Créer un agent

Assemblez un graphe cognitif pour la prise de décision et des graphes d’actions pour l'exécution pour créer un agent.

Dans ce tutoriel, nous allons voir comment créer un agent on-chain intelligent basé sur le framework @ai.ntellect/core . L'agent sera capable de prendre des décisions, exécuter des actions sur la blockchain, mémoriser des informations et interagir avec un LLM comme OpenAI.

---

Prérequis

Avant de commencer, assurez-vous d'avoir installé les dépendances suivantes :

npm install @ai-sdk/openai ai dotenv viem zod @ai.ntellect/core

Variables d'environnement

Vous aurez besoin d'un fichier .env contenant les informations suivantes :

OPENAI_API_KEY=your_openai_api_key
MEILISEARCH_API_KEY=your_meilisearch_api_key
MEILISEARCH_HOST=your_meilisearch_host
PRIVATE_KEY=your_private_key

Ces informations sont utilisées pour :

• OpenAI : Génération de texte et embeddings pour les décisions de l'agent.

• Meilisearch : Stockage des connaissances de l'agent.

• Viem : Gestion des transactions blockchain.

---

Définition du contexte

Nous devons définir les réseaux blockchain et le contexte de notre agent.

import { Chain } from "viem";
import * as chains from "viem/chains";

// Génération dynamique des configurations de réseaux blockchain
const buildNetworkConfigs = () => {
  const availableChains = Object.entries(chains).reduce(
    (acc, [name, chain]) => {
      if (typeof chain === "object" && "id" in chain) {
        const networkName = name.toLowerCase();
        acc[networkName] = {
          chain: chain as Chain,
          rpc:
            process.env[`${networkName.toUpperCase()}_RPC_URL`] ||
            chain.rpcUrls.default.http[0],
        };
      }
      return acc;
    },
    {} as Record<string, { chain: Chain; rpc: string }>
  );

  return availableChains;
};

const networkConfigs = buildNetworkConfigs();

---

Création du contexte de l'agent

Nous utilisons Zod pour définir un schéma de validation.

import { z } from "zod";

const contextSchema = z.object({
  prompt: z.object({
    raw: z.string(),
    embedding: z.array(z.number()).optional(),
  }),
  actions: z.array(
    z.object({
      name: z.string(),
      parameters: z.array(
        z.object({
          name: z.string(),
          value: z.any(),
        })
      ),
    })
  ),
  executedGraphs: z.array(z.string()),
  knowledge: z.string().optional(),
  response: z.string().optional(),
});

type ContextType = GraphContext<typeof contextSchema>;

---

Définition d'un GraphFlow pour une transaction EVM

Nous créons un GraphFlow permettant de :

1. Vérifier le solde du compte avant d’envoyer une transaction.

2. Envoyer une transaction si le solde est suffisant.

import { GraphFlow } from "@ai.ntellect/core";
import { createPublicClient, createWalletClient, http } from "viem";
import { privateKeyToAccount } from "viem/accounts";
import { z } from "zod";

const prepareEvmTransactionNodeSchema = z.object({
  to: z.string(),
  value: z.string(),
  chainName: z.string(),
});

const prepareEvmTransactionContextSchema = z.object({
  balance: z.string(),
  to: z.string(),
  value: z.string(),
  network: z.object({
    chain: z.any(),
    rpc: z.string(),
  }),
  type: z.string(),
  transactionHash: z.string().optional(),
});

const prepareEvmTransaction = new GraphFlow("prepareEvmTransaction", {
  name: "prepareEvmTransaction",
  nodes: [
    {
      name: "checkBalance",
      inputs: prepareEvmTransactionNodeSchema,
      execute: async (context, inputs) => {
        const networkName = inputs.chainName.toLowerCase();
        const networkConfig = networkConfigs[networkName];

        if (!networkConfig) {
          throw new Error(`Network ${inputs.chainName} not found.`);
        }

        const publicClient = createPublicClient({
          chain: networkConfig.chain,
          transport: http(networkConfig.rpc),
        });

        context.network = {
          chain: networkConfig.chain,
          rpc: networkConfig.rpc,
        };

        const account = privateKeyToAccount(
          `0x${process.env.PRIVATE_KEY}` as `0x${string}`
        );
        const balance = await publicClient.getBalance({
          address: account.address,
        });

