some langchain llm call

agent.py

@@ -0,0 +1,49 @@
+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)