coffreobsidian/Serveur perso/Agent LLM Classes recherches 1.md

# ollama_interface.py
import requests

class OllamaInterface:
    def __init__(self, model="mistral", **params):
        self.model = model
        self.params = params
        self.api_url = "http://localhost:11434/api/generate"

    def generate(self, prompt: str) -> str:
        payload = {"model": self.model, "prompt": prompt, **self.params}
        try:
            response = requests.post(self.api_url, json=payload)
            response.raise_for_status()
            return response.json().get("response", "")
        except Exception as e:
            return f"[Error] {e}"


# base_agent.py
from ollama_interface import OllamaInterface

class BaseAgent:
    def __init__(self, name, model="mistral", system_prompt="", **params):
        self.name = name
        self.system_prompt = system_prompt.strip()
        self.llm = OllamaInterface(model=model, **params)

    def process(self, input_text: str) -> str:
        prompt = f"{self.system_prompt}\n\n{input_text}" if self.system_prompt else input_text
        return self.llm.generate(prompt)


# agents.py
from base_agent import BaseAgent

class ObsidianAgent(BaseAgent):
    def __init__(self):
        super().__init__(
            name="ObsidianAgent",
            model="mistral",
            system_prompt="Tu es un assistant spécialisé dans la structuration et la synthèse de notes Markdown dans Obsidian.",
            temperature=0.6, top_k=40, top_p=0.95
        )

class CursorAgent(BaseAgent):
    def __init__(self):
        super().__init__(
            name="CursorAgent",
            model="codellama:13b-python",
            system_prompt="Tu es un assistant de développement intégré à Cursor, spécialisé Python. Reste précis, rapide et concis.",
            temperature=0.3, top_k=60, top_p=0.9
        )

class MistralServerAgent(BaseAgent):
    def __init__(self):
        super().__init__(
            name="MistralServerAgent",
            model="mistral:7b-instruct",
            system_prompt="Tu es un chatbot concis et réactif utilisé via une interface web.",
            temperature=0.7, top_k=40, top_p=0.92
        )


# agent_chain.py
class AgentChain:
    def __init__(self, chain_mode=True):
        self.agents = []
        self.chain_mode = chain_mode

    def add_agent(self, agent):
        self.agents.append(agent)

    def run(self, input_text):
        if not self.agents:
            return "[Error] Aucun agent enregistré."

        if self.chain_mode:
            result = input_text
            for agent in self.agents:
                result = agent.process(result)
            return result
        else:
            return {agent.name: agent.process(input_text) for agent in self.agents}


# main.py
from agents import ObsidianAgent, CursorAgent, MistralServerAgent
from agent_chain import AgentChain

obsidian = ObsidianAgent()
cursor = CursorAgent()
mistral_web = MistralServerAgent()

# Exemple avec chain_mode=False pour obtenir toutes les réponses séparément
dual_chain = AgentChain(chain_mode=False)
dual_chain.add_agent(obsidian)
dual_chain.add_agent(cursor)
dual_chain.add_agent(mistral_web)

input_text = "Organise mes notes Markdown sur un projet de chatbot Python."
results = dual_chain.run(input_text)
for agent_name, output in results.items():
    print(f"\n[{agent_name}]\n{output}")

# Exemple avec chain_mode=True pour chaîner les réponses
print("\n--- Mode Chaîné ---")
chained = AgentChain(chain_mode=True)
chained.add_agent(obsidian)
chained.add_agent(cursor)
chained.add_agent(mistral_web)

final_output = chained.run(input_text)
print("\n[Résultat Final Chaîné]\n", final_output)

[[Agent LLM recherches 2]]
[[Création de classes agents pour LLM locaux avec Cursor et Ollama]]