83 lines
3.2 KiB
Python
83 lines
3.2 KiB
Python
|
import asyncio
|
||
|
|
import os
|
||
|
|
|
||
|
|
import sys
|
||
|
|
|
||
|
|
from dotenv import load_dotenv
|
||
|
|
from langchain_google_genai import ChatGoogleGenerativeAI
|
||
|
|
from langchain_mcp_adapters.client import MultiServerMCPClient
|
||
|
|
from langgraph.prebuilt import create_react_agent
|
||
|
|
from langchain_core.messages import HumanMessage
|
||
|
|
|
||
|
|
# 🧠 1. Le nouvel import pour la sauvegarde
|
||
|
|
from langgraph.checkpoint.sqlite.aio import AsyncSqliteSaver
|
||
|
|
|
||
|
|
# Chargement de la clé API
|
||
|
|
load_dotenv()
|
||
|
|
|
||
|
|
async def lancer_agent():
|
||
|
|
print("🤖 Initialisation de l'Agent Gemini...")
|
||
|
|
llm = ChatGoogleGenerativeAI(model="gemini-2.5-flash")
|
||
|
|
|
||
|
|
print("🔌 Configuration de la connexion au serveur MCP local...")
|
||
|
|
|
||
|
|
# NOUVELLE SYNTAXE : On passe la configuration directement dans le client
|
||
|
|
client = MultiServerMCPClient({
|
||
|
|
"serveur_taches": {
|
||
|
|
"command": sys.executable, # 🌟 LA MODIFICATION EST ICI
|
||
|
|
"args": ["serveur_mcp.py"],
|
||
|
|
"transport": "stdio"
|
||
|
|
}
|
||
|
|
})
|
||
|
|
|
||
|
|
# On récupère les outils (attention, c'est maintenant une fonction asynchrone qui nécessite 'await')
|
||
|
|
outils = await client.get_tools()
|
||
|
|
print(f"✅ Outils détectés : {[outil.name for outil in outils]}")
|
||
|
|
|
||
|
|
# 🧠 2. Connexion à notre base de données locale (elle sera créée automatiquement)
|
||
|
|
# 🧠 2. On utilise 'async with' pour ouvrir la mémoire proprement
|
||
|
|
async with AsyncSqliteSaver.from_conn_string("memoire_agent.db") as checkpointer:
|
||
|
|
|
||
|
|
# 🌟 Création de l'Agent LangGraph
|
||
|
|
#agent = create_react_agent(llm, tools=outils)
|
||
|
|
# 🧠 3. On donne le checkpointer à notre agent
|
||
|
|
agent = create_react_agent(llm, tools=outils, checkpointer=checkpointer)
|
||
|
|
|
||
|
|
# 🧠 4. Le Thread ID : C'est la clé de la mémoire !
|
||
|
|
# Toutes les requêtes avec ce même ID partageront la même mémoire.
|
||
|
|
config_memoire = {"configurable": {"thread_id": "conversation_personnelle_01"}}
|
||
|
|
|
||
|
|
#--- LE TEST DE L'AGENT ---
|
||
|
|
#consigne = (
|
||
|
|
# "1. Ajoute la tâche 'Acheter du pain'. "
|
||
|
|
# "2. Ajoute la tâche 'Appeler le client'. "
|
||
|
|
# "3. Fais-moi un résumé de toutes mes tâches actuelles."
|
||
|
|
#)
|
||
|
|
|
||
|
|
consigne = (
|
||
|
|
"J'ai déjà demander d'acheter du pain ?"
|
||
|
|
)
|
||
|
|
|
||
|
|
print(f"\n🗣️ Consigne donnée à l'Agent : {consigne}\n")
|
||
|
|
print("⏳ Démarrage du flux de réflexion de l'Agent...\n")
|
||
|
|
|
||
|
|
# 🌟 LA MODIFICATION EST ICI : On remplace ainvoke par astream
|
||
|
|
# stream_mode="values" permet de récupérer l'état à chaque nouvelle étape
|
||
|
|
async for etape in agent.astream(
|
||
|
|
{"messages": [HumanMessage(content=consigne)]},
|
||
|
|
config=config_memoire, # 🧠 5. On n'oublie pas de passer la config !
|
||
|
|
stream_mode="values"
|
||
|
|
):
|
||
|
|
# On récupère le tout dernier message généré à cette étape
|
||
|
|
dernier_message = etape["messages"][-1]
|
||
|
|
|
||
|
|
# pretty_print() formate le texte avec des couleurs dans le terminal !
|
||
|
|
dernier_message.pretty_print()
|
||
|
|
|
||
|
|
# Déconnexion propre (cette ligne ne change pas, assurez-vous de l'avoir gardée)
|
||
|
|
# await client.disconnect()
|
||
|
|
|
||
|
|
|
||
|
|
|
||
|
|
if __name__ == "__main__":
|
||
|
|
asyncio.run(lancer_agent())
|