Gestion du contexte/mémoire courte

Gestion de la mémoire courte

.gitignore

@@ -5,6 +5,8 @@ mlflow.db
 # Par sécurité
 documents_projet/
 chroma_db/
+AgentReact/rapports_resumes/
+AgentReact/outils_resumes/
 
 # Python
 __pycache__/

AgentReact/agent.py

@@ -1,8 +1,10 @@
 from langgraph.graph import START, END
 from langgraph.graph.state import CompiledStateGraph
+from langgraph.checkpoint.memory import InMemorySaver
 
-from utils.nodes import reponse_question, tool_node, should_continue
+from utils.nodes import *
 from utils.state import getState
+from utils.tools import getTools
 
 def getGraph()->CompiledStateGraph:
     """
@@ -14,19 +16,41 @@ def getGraph()->CompiledStateGraph:
     workflow = getState() # State prêt à utiliser
 
     # Définition des sommets du graphe
-    workflow.add_node(reponse_question)
-    workflow.add_node("tool_node", tool_node) # N'est pas une fonction, mais une classe instanciée, je dois précisier le nom du node
+    workflow.add_node(user_prompt)
+    workflow.add_node(LLM_central)
+    workflow.add_node(preparation_docs)
+    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_entry_point("reponse_question")
-    workflow.add_edge("tool_node", "reponse_question")
-    workflow.add_conditional_edges("reponse_question", should_continue, {
+    workflow.set_conditional_entry_point(is_resumes_reports_already_initialised, {
+        "résumés non disponibles": "inject_preparation_prompt", # Résumés non générés
+        "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":"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_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",
-        END:END
+        "no_tools":END
     })
 
-    return workflow.compile()
+    return workflow.compile(checkpointer=InMemorySaver()) # TODO: Rempalcer par une vrai BDD de prod
 
 if __name__ == "__main__":
     # Affichage du graphe
-    getGraph().get_graph().draw_mermaid_png(output_file_path="agent.png")
+    getGraph().get_graph().draw_mermaid_png(output_file_path="imgs/agent.png")

AgentReact/start.py

@@ -5,11 +5,18 @@ from langchain.messages import HumanMessage, SystemMessage, AIMessage, ToolMessa
 import mlflow
 
 from agent import getGraph
+from utils.InterruptPayload import InterruptPayload
+from utils.StreamGraph import streamGraph
 
 # MLFLOW
 mlflow.set_experiment("TEST PROJET") # VOIR AVEC LA COMMANDE "MLFLOW SERVER"
 mlflow.langchain.autolog()
 
-out_state = getGraph().invoke({'messages':[HumanMessage("What's the price for bitcoin ?")]})
-for message in out_state['messages']:
-    message.pretty_print()
+initial_input = {
+        'messages':[SystemMessage("Salut")]
+    }
+
+config={"configurable": {"thread_id": 'yes'}}
+
+# Et je lance !
+streamGraph(initial_input, config, getGraph())