        context.balance = balance.toString();
        context.value = (BigInt(inputs.value) * BigInt(1e18)).toString();

        if (BigInt(context.balance) < BigInt(context.value)) {
          throw new Error("Insufficient balance");
        }
      },
      next(context) {
        return BigInt(context.balance) > BigInt(context.value)
          ? ["sendTransaction"]
          : [];
      },
    },
    {
      name: "sendTransaction",
      execute: async (context) => {
        const account = privateKeyToAccount(
          `0x${process.env.PRIVATE_KEY}` as `0x${string}`
        );

        const walletClient = createWalletClient({
          account,
          chain: networkConfigs[context.network.chain.name.toLowerCase()].chain,
          transport: http(context.network.rpc),
        });

        const hash = await walletClient.sendTransaction({
          to: context.to as `0x${string}`,
          value: BigInt(context.value),
        });

        console.log(`Transaction sent! Hash: ${hash}`);
        context.transactionHash = hash;
      },
    },
  ],
  context: {
    balance: "0",
    to: "",
    value: "",
    network: { chain: null, rpc: "" },
    type: "",
    transactionHash: "",
  },
  schema: prepareEvmTransactionContextSchema,
});

---

Récupération des connaissances en mémoire

L'agent doit être capable de mémoriser des interactions passées pour améliorer ses réponses.

import {
  AIEmbeddingAdapter,
  EmbeddingManager,
  GraphContext,
  MeilisearchAdapter,
} from "@ai.ntellect/core";
import { configDotenv } from "dotenv";

configDotenv();

const retrieveKnowledge = async (context: ContextType): Promise<void> => {
  const memoryManager = new MeilisearchAdapter({
    apiKey: process.env.MEILISEARCH_API_KEY!,
    host: process.env.MEILISEARCH_HOST!,
  });
  await memoryManager.init("memories");

  const embeddingAdapter = new AIEmbeddingAdapter(
    openai.embedding("text-embedding-3-small")
  );
  const embeddingManager = new EmbeddingManager(embeddingAdapter);
  const embedding = await embeddingManager.embedText(context.prompt.raw);
  context.prompt.embedding = embedding;
};

Prise de décision

Un agent intelligent doit connaître les actions disponibles avant de prendre une décision. Dans notre cas, l'agent utilise un LLM pour raisonner et choisir la bonne action.

Mais comment sait-il quelles actions il peut exécuter ? Il ne peut pas les deviner ! Nous devons lui fournir une liste structurée de toutes les actions disponibles.

C'est ici qu'intervient la méthode generateActionSchema.

La méthode generateActionSchema sert à générer dynamiquement une documentation des actions disponibles pour l'agent.

Son rôle :

• Extraire les actions disponibles à partir des workflows enregistrés.

• Générer une description de chaque action et de ses paramètres.

• Construire un prompt structuré que l'IA peut comprendre.

Lorsqu'on initialise l'agent, on lui fournit une liste de workflows (GraphFlow) qui correspondent à des actions possibles.

Lorsqu'il doit prendre une décision, il utilise generateActionSchema pour lister ces actions dans son prompt. Il peut alors choisir la meilleure action à exécuter en fonction de la requête de l'utilisateur.

L'agent récupère toutes les actions disponibles grâce à generateActionSchema,il les convertit en une liste d'actions claires, il envoie cette liste au LLM sous forme d'un prompt structuré et le LLM analyse la requête utilisateur et choisit quelle action exécuter.

Si nous avons les actions suivantes :

const availableGraphs = new Map();
availableGraphs.set("prepareEvmTransaction", prepareEvmTransaction);

L'agent construira un prompt comme ceci :

## Available actions:
Action: prepareEvmTransaction
Parameters: z.object({ to: z.string(), value: z.string(), chainName: z.string() })

Si l'utilisateur demande : "Send 0.5 ETH to 0x123 on Sepolia",

L'agent pourrait produire ce type de réponse :

{
  "actions": [
    {
      "name": "prepareEvmTransaction",
      "parameters": [
        { "name": "to", "value": "0x123" },
        { "name": "value", "value": "0.5" },
        { "name": "chainName", "value": "sepolia" }
      ]
    }
  ],
  "response": "Your transaction has been prepared."
}

Grâce à generateActionSchema, notre agent sait exactement ce qu'il peut faire et peut guider le LLM dans sa prise de décision.

