Aller au contenu

Quickstart Agent

Ajouter un agent LangGraph minimal à un service.

Prérequis

  • Python 3.13
  • uv
  • LM Studio si tu utilises un LLM local

Étapes

Si tu n'as pas encore de projet :

Bash
1
2
3
uvx --from arclith-cli arclith-cli init todo-agent --dir .
cd todo-agent
uv sync
Bash
 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
uv add "arclith[langgraph]"
uvx --from arclith-cli arclith-cli add-adapter \
  --capability agent \
  --adapter langgraph \
  --yes

uvx --from arclith-cli arclith-cli add-adapter \
  --capability agent-persistence \
  --adapter langgraph \
  --param checkpointer=memory \
  --param store=memory \
  --yes
uv sync

Pour un LLM local :

Bash
1
2
3
4
5
uvx --from arclith-cli arclith-cli add-adapter \
  --capability llm \
  --adapter lmstudio \
  --param model_name="<model-id-lm-studio>" \
  --yes

Validation

Bash
1
2
3
export LANGSMITH_TRACING=false
export LANGGRAPH_CLI_NO_ANALYTICS=1
uv run langgraph dev --no-browser --allow-blocking --port 2024

Cette commande est volatile et réservée au développement. Pour conserver threads, runs et checkpoints en production sans licence LangGraph Cloud, installer arclith[langgraph-runtime] et utiliser ARCLITH_AGENT_RUNTIME=durable; voir Agent Persistence.

Dans un second terminal:

Bash
 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
curl -N -X POST "http://127.0.0.1:2024/runs/stream" \
  -H "Content-Type: application/json" \
  -d '{
    "assistant_id": "agent",
    "input": {
      "messages": [
        {"role": "human", "content": "Réponds uniquement: ok"}
      ]
    },
    "stream_mode": "values"
  }'

Pour inspecter l'état après le run, utiliser un thread:

Bash
1
2
3
4
5
6
7
8
9
THREAD_ID=$(curl -fsS -X POST "http://127.0.0.1:2024/threads" \
  -H "Content-Type: application/json" \
  -d '{}' | python -c 'import json,sys; print(json.load(sys.stdin)["thread_id"])')

curl -N -X POST "http://127.0.0.1:2024/threads/$THREAD_ID/runs/stream" \
  -H "Content-Type: application/json" \
  -d '{"assistant_id":"agent","input":{"messages":[{"role":"human","content":"Réponds uniquement: ok"}]},"stream_mode":"values"}'

curl -fsS "http://127.0.0.1:2024/threads/$THREAD_ID/state" | python -m json.tool

Résultat

L'Agent Server local répond sur http://127.0.0.1:2024. La documentation API locale est disponible sur http://127.0.0.1:2024/docs.

LangGraph Studio détecte aussi le graphe généré depuis langgraph.json, mais son UI hébergée nécessite un accès internet. Hors ligne, la validation se fait par API ou SDK.

Le graphe initial exécute un node inerte, conserve les messages et renseigne state_version=1 ; aucun LLM n'est appelé. Son organisation complète existe déjà : agent.py expose l'entrypoint, graph.py montre la topologie, state.py et context.py définissent les contrats, et les packages nodes/capabilities/subgraphs/ tools/prompts/parsers/presenters/policies/persistence/shared sont documentés. Le projet implémente ses fonctionnalités dans ces emplacements ; voir le blueprint LangGraph.

Média

Média à produire

Capture : terminal avec langgraph dev et réponse API. Vidéo : ajout agent, lancement local, premier run API, puis Studio si internet disponible.

Suite

Lire agent/langgraph, persistance agent, Validation IA locale, puis le parcours Todo agent.