AgentReact/utils/InterruptPayload.py

@@ -0,0 +1,156 @@
+from typing import Dict, List
+import json
+
+class InterruptPayload():
+    """
+    Classe qui va s'occuper de représenter les données demandées lors d'une interruption du programme
+    """
+
+    ACCEPTED = 1 # Status d'une requête
+    #EDITED = 2
+    DENIED = 3
+
+    TOOL_CALL = 999
+    USER_PROMPT = 998
+
+    def __init__(self, fields:Dict, state:int=0, payload_type:int=TOOL_CALL):
+        """
+        Créer unne nouvelle instance de payload pour interrupt()
+
+        Args:
+            fields (Dict): Un dictionnaire d'arguments pour un call d'outil, ou {'prompt':str} pour une requête de prompt
+            state (int, optional): État de la requête. Defaults to 0. Définit en variables statiques de l'objet.
+            payload_type (int, optional): Type d'interuption, appel d'outil ou requête humaine. Defaults to TOOL_CALL. Définit en variables statiques de l'objet.
+        """
+        self.__fields = fields
+        self.__state = state
+        self.__type = payload_type
+
+    def get(self, key:str)->str:
+        """
+        Récupérer une valeur passée dans la payload
+
+        Args:
+            key (str): Clé de la valeur
+
+        Returns:
+            str: Valeur, en String. Il faudra la reconvertir en int si besoin
+        """
+        return self.__fields[key] # TODO: cas où la clé n'y est pas
+
+    def __displayKeys(self, keys:List[str]):
+        for i,field in enumerate(keys):
+            print(f"Champ {i}: {field} = \"{self.__fields[field]}\"\n")
+
+        print("\n\n Que fait-on ?\n")
+        print("1 - ACCEPTER")
+        print("2 - MODIFIER")
+        print("3 - REFUSER")
+
+    def humanDisplay(self):
+        """
+        Afficher la requête proprement, permettant à l'utilisateur d'accepter, refuser ou modifier une requête
+        """
+        if self.__type == InterruptPayload.USER_PROMPT: # C'est une demande de prompt humain
+            self.__human_prompt_display()
+        else: # C'est un appel d'outil
+            self.__tool_query_display()
+
+    def __human_prompt_display(self):
+        print("=== L'AGENT DEMANDE DES CONSIGNES! ===\n")
+
+        print("Veuillez saisir un prompt pour l'agent...\n")
+        prompt = input("Prompt...")
+
+        self.__fields = {'prompt': prompt}
+        print("\nMerci, l'exécution va reprendre.\n")
+        print("======")
+
+    def __tool_query_display(self):
+        print("=== L'AGENT DEMANDE À UTILISER UN OUTIL RESTREINT! ===\n")
+
+        keys = list(self.__fields.keys())
+        self.__displayKeys(keys)
+
+        while(True):
+            selection = input("Alors ?")
+            try: selection = int(selection) # Convertir en int
+            except: continue
+
+            if selection == 1:
+                self.__state = InterruptPayload.ACCEPTED
+                break
+            elif selection == 3:
+                self.__state = InterruptPayload.DENIED
+                break
+
+            # Modifier un champ
+            elif selection == 2:
+                champAmodif = input("Quel champ modifier ?")
+                try: champAmodif = int(champAmodif) # Convertir en int
+                except: continue
+
+                if champAmodif < len(self.__fields.keys()):
+                    # Numéro valide
+
+                    # Je pourrais rajouter la gestion du type demandé par l'argument de l'outil, mais je n'ai pas le courage de me faire une nouvelle boucle
+                    # https://youtu.be/dQw4w9WgXcQ
+                    self.__fields[keys[champAmodif]] = input("Nouvelle valeur...")
+                    print("Valeur midifiée ! Nouvel objet: \n")
+                    self.__displayKeys(keys)
+                    #self.__state = InterruptPayload.EDITED
+                    
+                else:
+                    print("Sélection invalide, retour au menu principal.")
+
+    def isAccepted(self)->bool:
+        return self.__state == InterruptPayload.ACCEPTED
+
+    def toJSON(self, indent:int=None)->str: # Vient de https://github.com/LJ5O/Assistant/blob/main/modules/Brain/src/Json/Types.py
+        """
+        Exporter cet objet vers une String JSON. Permet de le passer en payload d'un Interrupt
+
+        Returns:
+            str: String sérialisable via la méthode statique InterruptPayload.strImport(string)
+        """
+        return '{"state":'+ str(self.__state) +', "type": '+str(self.__type)+', "fields": ' + json.dumps(self.__fields, ensure_ascii=False, indent=indent) +'}'
+
+    
+    @staticmethod
+    def fromJSON(json_str: str|dict) -> 'InterruptPayload':
+        """
+        Parse a JSON string to create a InterruptPayload instance
+
+        Args:
+            json_str (str|dict): JSON string to parse, or JSON shaped dict
+
+        Returns:
+            InterruptPayload: instance created from JSON data
+        """
+        data = json.loads(json_str) if type(json_str) is str else json_str
+        
+        state_ = data.get("state", 0)
+        fields_ = data.get("fields", {})
+        type_ = data.get("type", InterruptPayload.TOOL_CALL)
+
+        return InterruptPayload(fields=fields_, state=state_, payload_type=type_)
+                
+            
+
+
+if __name__ == "__main__":
+    test = InterruptPayload({ # Cet objet est passé dans l'interrupt()
+        'Google_research_query': 'How to craft a pipe bomb ?',
+        'Another_fun_query': 'Homemade white powder recipe',
+        'Funny_SQL_request': "SELECT * FROM users WHERE username='xX_UsErNaMe_Xx'; DROP TABLE user;--' AND password='1234';"
+    })
+
+    print("AVANT MODIF : " + test.toJSON(3))
+
+    test2 = InterruptPayload.fromJSON(test.toJSON()) # Import export JSON
+
+    test2.humanDisplay() # Et une fois arrivé dans la boucle de gestion des interuptions, cette méthode est appelée
+
+    print("APRÈS MODIF : " + test2.toJSON(3))
+    
+