Voici un exemple avec GPT-4o pour analyser la situation et choisir la meilleure action.

import {
  AIEmbeddingAdapter,
  EmbeddingManager,
  GraphContext,
  MeilisearchAdapter,
  GraphFlow
} from "@ai.ntellect/core";
import { openai } from "@ai-sdk/openai";
import { configDotenv } from "dotenv";

configDotenv()

const makeDecision =
  (availableGraphs: Map<string, GraphFlow<any>>) =>
  async (context: ContextType): Promise<void> => {
    const availableActionSchemas = Array.from(availableGraphs.values());

    // Exemple de prompt système
    const systemPrompt = `
## ROLE
You are an AI Assistant.

${context.knowledge ? `## KNOWLEDGE: ${context.knowledge}` : ""}

## PAST ACTIONS (never execute the same action multiple times):
${JSON.stringify(context.executedGraphs, null, 2)}

## AVAILABLE ACTIONS:
${generateActionSchema(availableActionSchemas)}

## AVAILABLE NETWORKS:
${buildNetworkConfigs()}

## INSTRUCTIONS:
- Let empty the actions array if the past actions are enough to answer the user request.
- Based on the user request, decide the next action to execute.
- If more information is needed, ask the user for clarification.
- Answer the user naturally like if is the first time, like "your goal was to X and i have done Y, here is the proof Z",

## OUTPUT EXAMPLES:
{
  "actions": [
    {
      "name": "",
      "parameters": [{ "name": "", "value": ""}, { "name": "", "value": "" }]
    }
  ],
  "response": ""
}
`;

    console.log({ systemPrompt });

    const llmResponse = await generateObject({
      model: openai("gpt-4o"),
      prompt: context.prompt.raw,
      system: systemPrompt,
      schema: z.object({
        actions: z.array(
          z.object({
            name: z.string(),
            parameters: z.array(
              z.object({
                name: z.string(),
                value: z.any(),
              })
            ),
          })
        ),
        response: z.string(),
      }),
    });

    context.response = llmResponse.object.response;
    context.actions = llmResponse.object.actions;
    console.log("Agent response:");
    console.log(context.response);
    console.log("Actions takens:");
    console.dir(context.actions, { depth: null });
  };

---

Exécution des actions

Un problème qu'on peut rencontrer lorsqu'on automatise un agent avec un LLM est qu'il peut réexécuter des actions déjà effectuées. Selon les cas d'utilisation, ce n'est pas forcément un souci, mais dans certains scénarios (comme des transactions blockchain), cela peut poser problème.

Une manière d'éviter ce comportement est d'utiliser un historique des actions passées pour informer l'agent de ce qui a déjà été fait.

Dans cet exemple, on stocke ces actions dans executedGraphs. Cette variable permet à l'agent de garder une trace des workflows déjà exécutés et d'ajuster ses décisions en conséquence.

L'historique des actions intervient à plusieurs moments du processus :

1. Lors de la prise de décision (makeDecision)

Avant de proposer une nouvelle action, l'agent regarde ce qu'il a déjà fait. Cela lui permet :

• D'éviter de refaire une action identique (exemple : renvoyer une transaction déjà exécutée).

• D'adapter sa réponse en fonction des actions passées.

• De demander des précisions à l'utilisateur si l'historique ne permet pas encore de conclure.

👉 Extrait du prompt donné au LLM :

## Past actions (never execute the same action multiple times):
${JSON.stringify(context.executedGraphs, null, 2)}

Ainsi, lorsqu'on demande à l'agent "Envoie 1 ETH à 0x123", il peut voir s'il a déjà exécuté une transaction similaire et éviter de la refaire.

