73 lines
2.4 KiB
Python
73 lines
2.4 KiB
Python
|
import os
|
||
|
|
from dotenv import load_dotenv
|
||
|
|
|
||
|
|
import sys
|
||
|
|
import asyncio
|
||
|
|
from typing import Annotated, Literal, TypedDict
|
||
|
|
from langchain_google_genai import ChatGoogleGenerativeAI
|
||
|
|
from langgraph.graph import StateGraph, END, START
|
||
|
|
from langchain_core.messages import HumanMessage, SystemMessage, BaseMessage
|
||
|
|
from langgraph.prebuilt import create_react_agent
|
||
|
|
|
||
|
|
load_dotenv()
|
||
|
|
|
||
|
|
|
||
|
|
# 1. Définition de l'état du graphe (ce que les agents se partagent)
|
||
|
|
class AgentState(TypedDict):
|
||
|
|
messages: Annotated[list[BaseMessage], "L'historique des échanges"]
|
||
|
|
|
||
|
|
# 2. Création des Spécialistes
|
||
|
|
llm = ChatGoogleGenerativeAI(model="gemini-2.5-flash")
|
||
|
|
|
||
|
|
# Agent Verlant
|
||
|
|
agent_verlant = create_react_agent(
|
||
|
|
llm, tools=[],
|
||
|
|
prompt="Tu es un expert en verlan. Ta seule mission est de traduire les textes qu'on te donne en verlan (ex: bizarre -> zarbi). Sois bref."
|
||
|
|
)
|
||
|
|
|
||
|
|
# Agent Argo
|
||
|
|
agent_argo = create_react_agent(
|
||
|
|
llm, tools=[],
|
||
|
|
prompt="Tu es un expert en argot parisien. Traduis les textes en utilisant un langage très fleuri et argotique. Sois bref."
|
||
|
|
)
|
||
|
|
|
||
|
|
# 3. Logique du Coordinateur (Le Routeur)
|
||
|
|
def routeur_coordinateur(state: AgentState) -> Literal["agent_verlant", "agent_argo", "__end__"]:
|
||
|
|
dernier_message = state["messages"][-1].content.lower()
|
||
|
|
|
||
|
|
if "verlan" in dernier_message:
|
||
|
|
return "agent_verlant"
|
||
|
|
elif "argo" in dernier_message or "argot" in dernier_message:
|
||
|
|
return "agent_argo"
|
||
|
|
else:
|
||
|
|
return "__end__" # Il répond directement s'il ne comprend pas la consigne
|
||
|
|
|
||
|
|
# 4. Construction du Graphe
|
||
|
|
workflow = StateGraph(AgentState)
|
||
|
|
|
||
|
|
# Ajout des nœuds
|
||
|
|
#workflow.add_node("agent_verlant", lambda state: agent_verlant.ainvoke(state))
|
||
|
|
#workflow.add_node("agent_argo", lambda state: agent_argo.ainvoke(state))
|
||
|
|
|
||
|
|
# ✅ LangGraph va automatiquement comprendre qu'il doit faire un "await" sur ces agents
|
||
|
|
workflow.add_node("agent_verlant", agent_verlant)
|
||
|
|
workflow.add_node("agent_argo", agent_argo)
|
||
|
|
|
||
|
|
# Logique de départ
|
||
|
|
workflow.add_conditional_edges(START, routeur_coordinateur)
|
||
|
|
|
||
|
|
# Une fois qu'un spécialiste a répondu, on va vers la fin
|
||
|
|
workflow.add_edge("agent_verlant", END)
|
||
|
|
workflow.add_edge("agent_argo", END)
|
||
|
|
|
||
|
|
# Compilation
|
||
|
|
app = workflow.compile()
|
||
|
|
|
||
|
|
# --- TEST ---
|
||
|
|
async def main():
|
||
|
|
consigne = "Dis moi que cette fête est folle en verlan"
|
||
|
|
async for event in app.astream({"messages": [HumanMessage(content=consigne)]}):
|
||
|
|
print(event)
|
||
|
|
|
||
|
|
if __name__ == "__main__":
|
||
|
|
asyncio.run(main())
|