49 lines
1.5 KiB
Python
49 lines
1.5 KiB
Python
|
import os
|
||
|
|
from typing import Annotated
|
||
|
|
from typing_extensions import TypedDict # Plus robuste pour le State
|
||
|
|
|
||
|
|
from dotenv import load_dotenv
|
||
|
|
from langgraph.graph import StateGraph, START, END
|
||
|
|
from langgraph.graph.message import add_messages
|
||
|
|
from langchain_google_vertexai import ChatVertexAI
|
||
|
|
|
||
|
|
load_dotenv()
|
||
|
|
|
||
|
|
# 1. Configuration du modèle (Syntaxe actuelle)
|
||
|
|
# Assure-hui que GOOGLE_APPLICATION_CREDENTIALS ou GOOGLE_CLOUD_PROJECT est dans ton .env
|
||
|
|
llm = ChatVertexAI(
|
||
|
|
model="gemini-1.5-flash",
|
||
|
|
temperature=0,
|
||
|
|
)
|
||
|
|
|
||
|
|
# 2. Définition de l'état
|
||
|
|
# add_messages permet d'accumuler l'historique au lieu de l'écraser
|
||
|
|
class State(TypedDict):
|
||
|
|
messages: Annotated[list, add_messages]
|
||
|
|
|
||
|
|
# 3. Le nœud de l'agent
|
||
|
|
def call_model(state: State):
|
||
|
|
response = llm.invoke(state["messages"])
|
||
|
|
# On retourne un dictionnaire qui sera mergé avec l'état actuel
|
||
|
|
return {"messages": [response]}
|
||
|
|
|
||
|
|
# 4. Construction du graphe (Architecture actuelle)
|
||
|
|
builder = StateGraph(State)
|
||
|
|
|
||
|
|
builder.add_node("agent", call_model)
|
||
|
|
|
||
|
|
builder.add_edge(START, "agent")
|
||
|
|
builder.add_edge("agent", END)
|
||
|
|
|
||
|
|
# Compilation
|
||
|
|
graph = builder.compile()
|
||
|
|
|
||
|
|
# 5. Exécution propre
|
||
|
|
if __name__ == "__main__":
|
||
|
|
initial_state = {"messages": [("user", "Salut, tu tournes sur quelle version de Gemini ?")]}
|
||
|
|
|
||
|
|
# Utilisation de .stream() pour voir ce qui se passe
|
||
|
|
for chunk in graph.stream(initial_state):
|
||
|
|
for node, values in chunk.items():
|
||
|
|
print(f"--- Node: {node} ---")
|
||
|
|
print(values["messages"][-1].content)
|