1. Lors de l'exécution des actions (executeActions)

Après qu'une action a été validée et exécutée, on l'ajoute à l'historique :

context.executedGraphs.push(action.name);

Cela garantit que lors du prochain cycle, cette action sera prise en compte dans la prise de décision.

import {
  GraphFlow,
  GraphContext
} from "@ai.ntellect/core";

const executeActions =
  (availableGraphs: Map<string, GraphFlow<any>>) =>
  async (context: ContextType): Promise<void> => {
    const workflowsToExecute: GraphFlow<any>[] = [];
    const startNodes: string[] = [];
    const inputs: any[] = [];

    for (const action of context.actions) {
      const workflow = availableGraphs.get(action.name);
      if (!workflow) continue;

      workflowsToExecute.push(workflow);
      startNodes.push(workflow.getNodes()[0].name);
      const actionInputs = action.parameters.reduce((acc, param) => {
        acc[param.name] = param.value;
        return acc;
      }, {} as Record<string, any>);
      inputs.push(actionInputs);
    }

    if (workflowsToExecute.length > 0) {
      const results = await GraphController.executeParallel(
        workflowsToExecute,
        startNodes,
        1,
        inputs
      );
      const assistantActions = Array.from(results.entries()).map(
        ([workflowName, result]) => ({
          workflow: workflowName,
          output: result,
        })
      );

      // Après qu'une action a été validée et exécutée, on l'ajoute à l'historique
      context.executedGraphs.push(JSON.stringify(assistantActions));
    }
  };

---

Définition de l'agent

Enfin, nous assemblons notre agent intelligent en combinant nos graphes.

Dans cet exemple, notre agent est basé sur deux types de graphes distincts :

1. Un graphe cognitif (cognitiveGraph) : Responsable du raisonnement et de la prise de décision.

2. Des graphes d'actions (actionsGraph) : Contient toutes les actions exécutables par l'agent.

Ces deux niveaux permettent à l'agent de fonctionner en pensant d'abord avant d'exécuter des actions.

Cela s'apparente au mode de raisonnement humain : analyser une situation avant d'agir.

Nous définissons un graph cognitif principal qui :

1. Récupère des connaissances stockées.

2. Prend une décision basée sur ces connaissances et les actions disponibles.

3. Exécute les actions si nécessaire.

4. Apprend de ses actions pour prendre une nouvelle décision (si nécessaire) et éviter les répétitions.

Chaque action est stockée dans un graphe d'actions, permettant d'exécuter uniquement des tâches validées.

Le graphe cognitif (cognitiveGraph) est le cerveau de l’agent. Il analyse le contexte avant d'exécuter une action.Il peut refuser d'agir s'il détecte qu'une action a déjà été exécutée.

Les graphes d'actions ne sont déclenchés que par une validation. Un graphe d'action ne peut être exécuté que si le graphe cognitif le valide. Cela empêche l'agent d'effectuer des actions non autorisées ou non demandées.

L'agent apprend, donc, en mémorisant ses actions :

Grâce à la variable, executedGraphs, injectée dans son contexte, l’agent sait ce qu'il a déjà fait et évite de répéter des actions inutiles.

class WalletAssistant {
  private cognitiveGraph: GraphFlow<typeof contextSchema>;
  private actions: Map<string, GraphFlow<any>>;

  constructor(actionGraphs: GraphFlow<any>[]) {
    this.actions = new Map(actionGraphs.map((graph) => [graph.name, graph]));

    this.cognitiveGraph = new GraphFlow<typeof contextSchema>("walletAssistant", {
      name: "walletAssistant",
      nodes: [
        {
          name: "retrieveKnowledge",
          execute: retrieveKnowledge,
          next: ["makeDecision"],
        },
        {
          name: "makeDecision",
          execute: makeDecision(this.actions),
          next: (context) => {
            return context.actions.length > 0 ? ["executeActions"] : [];
          },
        },
        {
          name: "executeActions",
          execute: executeActions(this.actions),
          next: (context) => {
            return context.executedGraphs.length > 0
              ? ["saveMemory", "makeDecision"]
              : [];
          },
        },
        { name: "saveMemory", execute: saveMemory },
      ],
      context: {
        prompt: { raw: "", embedding: [] },
        actions: [],
        executedGraphs: [],
        knowledge: "",
        response: "",
      },
      schema: contextSchema,
    });
  }

  async run(prompt: string) {
    return this.cognitiveGraph.execute("retrieveKnowledge", {
      prompt: { raw: prompt },
    });
  }
}