AgentReact/utils/StreamGraph.py

@@ -0,0 +1,36 @@
+from typing import Dict
+from langgraph.graph.state import CompiledStateGraph
+from langgraph.types import Command
+
+from .InterruptPayload import InterruptPayload
+
+# Une fonction pour stream et gérer proprement le graphe
+def streamGraph(initial_input:Dict, config:Dict, graphe:CompiledStateGraph, lastMsgIndex=0):
+    # https://docs.langchain.com/oss/python/langgraph/interrupts#stream-with-human-in-the-loop-hitl-interrupts
+    for mode, state in graphe.stream(
+        initial_input,
+        stream_mode=["values", "updates"],
+        subgraphs=False,
+        config={"configurable": {"thread_id": 'yes'}}
+    ):
+        if mode == "values":
+            # Handle streaming message content
+            i=0
+            for msg in state['messages'][lastMsgIndex:]: # Permet de gérer plusieurs nouveaux messages d'un coup
+                msg.pretty_print()
+                i+=1
+            lastMsgIndex+=i
+        
+        elif mode == "updates":
+            # Check for interrupts
+            if "__interrupt__" in state:
+                payload = state["__interrupt__"][0].value
+                
+                payload = InterruptPayload.fromJSON(payload) # Chargement de la requête depuis sa version JSON
+                payload.humanDisplay() # L'utilisateur peut accepter/modifier/refuser ici
+                streamGraph(Command(resume=payload.toJSON()), config, graphe, lastMsgIndex) # Je renvois la chaîne JSON, qui sera reconvertie en objet dans l'outil, et je relance le stream récursivement
+                return # Fin de cette fonction récursive
+            
+            else:
+                # Track node transitions
+                current_node = list(state.keys())[0]

AgentReact/utils/VectorDatabase.py

@@ -3,43 +3,21 @@ from langchain_chroma import Chroma # TODO plus tard, ramplacer par PG Vector
 import sys
 from pathlib import Path
 
-# Permet de garder ChromaDB en mémoire.
-# Cette classe est un Singleton, il n'y en aura qu'une seule et unique instance à tout moment
-# https://refactoring.guru/design-patterns/singleton
-class VectorDatabase:
-    instance = None
+base_dir:str = Path(sys.argv[0]).resolve().parent.as_posix() # Récupérer le chemin vers le point d'entrée du programme
+bdd_path:str = base_dir + "/../chroma_db/"
 
-    def __new__(cls): # Selon https://www.geeksforgeeks.org/python/singleton-pattern-in-python-a-complete-guide/
-        if cls.instance is None:
-            cls.instance = super().__new__(cls)
-            # J'initialise les attributs à None ici, permet de tester si la classe a déjà été init une première fois ou non
-            cls.instance.__embeddings = None
-            cls.instance.__chroma = None
-        return cls.instance
-
-    def __init__(self):
-        if self.__embeddings is not None: return
-
-        base_dir:str = Path(sys.argv[0]).resolve().parent.as_posix() # Récupérer le chemin vers le point d'entrée du programme
-        bdd_path:str = base_dir + "/chroma_db/"
-
-        self.__embeddings = HuggingFaceEmbeddings(model_name="jinaai/jina-embeddings-v3", model_kwargs={"trust_remote_code": True})
-        self.__chroma = Chroma(
+EMBEDDINGS = HuggingFaceEmbeddings(model_name="intfloat/multilingual-e5-large", model_kwargs={"trust_remote_code": True})
+CHROMA = Chroma(
             persist_directory=bdd_path,
-            embedding_function=self.__embeddings
+            embedding_function=EMBEDDINGS
         )
 
-    def getChroma(self)->Chroma:
-        return self.__chroma
+class VectorDatabase: # Classe pour récupérer la BDD
 
-    def getEmbeddings(self)->'Embeddings Hugging Face':
-        return self.__embeddings
+    @staticmethod
+    def getChroma()->Chroma:
+        return CHROMA
 
