import gradio as gr
from langchain.chat_models import init_chat_model
from langchain_core.tools import tool
from langchain_core.messages import HumanMessage, AIMessage
from langchain.agents import AgentExecutor, create_tool_calling_agent
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
# ----------------------
# 1. Tool
# ----------------------
@tool
def smart_get_info(app: str) -> str:
"""Fournit des informations sur une application."""
return f"[INFO] L'application {app} est gérée par l'équipe IT Sécurité."
tools = [smart_get_info]
# ----------------------
# 2. Modèle LLM Mistral via Ollama
# ----------------------
from langchain_openai import ChatOpenAI
llm = ChatOpenAI(
base_url="http://localhost:11434/v1",
model_name="mistral:latest",
api_key="ollama",
temperature=0,
streaming=True
)
from langchain.chat_models import ChatOpenAI
llm = ChatOpenAI(
base_url="https://mon-vllm-serveur:8000/v1", # HTTPS
api_key="sk-mon-token",
model_name="mistral",
request_timeout=60,
default_headers={"Authorization": "Bearer sk-mon-token"},
http_client_args={
"verify": "/chemin/vers/ca.pem" # ← ici ton fichier CA
}
)
# ----------------------
# 3. Prompt Chat (complet)
# ----------------------
prompt = ChatPromptTemplate.from_messages([
("system", """Tu es un assistant spécialisé en recertification d'applications.
Réponds normalement aux questions simples comme 'Bonjour', sans appeler d'outil.
N'utilise les tools que si c'est nécessaire pour répondre à une demande d'information précise sur une application."""),
MessagesPlaceholder(variable_name="chat_history"),
("human", "{input}"),
MessagesPlaceholder(variable_name="agent_scratchpad"),
])
# ----------------------
# 4. Création de l’agent
# ----------------------
agent = create_tool_calling_agent(llm=llm, tools=tools, prompt=prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)
# ----------------------
# 5. Interface Gradio avec gestion de chat_history
# ----------------------
chat_history = []
def ask_agent(user_input):
global chat_history
chat_history.append(HumanMessage(content=user_input))
response = agent_executor.invoke({
"input": user_input,
"chat_history": chat_history
})
chat_history.append(AIMessage(content=response["output"])) # ← on reconstruit un message ici
return response["output"] # on retourne directement le texte
gr.Interface(
fn=ask_agent,
inputs="text",
outputs="text",
title="Agent Mistral (Ollama) - Tool Calling Moderne",
live=False
).launch(server_name="127.0.0.1", share=False)