---

Code complet

Nous allons maintenant assembler toutes les pièces du puzzle. Voici le code complet :

import { openai } from "@ai-sdk/openai";
import { generateObject } from "ai";
import { configDotenv } from "dotenv";
import { Chain, createPublicClient, createWalletClient, http } from "viem";
import { privateKeyToAccount } from "viem/accounts";
import * as chains from "viem/chains";
import { z } from "zod";
import {
  AIEmbeddingAdapter,
  EmbeddingManager,
  GraphContext,
  GraphController,
  GraphFlow,
  MeilisearchAdapter,
  generateActionSchema,
} from "@ai.ntellect/core";

configDotenv();

const buildNetworkConfigs = () => {
  const availableChains = Object.entries(chains).reduce(
    (acc, [name, chain]) => {
      // Vérifier si c'est une chaîne valide
      if (typeof chain === "object" && "id" in chain) {
        const networkName = name.toLowerCase();
        acc[networkName] = {
          chain: chain as Chain,
          rpc:
            process.env[`${networkName.toUpperCase()}_RPC_URL`] ||
            chain.rpcUrls.default.http[0],
        };
      }
      return acc;
    },
    {} as Record<
      string,
      {
        chain: Chain;
        rpc: string;
      }
    >
  );

  return availableChains;
};

const networkConfigs = buildNetworkConfigs();

const prepareEvmTransactionNodeSchema = z.object({
  to: z.string(),
  value: z.string(),
  chainName: z.string(),
});

const prepareEvmTransactionContextSchema = z.object({
  balance: z.string(),
  to: z.string(),
  value: z.string(),
  network: z.object({
    chain: z.any(),
    rpc: z.string(),
  }),
  type: z.string(),
  transactionHash: z.string().optional(),
});
const prepareEvmTransaction = new GraphFlow("prepareEvmTransaction", {
  name: "prepareEvmTransaction",
  nodes: [
    {
      name: "checkBalance",
      execute: async (context, inputs) => {
        const networkName = inputs.chainName.toLowerCase();
        const networkConfig = networkConfigs[networkName];
        console.log({ networkConfig });
        if (!networkConfig) {
          throw new Error(
            `Network ${
              inputs.chainName
            } not found. Available networks: ${Object.keys(networkConfigs).join(
              ", "
            )}`
          );
        }

        const publicClient = createPublicClient({
          chain: networkConfig.chain,
          transport: http(networkConfig.rpc),
        });

        console.log("private key", process.env.PRIVATE_KEY);

        context.network = {
          chain: networkConfig.chain,
          rpc: networkConfig.rpc,
        };

        // Vérifier le solde de l'adresse de départ
        const account = privateKeyToAccount(
          `0x${process.env.PRIVATE_KEY}` as `0x${string}`
        );
        const balance = await publicClient.getBalance({
          address: account.address,
        });

        context.balance = balance.toString();
        const valueInWei = BigInt(Math.floor(parseFloat(inputs.value) * 1e18));
        context.value = valueInWei.toString();

        if (BigInt(context.balance) < valueInWei) {
          throw new Error("Insufficient balance");
        }
        if (BigInt(context.balance) > valueInWei) {
          console.log("Good. You have enough balance to send the transaction.");
        }
      },
      next(context) {
        return BigInt(context.balance.toString()) > BigInt(context.value)
          ? ["sendTransaction"]
          : [];
      },
    },
    {
      name: "sendTransaction",
      execute: async (context) => {
        console.log("Sending transaction...");

        const account = privateKeyToAccount(
          `0x${process.env.PRIVATE_KEY}` as `0x${string}`
        );
        const walletClient = createWalletClient({
          account,
          chain: networkConfigs[context.network.chain.name.toLowerCase()].chain,
          transport: http(context.network.rpc),
        });

        const hash = await walletClient.sendTransaction({
          to: context.to as `0x${string}`,
          value: BigInt(context.value),
        });

        console.log(
          `Congratulations! Check on ${context.network.chain.blockExplorers.default.url}/tx/${hash}`
        );
        context.transactionHash = hash;
      },
    },
  ],
  context: {
    balance: "0",
    to: "",
    value: "",
    network: { chain: null, rpc: "" },
    type: "",
    transactionHash: "",
  },
  schema: prepareEvmTransactionContextSchema,
});

// Définition du contexte de l'agent
const contextSchema = z.object({
  prompt: z.object({
    raw: z.string(),
    embedding: z.array(z.number()).optional(),
  }),
  actions: z.array(
    z.object({
      name: z.string(),
      parameters: z.array(
        z.object({
          name: z.string(),
          value: z.any(),
        })
      ),
    })
  ),
  executedGraphs: z.array(z.string()),
  knowledge: z.string().optional(),
  response: z.string().optional(),
});

type ContextType = GraphContext<typeof contextSchema>;