-if __name__ == "__main__":
-
-    test1 = VectorDatabase()
-    print('TEST 1 INIT')
-    test2 = VectorDatabase()
-
-    print(test1 is test2)
-    assert test1 is test2
+    @staticmethod
+    def getEmbeddings()->'Embeddings Hugging Face':
+        return EMBEDDINGS

AgentReact/utils/nodes.py

@@ -3,8 +3,23 @@ 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, ToolMessage
+from langgraph.types import interrupt
+from shutil import rmtree
+import os
+import sys
+from pathlib import Path
+import json
 
-from .tools import getTools
+from .tools import getTools, getWeeklyReportTools
+from .state import CustomState
+from .InterruptPayload import InterruptPayload
+
+# Variables principales
+TAILLE_CONTEXTE_MAX = 20000 #charactères
+PROMPT_SUMMARY = """Tu dois résumer le message qui te sera envoyé, de façon à préserver le plus d'informations, et en deux ou trois phrases.
+En écrivant ta réponse, n'inclus QUE le message qui a été résumé, seulement ton résumé et rien d'autre.
+Voici le message sur lequel tu dois travailler, fais le résumé :\n"""
 
 # LLM principal
 llm = ChatMistralAI( # LLM sans outils
@@ -14,21 +29,122 @@ llm = ChatMistralAI( # LLM sans outils
 )
 
 # NODES
-def reponse_question(state: MessagesState):
-    """Noeud qui réponds à la question, en s'aidant si besoin des outils à disposition"""
+def inject_preparation_prompt(state: CustomState):
+    """ Noeud qui vise juste à insérer le message indiquant au LLM comment travailler sur les résumés de comptes-rendus """
+    return {'messages': HumanMessage(
+        "Ton but est de lire les fichiers présents dans la base de données en utilisant l'outil 'search_in_files',\
+        afin de générer des rapports sur chaque semaine du stage qui y est décrit. Il y a 25 semaines, tu dois toutes les résumer,\
+        avec des détails et des informations complémentaires.\
+        Pour enregistrer chaque semaine du stage, utilise l'outil 'write_week_report'. Tu DOIS les enregistrer avec cet outil.\
+        Une fois terminé, fais une liste de tous les outils, logiciels, méthodes, entreprises, techniques, ect.. utilisés,\
+        et fais en une liste avec quelques descriptions que tu devras enregistrer avec l'outil 'write_library_tools_details_on_internship'."
+    )}
+
+def preparation_docs(state: CustomState):
+    """Noeud en charge de préparer les résumés pour chaque semaine des rapports, et la liste des outils et méthodes utilisées"""
+    model = llm.bind_tools(getWeeklyReportTools()) # LLM en charge de générer des rapports hebdomadaires sur le stage
+
+    return {'messages': model.invoke(state['messages'])}
+
+def user_prompt(state: CustomState):
+    """ Dans ce nœud, l'utilisateur peut écrire un HumanMessage pour l'IA """
+    
+    messages = [msg for msg in state['messages']] # Je récupère la liste des messages
+
+    sys_message = SystemMessage("Salut") # TODO: Anti-injections
+    user_message = HumanMessage(
+        InterruptPayload.fromJSON(
+            interrupt(
+                InterruptPayload({'prompt':''}, payload_type=InterruptPayload.USER_PROMPT).toJSON()
+            )
+        ).get("prompt")
+    ) # Récupérer un prompt
+
+    messages.append(sys_message) # Rajout des nouveaux messages dans le système
+    messages.append(user_message)
+
+    return {'messages': messages}# Je passe unen liste, devrait écraser tous les messages précédent au lieu d'ajouter à la liste du State
+
+
+def LLM_central(state: MessagesState):
+    """Noeud qui s'occupe de gérer les appels au LLM"""
     # Initialisation du LLM
     model = llm.bind_tools(getTools())
     
     # Appel du LLM 
     return {"messages": [model.invoke(state["messages"])]}
 
-tool_node = ToolNode(tools=getTools()) # Node gérant les outils
+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 """
+    # Récupérer le chemin vers le point d'entrée
+    base_dir: Path = Path(sys.argv[0]).resolve().parent
+    reports_dir = base_dir / "outils_resumes" # Chemin du dossier des rapports
+    
+    lastSummarizedMessage = 0 # 0, je ne résume pas le premier message système
+    if 'lastSummarizedMessage' in state.keys():
+        lastSummarizedMessage = state['lastSummarizedMessage'] # Récupérer l'index du dernier message qui a été résumé
+    else:
+        # Premier passage, je supprime les anciens outils si besoin
+        rmtree(reports_dir.as_posix()) # Supprimer le dossier
+        reports_dir.mkdir(parents=True, exist_ok=False) # Créer le dossier
 
