client mcp

client_mcp.py

@@ -0,0 +1,47 @@
+import asyncio
+import os
+from dotenv import load_dotenv
+from langchain_google_genai import ChatGoogleGenerativeAI
+
+# Imports spécifiques pour la connexion réseau (SSE)
+from mcp.client.sse import sse_client
+from mcp.client.session import ClientSession
+from langchain_mcp_adapters.tools import load_mcp_tools
+
+# Chargement de la clé API
+load_dotenv()
+
+async def lancer_client_reseau():
+    print("🤖 Initialisation de Gemini...")
+    llm = ChatGoogleGenerativeAI(model="gemini-2.5-flash")
+
+    # L'adresse de votre serveur
+    url = "http://127.0.0.1:9000/sse"
+    print(f"🔌 Connexion au serveur distant sur {url}...")
+
+    # 1. On ouvre le canal de communication réseau
+    async with sse_client(url) as (read_stream, write_stream):
+        # 2. On démarre la session MCP sur ce canal
+        async with ClientSession(read_stream, write_stream) as session:
+            await session.initialize()
+            
+            # 3. Récupération et conversion des outils au format LangChain
+            outils = await load_mcp_tools(session)
+            print(f"✅ Outils détectés : {[outil.name for outil in outils]}")
+
+            # 4. On équipe l'IA avec ces outils
+            llm_avec_outils = llm.bind_tools(outils)
+
+            # --- LE TEST ---
+            question = "Quelles sont les tâches sur ma liste ? Ajoute ensuite la tâche 'Finir le projet réseau'."
+            print(f"\n🗣️ Question posée : {question}")
+            
+            reponse = await llm_avec_outils.ainvoke(question)
+            
+            if reponse.tool_calls:
+                print("\n⚙️ DÉCISION DE L'IA :")
+                for outil in reponse.tool_calls:
+                    print(f"- Outil demandé : {outil['name']} | Paramètres : {outil['args']}")
+
+if __name__ == "__main__":
+    asyncio.run(lancer_client_reseau())

requirements

@@ -9,4 +9,6 @@ dotenv
 qdrant-client
 langchain-qdrant
 langchain-chain
-docx2txt
+langchain_mcp_adapters
+docx2txt
+mcp