// Étape 1 : Récupérer les connaissances en mémoire
const retrieveKnowledge = async (context: ContextType): Promise<void> => {
  // Skip if no prompt text
  if (!context.prompt.raw.trim()) {
    return;
  }

  const memoryManager = new MeilisearchAdapter({
    apiKey: process.env.MEILISEARCH_API_KEY!,
    host: process.env.MEILISEARCH_HOST!,
  });
  await memoryManager.init("memories");

  const embeddingAdapter = new AIEmbeddingAdapter(
    openai.embedding("text-embedding-3-small")
  );
  const embeddingManager = new EmbeddingManager(embeddingAdapter);

  try {
    const embedding = await embeddingManager.embedText(context.prompt.raw);
    context.prompt.embedding = embedding;

    const memories = await memoryManager.getAllMemories("memories");
    for (const memory of memories) {
      if (!memory.embedding) continue;
      const similarity = await embeddingManager.calculateSimilarity(
        embedding,
        memory.embedding
      );
      if (similarity > 95) {
        context.knowledge = memory.data;
        return;
      }
    }
  } catch (error) {
    console.error("Error creating embedding:", error);
    // Don't throw, just continue without embedding
  }
};

// Étape 2 : Prendre une décision avec un LLM
const makeDecision =
  (availableGraphs: Map<string, GraphFlow<any>>) =>
  async (context: ContextType): Promise<void> => {
    const availableActionSchemas = Array.from(availableGraphs.values());

    // Exemple de prompt système
    const systemPrompt = `
## ROLE
You are an AI Assistant.

${context.knowledge ? `## KNOWLEDGE: ${context.knowledge}` : ""}

## PAST ACTIONS (never execute the same action multiple times):
${JSON.stringify(context.executedGraphs, null, 2)}

## AVAILABLE ACTIONS:
${generateActionSchema(availableActionSchemas)}

## AVAILABLE NETWORKS:
${buildNetworkConfigs()}

## INSTRUCTIONS:
- Let empty the actions array if the past actions are enough to answer the user request.
- Based on the user request, decide the next action to execute.
- If more information is needed, ask the user for clarification.
- Answer the user naturally like if is the first time, like "your goal was to X and i have done Y, here is the proof Z",

## OUTPUT EXAMPLES:
{
  "actions": [
    {
      "name": "",
      "parameters": [{ "name": "", "value": ""}, { "name": "", "value": "" }]
    }
  ],
  "response": ""
}
`;

    console.log({ systemPrompt });

    const llmResponse = await generateObject({
      model: openai("gpt-4o"),
      prompt: context.prompt.raw,
      system: systemPrompt,
      schema: z.object({
        actions: z.array(
          z.object({
            name: z.string(),
            parameters: z.array(
              z.object({
                name: z.string(),
                value: z.any(),
              })
            ),
          })
        ),
        response: z.string(),
      }),
    });

    context.response = llmResponse.object.response;
    context.actions = llmResponse.object.actions;
    console.log("Agent response:");
    console.log(context.response);
    console.log("Actions takens:");
    console.dir(context.actions, { depth: null });
  };

// Étape 3 : Exécuter les actions décidées
const executeActions =
  (availableGraphs: Map<string, GraphFlow<any>>) =>
  async (context: ContextType): Promise<void> => {
    const workflowsToExecute: GraphFlow<any>[] = [];
    const startNodes: string[] = [];
    const inputs: any[] = [];

    for (const action of context.actions) {
      const workflow = availableGraphs.get(action.name);
      if (!workflow) continue;

      workflowsToExecute.push(workflow);
      startNodes.push(workflow.getNodes()[0].name);
      const actionInputs = action.parameters.reduce(
        (acc: Record<string, any>, param: any) => {
          acc[param.name] = param.value;
          return acc;
        },
        {}
      );
      inputs.push(actionInputs);
    }

    if (workflowsToExecute.length > 0) {
      const results = await GraphController.executeParallel(
        workflowsToExecute,
        startNodes,
        1,
        inputs
      );
      const assistantActions = Array.from(results.entries()).map(
        ([workflowName, result]) => ({
          workflow: workflowName,
          output: result,
        })
      );

      context.executedGraphs.push(JSON.stringify(assistantActions));
    }
  };

