Plan & Execute Agent

Agent autonome inspiré des approches Anthropic / OpenAI Agents, capable de :

• Décomposer automatiquement une tâche complexe
• Choisir dynamiquement les outils nécessaires
• Exécuter chaque étape de manière autonome
• Accumuler et exploiter un contexte multi-étapes
• Utiliser un moteur RAG interne (ChromaDB)
• Produire une réponse finale synthétique

---

Fonctionnalités

1. Task Decomposition

Lorsqu’on pose une tâche complexe :

"Analyse le module geometry et compare avec physics"

Le système :

• Analyse la demande
• Génère des sous-tâches cohérentes
• Produit une liste numérotée prête à l'exécution

Exemple :

1.   Lister les fichiers du module geometry
    
2.   Lire le fichier principal
    
3.   Lister les fichiers du module physics
    
4.   Comparer les deux structures
    
5.   Rédiger une synthèse

2. Tool Selection

Le LLM choisit automatiquement quel outil utiliser pour chaque étape.

Outils disponibles :

• list_files : liste les fichiers d’un dossier
• read_file : lit le contenu d’un fichier
• search : interrogation du RAG interne (ChromaDB)

Possibilité de rajouter des tools dans source/executor.py

Le système détermine :

• Quel tool convient
• Quel input lui passer
• Quand utiliser le RAG
• Quand réutiliser les résultats précédents

3. Déroulement de l'exécution

Chaque étape du plan est réellement exécutée :

• Le tool choisi est appelé
• Le résultat est capturé
• Le résultat est ajouté au contexte global
• Le système affiche chaque étape dans la console

4. Context Memory

Le système accumule :

• les résultats intermédiaires
• les décisions précédentes
• le contenu des fichiers lus
• les outputs du RAG

Installation

1. Installation des dépendances

pip install -r requirements.txt

2. Ajouter la clé API OpenAI

Créer .env :

cp .env.example .env

OPENAI_API_KEY="votre_cle"

Ingestion

Places ton corpus de docs ou garde ceux déjà en place dans data/docs_corpus

Lance :

python source/embed.py

Note : si vous souhaitez recréer une base vectorielle, il vous suffit de supprimer la base dans le fichier data/vector_db puis de relancer python source/embed.py

/!\ Attention à ne pas supprimer le .gitignore dans le dossier

Utilisation de l'app

Lance :

python source/plan_and_execute.py