Intégrer un chatbot IA dans une application Laravel ou Symfony

La plupart des tutoriels sur les chatbots IA supposent un backend Python. En réalité, la majorité des applications métier tournent sur Laravel ou Symfony, et il n'y a aucune raison de les réécrire pour ajouter une fonctionnalité de chat. Le LLM vit derrière une API ; votre backend PHP existant reste le point d'entrée, garde son authentification, et garde le contrôle de chaque action que le chatbot peut déclencher.

Où vit le LLM

Deux options réalistes. Appeler directement l'API d'un fournisseur (OpenAI, Anthropic, Mistral) depuis Laravel ou Symfony via HTTP : le plus simple, aucune infrastructure IA. Ou passer par un service Python dédié (FastAPI) quand la logique de récupération devient complexe : séparation plus nette, un service de plus à opérer.

// app/Services/ChatService.php
final class ChatService
{
    public function ask(string $question, array $history = []): string
    {
        $response = Http::withToken(config('services.anthropic.key'))
            ->withHeaders(['anthropic-version' => '2026-01-01'])
            ->post('https://api.anthropic.com/v1/messages', [
                'model' => 'claude-sonnet-5',
                'max_tokens' => 1024,
                'system' => $this->systemPrompt(),
                'messages' => [...$history, ['role' => 'user', 'content' => $question]],
            ]);

        return $response->json('content.0.text');
    }
}

Streamer la réponse plutôt que d'attendre

Un appel LLM prend plusieurs secondes. Attendre la réponse complète avant d'afficher quoi que ce soit dégrade l'expérience ; streamer les tokens au fur et à mesure via Server-Sent Events donne une sensation de réactivité immédiate même si la génération complète prend le même temps.

• ✓Laravel : response()->stream(), avec un flush après chaque chunk reçu du flux du fournisseur.
• ✓Symfony : StreamedResponse, même principe, écrire dans le buffer de sortie au fil de la réception.
• ✓Frontend : consommer le flux avec EventSource ou fetch et un ReadableStream, pas de polling.

// Contrôleur Laravel
return response()->stream(function () {
    foreach ($this->chat->stream($question, $history) as $token) {
        echo "data: " . json_encode(['token' => $token]) . "\n\n";
        ob_flush();
        flush();
    }
}, 200, ['Content-Type' => 'text/event-stream', 'X-Accel-Buffering' => 'no']);

Contexte métier : le vrai travail n'est pas le LLM

Le plus gros de l'effort n'est pas d'appeler le modèle, c'est de lui donner le bon contexte. Injectez les données pertinentes de l'application (les commandes de l'utilisateur courant, le catalogue produit, la documentation interne utile à cette question) dans le prompt. Pour une base de connaissances, ajoutez une recherche vectorielle légère avec pgvector directement dans PostgreSQL, sans service supplémentaire, et récupérez les quelques passages les plus proches avant d'appeler le LLM.

Les appels d'outils, en sécurité

Quand le chatbot doit faire quelque chose (chercher une commande, lancer un retour), exposez ces actions comme des outils que le modèle peut appeler, mais gardez le modèle du côté de la proposition uniquement. Il renvoie un nom d'outil et des arguments ; votre code les valide face aux permissions de l'utilisateur courant et à vos règles métier, puis exécute ou refuse. Le LLM ne touche jamais la base directement.

Se défendre contre l'injection de prompt

Si le chatbot lit du contenu généré par les utilisateurs ou des documents récupérés, traitez tout cela comme non fiable : ça peut contenir des instructions destinées à votre modèle. Gardez le prompt système et le contexte récupéré clairement séparés, ne laissez jamais un texte récupéré modifier les outils autorisés, cadrez chaque appel d'outil à l'utilisateur authentifié côté serveur, et passez les sorties par un contrôle de modération avant de les afficher.

Coût, cache et fallback

• ✓Mettez en cache les réponses aux questions fréquentes ou identiques pour que la même question posée cent fois ne soit pas payée cent fois.
• ✓Ayez toujours un fallback : une page d'aide statique ou un formulaire de contact quand le modèle expire ou échoue.
• ✓Suivez tokens et coût par utilisateur ou tenant, et limitez le débit par utilisateur pour éviter une surprise de facturation à l'échelle.

Un chatbot bien intégré n'ajoute qu'une fine couche à une application Laravel ou Symfony existante : un service HTTP, un endpoint de streaming, un peu de contexte métier, et une couche d'outils qui garde votre code aux commandes. Le reste de votre architecture, votre authentification, votre base, vos règles métier, reste inchangé.