Architecture de la réduction contexte

Architecture uniquement, pas implémenté

AgentReact/agent.py

@@ -16,24 +16,35 @@ def getGraph()->CompiledStateGraph:
     workflow = getState() # State prêt à utiliser
 
     # Définition des sommets du graphe
-    workflow.add_node(call_to_LLM)
+    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("inject_preparation_prompt")
+    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":"call_to_LLM"
+        "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.set_entry_point("call_to_LLM")
     workflow.add_edge("weekly_report_tools", "preparation_docs")
-    workflow.add_edge("tool_node", "call_to_LLM")
+    workflow.add_conditional_edges("tool_node", should_shorten, {
-    workflow.add_conditional_edges("call_to_LLM", should_continue, {
+        '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/InterruptPayload.py

@@ -10,9 +10,21 @@ class InterruptPayload():
     #EDITED = 2
     DENIED = 3
 
-    def __init__(self, fields:Dict, state:int=0):
+    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:
         """
@@ -39,7 +51,22 @@ class InterruptPayload():
         """
         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())
@@ -86,7 +113,7 @@ class InterruptPayload():
         Returns:
             str: String sérialisable via la méthode statique InterruptPayload.strImport(string)
         """
-        return '{"state":'+ str(self.__state) +', "fields": ' + json.dumps(self.__fields, ensure_ascii=False, indent=indent) +'}'
+        return '{"state":'+ str(self.__state) +', "type": '+str(self.__type)+', "fields": ' + json.dumps(self.__fields, ensure_ascii=False, indent=indent) +'}'
 
     
     @staticmethod
@@ -104,8 +131,9 @@ class InterruptPayload():
         
         state_ = data.get("state", 0)
         fields_ = data.get("fields", {})
+        type_ = data.get("type", InterruptPayload.TOOL_CALL)
 
-        return InterruptPayload(fields=fields_, state=state_)
+        return InterruptPayload(fields=fields_, state=state_, payload_type=type_)
                 
             
 

AgentReact/utils/nodes.py

@@ -3,8 +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
@@ -22,7 +26,9 @@ 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. Pour enregistrer chaque semaine du stage, utilise l'outil 'write_week_report'.\
+        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'."
     )}
@@ -33,7 +39,27 @@ def preparation_docs(state: CustomState):
 
     return {'messages': model.invoke(state['messages'])}
 
-def call_to_LLM(state: MessagesState):
+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())
@@ -41,6 +67,30 @@ def call_to_LLM(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):
     """
@@ -57,21 +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())
 
@@ -101,3 +136,18 @@ class BasicToolNode: # De mon ancien projet, https://github.com/LJ5O/Assistant/b
                 )
             )
         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"

roadmap.md

@@ -16,13 +16,14 @@
 - [X] Préparation des nœuds
 - [X] Branchement des nœuds entre-eux, **MVP**
 - [X] Human in the loop
-- [ ] Amélioration du workflow
+- [X] Amélioration du workflow
+- [ ] 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