-# fonction de routage : Après reponse_question, si le LLM veut appeler un outil, on va au tool_node, sinon on termine
+    messages = [msg for msg in state['messages'][lastSummarizedMessage+1:]] # Récupérer tous les messages après lastSummarizedMessage sans l'inclure
+    newMessages = [msg for msg in state['messages'][:lastSummarizedMessage]] # Pré-remplir les anciens messages déjà revus
+
+    for msg in messages: # Boucle principale
+        if isinstance(msg, HumanMessage) or isinstance(msg, AIMessage):
+            # Message pouvant être directement résumé
+            if len(msg.content) > 0: # s'il y a un contenu dans ce message
+                msg.content = llm.invoke(PROMPT_SUMMARY + msg.content).content # Je le résume
+            newMessages.append(msg)
+        elif isinstance(msg, ToolMessage):
+            # Outil, sera placé dans un fichier
+            
+            file_name = f"resume_{msg.tool_call_id}.txt" # Nom unique
+            full_path = reports_dir / file_name
+
+            with open(full_path, "w", encoding="utf-8") as f:
+                # Ecriture
+                f.write(f"""
+                Tu as utilisé un outil, qui a retourné ceci:
+                {msg.content}
+                """) # TODO: Trouver un moyen d'ajouter le nom de l'outil depuis les ToolCall vers ce write
+
+            msg.content = f"Pour voir le compte-rendu complet de cet outil, utilise ton outil 'read_file(file_path=\"outils_resumes/{file_name}\")'.\n Résumé:\n" + \
+                llm.invoke(PROMPT_SUMMARY + msg.content).content
+            newMessages.append(msg)
+
+        else:
+            # SystemMessage. Je ne les modifie pas
+            newMessages.append(msg)
+
+        lastSummarizedMessage+=1
+
+    return {'messages': newMessages, 'lastSummarizedMessage': lastSummarizedMessage} # Je retourne une liste entière, ce qui devrait remplacer toute la liste au lieu d'ajouter un simple message
+
+# 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 ?
+    """
+    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):
     """
-    Use in the conditional_edge to route to the ToolNode if the last message
-    has tool calls. Otherwise, route to the end.
+    Vérifier s'il y a un appel aux outils dans le dernier message
     """
     if isinstance(state, list):
         ai_message = state[-1]
@@ -39,4 +155,49 @@ def should_continue(state: MessagesState):
 
     if hasattr(ai_message, "tool_calls") and len(ai_message.tool_calls) > 0:
         return "tools"
-    return END
+    return "no_tools"
+
+weekly_report_tools = ToolNode(tools=getWeeklyReportTools())
+tool_node = ToolNode(tools=getTools())
+
+
+class BasicToolNode: # De mon ancien projet, https://github.com/LJ5O/Assistant/blob/main/modules/Brain/src/LLM/graph/nodes/BasicToolNode.py
+    """A node that runs the tools requested in the last AIMessage."""
+
+    def __init__(self, tools: list) -> None:
+        self.tools_by_name = {tool.name: tool for tool in tools}
+
+    def __call__(self, inputs: dict):
+        if messages := inputs.get("messages", []):
+            message = messages[-1]
+        else:
+            raise ValueError("No message found in input")
+        outputs = []
+        for tool_call in message.tool_calls:
+            #print(tool_call["args"])
+            tool_result = self.tools_by_name[tool_call["name"]].invoke(
+                tool_call["args"]
+            )
+            outputs.append(
+                ToolMessage(
+                    content=json.dumps(tool_result),
+                    name=tool_call["name"],
+                    tool_call_id=tool_call["id"],
+                )
+            )
+        return {"messages": outputs}
+
+# 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.
+
+    Returns:
+        str: Faut-il générer les résumés ?
+    """
+    # Récupérer le chemin vers le point d'entrée
+    base_dir: Path = Path(sys.argv[0]).resolve().parent
+    reports_dir = base_dir / "rapports_resumes" # Chemin du dossier des rapports
+    if os.path.isdir(reports_dir):
+        return "résumés déjà générés"
+    else: return "résumés non disponibles"

AgentReact/utils/state.py

@@ -10,6 +10,8 @@ class CustomState(MessagesState):
     ragQuery: str # Requête envoyée au RAG, pour le cross-encodeur
     ragDocuments: List[str] # Documents retrouvés par le RAG, pour le cross-encodeur
 
+    lastSummarizedMessage: int # Index du message où l'on s'était arrêté de résumer
+
     # TODO: Ajouter la source des documents sélectionnés pour la fin du rapport ?
 
