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]
+    print("🔌 Configuration de la connexion au serveur MCP local...")
     
-# 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]}
+    # 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"
+        }
+    })
 
-# 4. Construction du graphe (Architecture actuelle)
-builder = StateGraph(State)
+    # 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]}")
     
-builder.add_node("agent", call_model)
+    # 🌟 Création de l'Agent LangGraph
+    agent = create_react_agent(llm, tools=outils)
 
-builder.add_edge(START, "agent")
-builder.add_edge("agent", END)
+    # --- 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."
+    )
     
-# Compilation
-graph = builder.compile()
+    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)
 
-# 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)
+    asyncio.run(lancer_agent())

client_mcp_http.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())

serveur_mcp.py

@@ -0,0 +1,80 @@
+from pydantic import BaseModel
+from typing import List, Optional
+
+from mcp.server.fastmcp import FastMCP
+import json
+
+# 1. Création du serveur MCP
+#mcp = FastMCP("Serveur_API_Tasks", host="0.0.0.0", port=9000)
+mcp = FastMCP("Serveur_API_Tasks")
+
+# --- Modèles de données ---
+class TaskCreate(BaseModel):
+    title: str
+    description: Optional[str] = None
+    completed: bool = False
+
+class Task(TaskCreate):
+    id: int
+
+# --- Base de données en mémoire ---
+tasks_db = []
+current_id = 1
+
+
+# --- Routes CRUD ---
+
+# 1. CREATE : Ajouter une nouvelle tâche
+@mcp.tool()
+#@app.post("/tasks", response_model=Task, status_code=201)
+def create_task(task: TaskCreate):
+    global current_id
+    # Création de la tâche avec l'ID actuel
+    new_task = Task(id=current_id, **task.model_dump())
+    tasks_db.append(new_task)
+    current_id += 1
+    return new_task
+
+# 2. READ : Récupérer toutes les tâches
+#@app.get("/tasks", response_model=List[Task])
+@mcp.tool()
+def get_tasks():
+    return tasks_db
+
+# 3. READ : Récupérer une tâche spécifique via son ID
+#@app.get("/tasks/{task_id}", response_model=Task)
+@mcp.tool()
+def get_task(task_id: int):
+    for task in tasks_db:
+        if task.id == task_id:
+            return task
+    raise HTTPException(status_code=404, detail="Tâche non trouvée")
+
+# 4. UPDATE : Mettre à jour une tâche
+#@app.put("/tasks/{task_id}", response_model=Task)
+@mcp.tool()
+def update_task(task_id: int, updated_task: TaskCreate):
+    for index, task in enumerate(tasks_db):
+        if task.id == task_id:
+            # Remplacement de l'ancienne tâche par la nouvelle
+            tasks_db[index] = Task(id=task_id, **updated_task.model_dump())
+            return tasks_db[index]
+    raise HTTPException(status_code=404, detail="Tâche non trouvée")
+
+# 5. DELETE : Supprimer une tâche
+#@app.delete("/tasks/{task_id}", status_code=204)
+@mcp.tool()
+def delete_task(task_id: int):
+    for index, task in enumerate(tasks_db):
+        if task.id == task_id:
+            tasks_db.pop(index)
+            return
+    raise HTTPException(status_code=404, detail="Tâche non trouvée")
+
+
+
+print("🚀 Démarrage du serveur MCP sur le port 9000...")
+
+# transport="sse" active le mode serveur web au lieu du mode terminal
+#mcp.run(transport="sse")
+mcp.run()