interuption

agent_interupt.py

@@ -0,0 +1,86 @@
+import sys
+import asyncio
+from dotenv import load_dotenv
+from langchain_google_genai import ChatGoogleGenerativeAI
+from langchain_mcp_adapters.client import MultiServerMCPClient
+
+# ✅ LE BON IMPORT POUR LANGGRAPH V1.0+ (et futur v2.0)
+from langgraph.prebuilt import create_react_agent
+from langgraph.checkpoint.sqlite.aio import AsyncSqliteSaver
+from langchain_core.messages import HumanMessage
+from langchain_core.messages import ToolMessage
+
+load_dotenv()
+
+async def lancer_agent_moderne():
+    llm = ChatGoogleGenerativeAI(model="gemini-2.5-flash")
+    
+    # Notre configuration MCP habituelle
+    client = MultiServerMCPClient({
+        "serveur_taches": {
+            "command": sys.executable,
+            "args": ["serveur_mcp.py"],
+            "transport": "stdio"
+        }
+    })
+    outils = await client.get_tools()
+    
+    async with AsyncSqliteSaver.from_conn_string("memoire_agent.db") as checkpointer:
+        
+        # 🚀 L'approche moderne :
+        # On définit l'agent directement via le constructeur de LangGraph.
+        # Plus besoin de 'AgentExecutor', LangGraph gère la boucle lui-même.
+        agent = create_react_agent(
+            llm, 
+            tools=outils, 
+            checkpointer=checkpointer,
+            interrupt_before=["tools"] # Notre garde-fou
+        )
+        
+
+        config = {"configurable": {"thread_id": "session_moderne_001"}}
+        
+        # --- ÉTAPE 1 : L'Agent propose une action ---
+        consigne = "Ajoute la tâche 'Apprendre LangGraph' à ma liste."
+        print(f"\n🗣️ ORDRE : {consigne}")
+        
+        async for etape in agent.astream(
+            {"messages": [HumanMessage(content=consigne)]}, 
+            config=config, 
+            stream_mode="values"
+        ):
+            etape["messages"][-1].pretty_print()
+
+        # --- ÉTAPE 2 : Vérification de l'état ---
+        etat_actuel = await agent.aget_state(config)
+        
+        if etat_actuel.next:
+            print(f"\n⚠️ ACTION EN ATTENTE : L'agent veut utiliser l'outil : {etat_actuel.next}")
+            confirmation = input("👉 Voulez-vous autoriser cette action ? (oui/non) : ")
+            
+            if confirmation.lower() == "oui":
+                # --- ÉTAPE 3 : On relance l'agent là où il s'est arrêté ---
+                print("🚀 Validation reçue. Exécution en cours...")
+                async for etape in agent.astream(None, config=config, stream_mode="values"):
+                    etape["messages"][-1].pretty_print()
+            else:
+                print("❌ Action annulée par l'utilisateur.")
+                # On crée un message de résultat d'outil manuel pour clore la boucle
+                outil_id = etape["messages"][-1].tool_calls[0]["id"]
+                message_annulation = ToolMessage(
+                    tool_call_id=outil_id,
+                    content="L'utilisateur a refusé cette action. Propose une alternative ou arrête-toi là."
+                )
+                
+                # On met à jour l'état de l'agent avec ce message de "faux" résultat
+                await agent.aupdate_state(config, {"messages": [message_annulation]})
+                
+                # On relance pour que l'IA réagisse à l'annulation
+                async for etape in agent.astream(None, config=config, stream_mode="values"):
+                    etape["messages"][-1].pretty_print()
+
+        else:
+            print("\n✅ L'agent a terminé sans avoir besoin de validation.")
+
+if __name__ == "__main__":
+    asyncio.run(lancer_agent_moderne())