Architecture de la réduction contexte

Architecture uniquement, pas implémenté

AgentReact/agent.py

@@ -22,21 +22,28 @@ def getGraph()->CompiledStateGraph:
     workflow.add_node(inject_preparation_prompt)
     workflow.add_node("tool_node", tool_node)# BasicToolNode(tools=getTools())) # N'est pas une fonction, mais une classe instanciée, je dois précisier le nom du node
     workflow.add_node("weekly_report_tools", weekly_report_tools)
+    workflow.add_node(context_shortener) # Réduit la taille du contexte
+    workflow.add_node("context_shortener_2", context_shortener) # Le même, sous un autre nom pour le différencier dans le graphe
 
     # Arrêtes
     workflow.set_conditional_entry_point(is_resumes_reports_already_initialised, {
-        "résumés non disponibles": "inject_preparation_prompt",
+        "résumés non disponibles": "inject_preparation_prompt", # Résumés non générés
-        "résumés déjà générés": "user_prompt"
+        "résumés déjà générés": "user_prompt" # Résumés déjà prêts, je peux aller direct à la partie principale
     })
     workflow.add_edge("inject_preparation_prompt", "preparation_docs")
     workflow.add_conditional_edges("preparation_docs", should_continue, {
         "tools":"weekly_report_tools",
-        "no_tools":"user_prompt"
+        "no_tools":"context_shortener" # FIN de la préparation, on réduit le contexte avant de passer à la suite
     })
+    workflow.add_edge("context_shortener", "user_prompt") # Et ici, je rejoins la partie principale qui rédigera le rapport
     workflow.add_edge("user_prompt", "LLM_central")
 
     workflow.add_edge("weekly_report_tools", "preparation_docs")
-    workflow.add_edge("tool_node", "LLM_central")
+    workflow.add_conditional_edges("tool_node", should_shorten, {
+        'sous la limite': "LLM_central",
+        'réduire contexte': "context_shortener_2"
+    })
+    workflow.add_edge("context_shortener_2", "LLM_central")
     workflow.add_conditional_edges("LLM_central", should_continue, {
         "tools":"tool_node",
         "no_tools":END

AgentReact/utils/nodes.py

@@ -3,11 +3,12 @@ from langgraph.graph import MessagesState
 from langgraph.prebuilt import ToolNode
 from langchain.chat_models import init_chat_model
 from langgraph.graph import START, END
-from langchain.messages import HumanMessage, AIMessage, SystemMessage
+from langchain.messages import HumanMessage, AIMessage, SystemMessage, ToolMessage
 from langgraph.types import interrupt
 import os
 import sys
 from pathlib import Path
+import json
 
 from .tools import getTools, getWeeklyReportTools
 from .state import CustomState
@@ -66,6 +67,30 @@ def LLM_central(state: MessagesState):
     # Appel du LLM 
     return {"messages": [model.invoke(state["messages"])]}
 
+def context_shortener(state: CustomState):
+    """ Noeud visant à réduire la taille du contexte pour éviter une explosion de la taille de la mémoire court-terme/contexte """
+    raise NotImplementedError('TODO, faut que je le fasse')
+
+# fonction de routage
+def should_shorten(state: CustomState)->str:
+    """
+    Fonction de routage, permet de savoir s'il est temps de résumer la contexte de la conversation
+
+    Args:
+        state (CustomState): Le State actuel
+
+    Returns:
+        str: Faut-il réduire le contexte ?
+    """
+    TAILLE_CONTEXTE_MAX = 20000 #charactères
+    count = 0
+    for msg in state['messages']: count += len(msg.content) # Compter le nombre total de caractères dans le contexte
+
+    if count < TAILLE_CONTEXTE_MAX:
+        # OK
+        return 'sous la limite'
+    return 'réduire contexte'
+
 # fonction de routage : Après reponse_question, si le LLM veut appeler un outil, on va au tool_node
 def should_continue(state: MessagesState):
     """
@@ -82,21 +107,6 @@ def should_continue(state: MessagesState):
         return "tools"
     return "no_tools"
 
-def task_ended(state: MessagesState):
-    """
-    Vérifier si l'agent a terminé son cycle, ou s'il faut le relancer
-    """
-    if isinstance(state, list):
-        ai_message = state[-1]
-    elif messages := state.get("messages", []):
-        ai_message = messages[-1]
-    else:
-        raise ValueError(f"No messages found in input state to tool_edge: {state}")
-
-    if "terminé" in ai_message.content.lower():
-        return END
-    return "continue"
-
 weekly_report_tools = ToolNode(tools=getWeeklyReportTools())
 tool_node = ToolNode(tools=getTools())
 
@@ -127,8 +137,7 @@ class BasicToolNode: # De mon ancien projet, https://github.com/LJ5O/Assistant/b
             )
         return {"messages": outputs}
 
-# UTILS
+# fonction de routage
-
 def is_resumes_reports_already_initialised(state: CustomState)->str:
     """Permet de savoirr si les résumés de comptes-rendu ont déjà été générés.
     S'ils le sont, inutile de recréer ce dossier.

roadmap.md

@@ -22,6 +22,7 @@
 ## Amélioration de l'agent
 - [ ] Cross-encoding sur la sortie du **RAG**
 - [ ] Sauvegarde de l'état de l'agent
+- [ ] Lecture d'un `skills.md`
 - [ ] Système de redémarrage après un arrêt
 - [ ] Détection de *prompt injection*
 - [ ] Génération d'un PDF en sortie du système