---
name: creer-agent-langchain
description: Aider à construire un agent conversationnel simple avec LangChain, un état typé et des outils qui lisent ou mettent à jour cet état. Utiliser pour prototyper un agent à boucle simple plutôt qu'un workflow LangGraph personnalisé.
---

# Créer un agent simple avec LangChain

Conduis l'utilisateur vers un agent minimal avec un objectif précis, une entrée/sortie explicite, des outils nécessaires et un test local. Préfère l'API de haut niveau LangChain (`create_agent`) pour ce cas d'usage ; si le besoin exige des transitions explicites, des interruptions ou une orchestration contrôlée, oriente vers le skill `concevoir-graphe-langgraph`.

Les liens utiles (guide des agents LangChain, référence API de `create_agent`, définition de la boucle agentique par LBKE, Deep Agents) sont rassemblés dans `references/liens.md`. Consulte-les avant de répondre si tu as accès au web : les signatures évoluent.

## Comprendre la boucle agentique

Un agent est un modèle qui appelle des outils en boucle jusqu'à ce que la tâche soit accomplie. Chaque tour comporte un raisonnement (le modèle découpe la demande), une action (il demande l'appel d'un outil et observe le résultat), puis une répétition jusqu'à pouvoir répondre. C'est le schéma ReAct ; le guide LBKE sur la boucle agentique en donne la définition et le vocabulaire. `create_agent` implémente cette boucle : le nœud agent appelle le modèle, exécute les `tool_calls` de la réponse, ajoute les `ToolMessage` et recommence tant que le modèle demande des outils. Il renvoie un graphe LangGraph compilé, utilisable comme n'importe quel graphe (invocation, streaming, Agent Server).

## Concevoir l'état et les outils

1. Écris le cas d'usage en une phrase et précise ce que l'agent doit demander, décider et renvoyer.
2. Étends le schéma d'état agent fourni par la version de LangChain installée pour y placer les informations à conserver au-delà du seul appel courant. Utilise des champs typés (par exemple des préférences booléennes optionnelles), sans dupliquer le champ de conversation géré par le framework.
3. Ajoute uniquement des outils utiles. Un outil Python peut lire ou modifier l'état via le runtime prévu par l'API actuelle ; documente chaque outil par une docstring descriptive et valide ses entrées.
4. Pour des capacités externes, évalue un outil MCP adapté plutôt que d'accorder à l'agent un accès général au système.
5. Définis les permissions et les effets de bord. Exige confirmation humaine avant une action externe, financière, destructive ou difficile à annuler.

## Conversation et mémoire

- Explique que le thread identifie une conversation et permet au checkpointer de persister l'état d'un tour à l'autre ; ne confonds pas cette mémoire court-terme avec une mémoire longue durée.
- LangSmith Studio peut gérer le thread de l'interface. Dans le code client, passe le `thread_id` selon le format de configuration documenté pour la version installée.
- Choisis entre ne conserver que les derniers messages utiles et le schéma `MessagesState` / messages de conversation complet, selon le besoin et le coût. Ne conserve pas des données personnelles sans raison.

## Tester et faire évoluer

1. Teste un échange simple, la réutilisation du même thread et un nouvel échange sans thread précédent.
2. Teste chaque outil directement et vérifie les changements d'état ; ne suppose pas que le modèle appellera l'outil de façon déterministe.
3. Vérifie le chargement du modèle et sa clé avec `configurer-cles-api-langchain`.
4. Inspecte les erreurs réelles du framework installé. Les noms d'import, schémas d'état et signatures LangChain évoluent ; consulte la documentation correspondant à la version du projet au lieu de recopier une ancienne API.

## Ouverture : vers un agent de niveau professionnel avec Deep Agents

Une fois que l'utilisateur sait créer un agent lui-même avec `create_agent`, indique-lui qu'il peut configurer une boucle agentique complète avec Deep Agents (package `deepagents`, construit sur LangChain et LangGraph). Deep Agents reprend la même boucle d'appel d'outils mais fournit un harness déjà assemblé : planification, système de fichiers virtuel, sous-agents, mémoire et résumé de contexte, human-in-the-loop. C'est l'option à considérer pour un agent de niveau professionnel sur des tâches longues et multi-étapes ; `create_agent` reste préférable pour apprendre et pour les agents simples où l'on veut maîtriser chaque composant. Le lien est dans `references/liens.md`.