Importer une application LangGraph — un graphe et son checkpointer
Le langgraph.json d’une application LangGraph — un graphe, qui conserve son état dans PostgreSQL — transformé en brouillons de fichiers Aggrega par aggrega import, avec le modèle qu’appelle le graphe et l’image de l’application fournis une seule fois dans un fichier de réponses, et compilé pour Docker Compose.
Importer une application LangGraph le présente pas à pas : la commande, ce qu’elle demande, les fichiers qu’elle écrit et la raison d’être de chaque ligne, la compilation, et le graphe en cours d’exécution. Ce dossier contient chaque étape de ce tutoriel :
| dossier ou fichier | ce qu’il contient |
|---|---|
source/ | le langgraph.json de l’application, le .aggrega-config.yaml qui fait du dossier un espace de travail, et import-answers.yaml, les valeurs qu’aucune configuration ne contient : le modèle, l’image de l’application et les noms des Secrets Kubernetes dans lesquels une compilation pour Kubernetes lit la clé et le mot de passe de la base de données |
draft/ | les fichiers que aggrega import . --target compose a écrits, inchangés, release.lock compris, et ce qu’il a affiché : stdout.txt sur la sortie standard, import.txt sur la sortie d’erreur standard |
La configuration est écrite pour cet exemple. Le code de l’application n’en fait pas partie : l’import ne le lit jamais, et la Release nomme l’image dans laquelle il s’exécute.
Dans un checkout du dépôt de la documentation, check.sh exécute à nouveau l’import, compare ce qu’il écrit et affiche avec draft/, compare les blocs que le tutoriel cite avec ces fichiers, et valide et compile ce que l’import a écrit. Il nécessite le catalogue de la bibliothèque standard (où en obtenir un) extrait à côté de ce dépôt, ou son répertoire indiqué dans AGGREGA_CATALOG_DIRS.
Générer l’exemple
Vous pouvez exécuter l’import de cet exemple avec les commandes ci-dessous, ou le faire exécuter par votre assistant IA.
Écrivez l’exemple dans un nouveau dossier qui porte son nom :
aggrega scaffold --example import-langgraphElle affiche ensuite les prochaines commandes à exécuter. La première vous place dans le nouveau dossier :
cd import-langgraphBuild
L’import rédige les brouillons des fichiers Aggrega à côté du projet, dans source/. Il évalue le projet au regard du catalogue de la bibliothèque standard, que le registre par défaut de l’espace de travail publie sous la forme d’un instantané signé : le premier import le récupère, le vérifie, le conserve dans le cache de contenu de l’espace de travail et le nomme par son condensé dans l’enregistrement qu’il écrit à côté des brouillons. Un espace de travail qui nomme ses propres dossiers de catalogue — dans AGGREGA_CATALOG_DIRS, ou sous workspace.catalog_dirs — importe plutôt par rapport à ceux-ci. L’import lit le modèle et l’image dans import-answers.yaml, puis récupère ce dont dépend la Release rédigée, de sorte que la compilation suit aussitôt :
cd sourceaggrega import . --target composeaggrega build --release release.yamlL’image que nomme l’exemple tient lieu de celle que vous construisez à partir de votre projet ; sa construction et l’exécution de la stack sont décrites dans le tutoriel indiqué ci-dessus.
Avec un assistant IA
Un assistant IA configuré avec les outils d’Aggrega peut faire de même : collez-lui ce prompt.
Utilisez uniquement les outils Aggrega et ne créez vous-même aucun dossier. Si le dossier de l’espace de travail ne contient pas encore de dossier `import-langgraph`, appelez une fois l’outil `scaffold` avec `example` défini à `import-langgraph` et sans `dir` : il écrit l’exemple dans un nouveau dossier `import-langgraph`, dont le dossier `source` contient ce que cet exemple importe. Appelez ensuite l’outil `import` avec `workspace_root` défini à `import-langgraph/source`, `source` défini à `.` et `target` défini à `compose` : il lit les réponses dont il a besoin dans `import-answers.yaml`, à côté de `langgraph.json`, écrit ses brouillons dans `import-langgraph/source` et récupère ce dont ils ont besoin. Appelez ensuite l’outil `validate` avec `workspace_root` défini à `import-langgraph/source` et `release` défini à `release.yaml`, puis l’outil `build` avec `workspace_root` défini à `import-langgraph/source`, `release` défini à `release.yaml` et `write` défini à true. Indiquez-moi quels fichiers le build a écrits ; ils se trouvent sous `import-langgraph/source/dist/`.Tester
Avec la stack en cours d’exécution telle que le guide l’exécute, une requête atteint le graphe. La route ci-dessous est celle du propre programme du guide, un petit serveur HTTP sur le port 8000 ; votre propre programme décide de la sienne. La Release publie le graphe sur 127.0.0.1:8000, la requête part donc de votre machine :
curl -sS -X POST http://127.0.0.1:8000/threads/order-1234/runs -H 'Content-Type: application/json' \ -d '{"message": "Where is my order 1234? It has not arrived yet."}'{ "thread": "order-1234", "error": "the run failed: OpenAIAuthenticationError: Error code: 401 - Incorrect API key provided: sk-place************-key. [… omitted: where to find an API key]"}La clé de l’exécution était un espace réservé, la réponse est donc le refus de cette clé par OpenAI. Sur Kubernetes, redirigez un port local vers le Deployment, qui n’a pas de Service, et envoyez-lui la même requête depuis un autre terminal :
kubectl port-forward deploy/support 8000:8000curl -sS -X POST http://127.0.0.1:8000/threads/order-1234/runs -H 'Content-Type: application/json' \ -d '{"message": "Where is my order 1234? It has not arrived yet."}'La réponse est la même.