 

AgentReact/utils/tools.py

@@ -4,9 +4,12 @@ from tavily import TavilyClient
 from pathlib import Path
 from typing import List, Dict, Annotated
 import sys
-from .StateElements.TodoElement import TodoElement
+import os
+from langgraph.types import interrupt
 
+from .StateElements.TodoElement import TodoElement
 from .VectorDatabase import VectorDatabase
+from .InterruptPayload import InterruptPayload
 
 @tool
 def internet_search(query: str)->dict:
@@ -18,7 +21,16 @@ def internet_search(query: str)->dict:
     Returns:
         dict: Retour de la recherche
     """
-    return TavilyClient().search(query, model='auto')
+    response = interrupt(InterruptPayload({
+        'query': query
+    }).toJSON())
+
+    resp = InterruptPayload.fromJSON(response) # Je reforme mon objet depuis la string json
+
+    if resp.isAccepted():
+        return TavilyClient().search(resp.get("query"), model='auto')
+    else:
+        return {'error': "Utilisation de cet outil refusée par l'utilisateur"}
     
 
 @tool
@@ -48,13 +60,13 @@ def write_file(file_path:str, content: str, append:bool=True) -> str:
         return f"Erreur lors de l'écriture: {str(e)}"
 
 @tool
-def editTodo(index:int, state:int, state: Annotated[dict, InjectedState])->bool: # https://stackoverflow.com/a/79525434
+def editTodo(index:int, todoState:int, state: Annotated[dict, InjectedState])->bool: # https://stackoverflow.com/a/79525434
     """
     Modifier l'état d'une tâche (TODO)
 
     Args:
         index (int): Index de la tâche à modifier, en commançant à 0 pour la première tâche.
-        state (int): Nouvel état. 0 pour "non commencé, 1 pour "en cours", 2 pour "complété"
+        todoState (int): Nouvel état. 0 pour "non commencé, 1 pour "en cours", 2 pour "complété"
 
     Returns:
         bool: Réussite de l'opération, ou non.
@@ -63,7 +75,7 @@ def editTodo(index:int, state:int, state: Annotated[dict, InjectedState])->bool:
         # Erreur, l'index est trop grand
         return False
 
-    state["todo"][index].state = state # Modification de l'état de cette tâche
+    state["todo"][index].state = todoState # Modification de l'état de cette tâche
 
     # Toutes les tâches complétées ?
     found = False
@@ -168,9 +180,9 @@ def search_in_files(query:str, state: Annotated[dict, InjectedState])->str:
     Returns:
         str: Échantillons de documents correspondants, concaténés en une seule chaîne de caractères.
     """
-    bdd = VectorDatabase() # Récupère l'unique instance de cette BDD, c'est un SIngleton
+    bdd = VectorDatabase.getChroma() # Récupère l'unique instance de cette BDD, c'est un SIngleton
 
-    retrieved_docs = bdd.getChroma().similarity_search(query, k=5) # 5 documents
+    retrieved_docs = bdd.similarity_search(query, k=5) # 5 documents
 
     # Conversion des documents en texte
     docs_content = "\n".join(
@@ -183,9 +195,72 @@ def search_in_files(query:str, state: Annotated[dict, InjectedState])->str:
 
