1 cas d’usage, 1 utilisateur, 1 dataset, 1 sortie.
• Une seule boucle de valeur : “je gagne du temps sur X”.

Si tu as du mal à cadrer, applique une méthode simple avant de coder : Cadrer un projet IA : la méthode en quatre étapes avant d’écrire du code.

Construis une “chaîne” courte : ingestion, recherche, génération, sortie

• Ingestion : tu charges tes PDF/abstracts/CSV.
• Recherche : tu retrouves les bons passages (RAG).
• Génération : tu réponds, mais avec un format imposé.
• Sortie : tu écris un fichier exploitable, pas une réponse chat.

Ajoute la traçabilité dès le début

Tu veux pouvoir répondre à : “d’où ça sort ?”. Minimum :

• citer les sources (documents, pages, passages),
• logguer les prompts et paramètres,
• garder les sorties brutes.

Guide utile : Tracer les décisions prises avec l'aide d'une IA.

Garde l’agent sous contrôle : droits minimum, actions limitées

Un agent qui peut “tout faire” est soit dangereux, soit inutilisable parce que tu vas le brider au dernier moment. Préfère :

• des outils simples, explicites, testés,
• des permissions minimales,
• des validations humaines sur les actions qui modifient des fichiers.

À relire si tu veux éviter les bêtises : Agents IA en production : les cinq garde-fous à poser.

Check-list logistique campus Lyon 1 La Doua (Villeurbanne)

Basique, mais c’est souvent ça qui casse la dynamique.

• Accès : prévois large, La Doua c’est grand, et tu peux marcher plus que prévu entre bâtiments.
• Matériel : chargeur, multiprise si tu peux, casque, partage de connexion en backup.
• Comptes : accès GitHub/GitLab, tokens API si nécessaires, clés SSH, tout prêt avant.
• Données : dataset sur ton disque en local + copie, pas “je télécharge tout sur place”.
• Confidentialité : zéro données patient, zéro secret. Si tu hésites, n’amène pas.
• Hygiène repo : un README “comment lancer”, un .env.example, et un script de démarrage.
• Livrable : une démo reproductible (commande unique ou notebook), plus un fichier de sortie exemple.

Ce que tu vises à la fin des 3 jours

Un bon résultat de hackathon, ce n’est pas “on a fait une app”. C’est :

• un prototype qui tourne sur un dataset réel,
• une sortie exploitable (CSV/JSON/fiche),
• des limites écrites noir sur blanc,
• un mini jeu de tests pour éviter de se mentir,
• une liste claire des étapes pour passer du prototype au pilote.

Si tu es côté entreprise ou lab, garde en tête que la suite, c’est souvent gouvernance + données + droits d’accès, pas “plus de prompts”. Sur ce point, tu peux aussi recouper avec : Au-delà du prompt : structurer des agents IA fiables.

Plan d’action simple si tu veux y aller et en tirer quelque chose

• Avant la préinscription : écris ton cas d’usage en une phrase + ton critère de réussite. Puis prépare ton paquet de données non sensibles.
• Une semaine avant : fais tourner ton starter RAG sur 20 documents. Mesure un truc, même simple.
• Jour 1 : scope minimal, schéma de sortie, outils autorisés. Puis seulement après, agent + MCP.
• Jour 2 : fiabilise la chaîne et la traçabilité. Réduis les hallucinations en forçant citations et formats.
• Jour 3 : démo reproductible + livrable (fichier) + next steps.

Sources : page de l’événement IFB/ELIXIR-FR (dates, lieu, format, préinscription, focus RAG/agentic/MCP et mention de l’API ALBERT), annonce Anthropic sur MCP (définition, positionnement), annonce Anthropic sur la donation du protocole et la fondation, billet du blog MCP (indicateurs d’adoption).