HELLOMEDHIRA/agloom

Que fait agloom ?

Framework d'agents de production basé sur LangChain/LangGraph : neuf modèles d'exécution, mémoire persistante, compétences, retours, HITL multi-niveaux, protocole MCP/AGP, pont d'exécution et hooks d'observabilité.

Introduction

agloom est un framework modulaire et extensible pour construire des agents IA capables de s'adapter à des flux de travail complexes. Il s'appuie sur les concepts de LangGraph pour la gestion des graphes d'état et offre une architecture flexible pour orchestrer les décisions des agents.

Caractéristiques principales

• Neuf modèles d'exécution : séquence, flux parallèle, arbre de décision, etc.
• Mémoire persistante : stockage et rappel des interactions précédentes.
• Système de compétences : modules réutilisables que les agents peuvent invoquer.
• Boucle de rétroaction : mécanisme de retour pour améliorer les performances.
• HITL multi-niveaux : intervention humaine à différents stades du processus.
• Protocole MCP : intégration avec des outils et des modèles externes via le Model Context Protocol.
• Protocole AGP : communication standardisée avec les passerelles d'agents.
• Pont d'exécution : adaptation à différents environnements d'hébergement (serveur, edge, local).
• Hooks d'observabilité : points d'ancrage pour le logging, le monitoring et le debugging.

Modèles d'exécution

gloom supporte les modèles suivants (liste non exhaustive) :

1. sequential - exécution linéaire des étapes.
2. parallel - exécution simultanée de branches indépendantes.
3. conditional - choix de la branche en fonction d'une condition.
4. loop - répétition jusqu'à satisfaction d'un critère.
5. feedback - boucle avec évaluation et correction.
6. human-in-the-loop - pause et attente de validation humaine.
7. tool-call - délégation à des outils externes.
8. memory-enhanced - utilisation de la mémoire persistante pour enrichir les appels.
9. hybrid - combinaison de plusieurs modèles.

Installation

pip install agloom

ou via poetry :

poetry add agloom

Démarrage rapide

from agloom import Agent, ExecutionPattern

# Créer un agent
agent = Agent(
    name="mon-agent",
    model="gpt-4",
    pattern=ExecutionPattern.SEQUENTIAL
)

# Exécuter une tâche
result = agent.run("Résume le document suivant...")
print(result)

Configuration de la mémoire

from agloom.memory import PersistentMemory

memory = PersistentMemory(
    backend="sqlite",
    path="./memory.db"
)
agent.set_memory(memory)

Utilisation des compétences

Les compétences sont des modules réutilisables enregistrés via un décorateur :

@agent.skill
def analyser_sentiment(texte: str) -> str:
    # Logique d'analyse
    return "positif"

Hooks d'observabilité

@agent.on_execution
def log_execution(context):
    print(f"Étape : {context.current_step}")

Support des protocoles

• MCP : configurer dans config.yaml :

  mcp:
    enabled: true
    endpoint: "http://mcp-server:8000"
  

• AGP : activé par défaut via le pont d'exécution.

Documentation complète

Voir le dossier docs/ pour une documentation détaillée (en anglais).

Licence

MIT License.