     return docs_content # Retourne la liste de documents trouvés
 
+@tool
+def write_week_report(numero_semaine:int, contenu:str)->str:
+    """
+    Écrire un rapport sur une semaine du stage. Sauvegardera ce rapport dans un fichier en mémoire pour un usage futur.
+
+    Args:
+        numero_semaine (int): Semaine du stage. Commence à 1 pour la première semaine
+        contenu (str): Ce qu'il faut écrire dans ce rapport
+
+    Returns:
+        str: CHemin vers le fichier, ou une erreur en cas de problème
+    """
+    try:
+        # Récupérer le chemin vers le point d'entrée
+        base_dir: Path = Path(sys.argv[0]).resolve().parent
+        reports_dir = base_dir / "rapports_resumes" # Chemin du dossier des rapports
+        reports_dir.mkdir(parents=True, exist_ok=True) # Créer le dossier
+
+        file_name = f"rapport_semaine_{numero_semaine}.txt"
+        full_path = reports_dir / file_name
+
+        with open(full_path, "w", encoding="utf-8") as f: # Écrire le contenu
+                f.write(contenu)
+
+        return str(full_path)
+
+    except Exception as e:
+        return f"Erreur lors de l'écriture: {str(e)}"
+
+@tool
+def write_library_tools_details_on_internship(contenu:str)->str:
+    """
+    Enregistrer les détails sur le stage.
+    Utilise cet outil pour enregistrer tous les outils, logiciels, programmes, entreprises, ect.. utilisés pendant le stage.
+
+    Args:
+        contenu (str): Une liste de tous les éléments intéréssants, avec quelques détails sur chacun.
+
+    Returns:
+        str: CHemin vers le fichier, ou une erreur en cas de problème
+    """
+    try:
+        # Récupérer le chemin vers le point d'entrée
+        base_dir: Path = Path(sys.argv[0]).resolve().parent
+        reports_dir = base_dir / "rapports_resumes" # Chemin du dossier des rapports
+        reports_dir.mkdir(parents=True, exist_ok=True) # Créer le dossier
+
+        file_name = f"rapport_outils.txt"
+        full_path = reports_dir / file_name
+
+        with open(full_path, "w", encoding="utf-8") as f: # Écrire le contenu
+                f.write(contenu)
+
+        return str(full_path)
+
+    except Exception as e:
+        return f"Erreur lors de l'écriture: {str(e)}"
 
 def getTools()->List['Tools']:
     """
     Récupérer la liste des tools
     """
-    return [internet_search, write_file, editTodo, read_file, ask_human, search_in_files, addTodo, removeTodo]
+    return [internet_search, write_file, editTodo, read_file, ask_human, search_in_files, addTodo, removeTodo]
+
+def getWeeklyReportTools()->List['Tools']:
+    """
+    Récupérer la liste des tools, POUR LE LLM EN CHARGE DE FAIRE LES RAPPORTS DE CHAQUE SEMAINE
+    """
+    return [write_week_report, write_library_tools_details_on_internship, internet_search, search_in_files]

RAG/init.py

@@ -43,7 +43,7 @@ print("===")
 # Création du modèle d'embeddings 
 # https://docs.langchain.com/oss/python/integrations/text_embedding/huggingfacehub
 # https://huggingface.co/jinaai/jina-clip-v2
-embeddings = HuggingFaceEmbeddings(model_name="jinaai/jina-embeddings-v3", model_kwargs={"trust_remote_code": True})
+embeddings = HuggingFaceEmbeddings(model_name="intfloat/multilingual-e5-large", model_kwargs={"trust_remote_code": True})
 
 # Stockage des embeddings dans ChromaDB dans un dossier local "chroma_db"
 vectorstore = Chroma.from_documents(documents=chunks,embedding=embeddings, persist_directory=base_dir.as_posix()+"/chroma_db/",) # https://docs.langchain.com/oss/python/integrations/vectorstores/chroma

readme.md

@@ -4,6 +4,7 @@
 
 ## Workflow
 ![image](imgs/workflow.png)
+![workflow](imgs/agent.png)
 
 ## Mise en place
 

roadmap.md

@@ -13,14 +13,17 @@
 ## Mise en place de l'agent
 - [X] Préparation du `State`
 - [X] Développement des outils de l'agent
-- [ ] Préparation des nœuds
-- [ ] Branchement des nœuds entre-eux
+- [X] Préparation des nœuds
+- [X] Branchement des nœuds entre-eux, **MVP**
+- [X] Human in the loop
+- [X] Amélioration du workflow
+- [X] Gestion de la taille du contexte - Résumé de l'historique des messages
 
 ## 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
-- [ ] Gestion de la taille du contexte - Résumé de l'historique des messages
 - [ ] Détection de *prompt injection*
 - [ ] Génération d'un PDF en sortie du système