langgraph-vertex/agent.py

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

# 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]}")
    
    # 🌟 Création de l'Agent LangGraph
    agent = create_react_agent(llm, tools=outils)

    # --- 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."
    )
    
    print(f"\n🗣️ Consigne donnée à l'Agent : {consigne}\n")
    print("⏳ L'Agent réfléchit et travaille en autonomie (patientez un peu)...\n")

    # On lance l'agent avec notre message
    resultat = await agent.ainvoke({
        "messages": [HumanMessage(content=consigne)]
    })

    # On affiche uniquement la réponse finale de l'agent
    reponse_finale = resultat["messages"][-1].content
    print("✅ RÉPONSE FINALE DE L'AGENT :")
    print("-" * 40)
    print(reponse_finale)
    print("-" * 40)

if __name__ == "__main__":
    asyncio.run(lancer_agent())