agentic with langgraph

agent.py

@@ -1,49 +1,61 @@
+import asyncio
 import os
-from typing import Annotated
-from typing_extensions import TypedDict # Plus robuste pour le State
+
+import sys
+
 
 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
+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()
 
-# 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,
-)
+async def lancer_agent():
+    print("🤖 Initialisation de l'Agent Gemini...")
+    llm = ChatGoogleGenerativeAI(model="gemini-2.5-flash")
 
-# 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 ?")]}
+    print("🔌 Configuration de la connexion au serveur MCP local...")
     
-    # 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)
+    # 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())