// Étape 4 : Sauvegarder les connaissances pour les prochaines interactions
const saveMemory = async (context: ContextType): Promise<void> => {
  if (!context.response) return;

  const memoryManager = new MeilisearchAdapter({
    apiKey: process.env.MEILISEARCH_API_KEY!,
    host: process.env.MEILISEARCH_HOST!,
  });
  await memoryManager.init("memories");

  await memoryManager.createMemory({
    data: context.executedGraphs.join(", "),
    roomId: "memories",
    embedding: context.prompt.embedding,
  });
};

// Définition du GraphFlow de l'agent
class WalletAssistant {
  private workflow: GraphFlow<typeof contextSchema>;
  private availableGraphs: Map<string, GraphFlow<any>>;

  constructor(graphs: GraphFlow<any>[]) {
    this.availableGraphs = new Map(graphs.map((graph) => [graph.name, graph]));

    this.workflow = new GraphFlow<typeof contextSchema>("walletAssistant", {
      name: "walletAssistant",
      nodes: [
        {
          name: "retrieveKnowledge",
          execute: retrieveKnowledge,
          next: ["makeDecision"],
        },
        {
          name: "makeDecision",
          execute: makeDecision(this.availableGraphs),
          next: (context) => {
            return context.actions.length > 0 ? ["executeActions"] : [];
          },
        },
        {
          name: "executeActions",
          execute: executeActions(this.availableGraphs),
          next: (context) => {
            return context.executedGraphs.length > 0
              ? ["saveMemory", "makeDecision"]
              : [];
          },
        },
        { name: "saveMemory", execute: saveMemory },
      ],
      context: {
        prompt: { raw: "" },
        actions: [],
        executedGraphs: [],
        knowledge: "",
        response: "",
      },
      schema: contextSchema,
    });
  }

  async run(prompt: string) {
    if (!prompt.trim()) {
      throw new Error("Prompt cannot be empty");
    }
    return this.workflow.execute("retrieveKnowledge", {
      prompt: { raw: prompt },
      actions: [],
      executedGraphs: [],
      knowledge: "",
      response: "",
    });
  }
}

const availableGraphs = [
  prepareEvmTransaction, // Graph pour envoyer des transactions EVM
  //anotherWorkflow, // Un autre workflow d'exécution
  // On peut ajouter d'autres workflows ici
];

const walletAssistant = new WalletAssistant(availableGraphs);

(async () => {
  await walletAssistant.run(
    "Send 0.0000001 ETH to 0xf520cEd3b7FdA050a3A44486C160BEAb15ED3285 on sepolia..."
  );
})();

Félicitations ! Vous avez créé un agent capable d'interagir et d'exécuter des transactions blockchain !

Tester l'agent

L’agent peut gérer plusieurs workflows en parallèle grâce à availableGraphs. Ce tableau permet de répertorier toutes les actions possibles que l’agent peut exécuter.

const availableGraphs = [
  prepareEvmTransaction, // Graph pour envoyer des transactions EVM
  anotherWorkflow,       // Un autre workflow d'exécution
  // On peut ajouter d'autres workflows ici
];

const walletAssistant = new WalletAssistant(availableGraphs);

Maintenant que l'agent est défini, nous pouvons l'utiliser pour exécuter une action :

(async () => {
  await walletAssistant.run(
    "Send 0.0000001 ETH to 0xf520cEd3b7FdA050a3A44486C160BEAb15ED3285 on sepolia..."
  );
})();

• L'agent détecte la demande et choisit le bon graph d’action.

• Il évite les actions déjà réalisées grâce à executedGraphs.

• Il mémorise l’historique et peut apprendre de ses actions.

Récapitulatif

Nous avons vu comment exploiter la puissance du framework @ai.ntellect/core en combinant :

• Un graph cognitif pour structurer le raisonnement.

• Des graphes d'actions pour exécuter des tâches spécifiques.

Cette architecture modulaire et évolutive permet d'ajouter de nouvelles actions et d'adapter l’agent à différents cas d’usage.

Ce n’est qu’un exemple parmi d’autres : chacun peut créer son propre graphe cognitif et ses graphes d’actions en fonction de ses besoins spécifiques.