checkpoint

agent-db.py

@@ -0,0 +1,83 @@
+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())