Archon : un outil open source qui permet à l'IA de générer et d'optimiser automatiquement d'autres agents IA 137

Archon est un outil open source qui permet à l'IA de générer et d'optimiser automatiquement d'autres agents IA. En tant que premier « Agenteer », la sixième version d'Archon prend en charge plusieurs bibliothèques d'outils et l'intégration de serveurs MCP, rendant les IA générées plus efficaces et fiables. Il suffit de décrire la fonctionnalité IA souhaitée, et Archon créera l'IA à travers une série d'étapes, incluant la planification, le codage et l'optimisation.

Fonctionnalités principales :

• Intégration des ressources documentaires (capacité à extraire le contenu de sites web, à télécharger des PDF/documents, etc.)

• Capacités de recherche intelligentes (basées sur des stratégies RAG avancées)

• Fonctionnalités de gestion des tâches (intégrées à la base de connaissances)

• Prise en charge des mises à jour en temps réel (synchronisation des nouveaux contenus et des tâches collaboratives)

Caractéristiques de l'architecture :

Flux de l'architecture de l'agent

L'utilisateur décrit l'agent IA qu'il souhaite créer, le LLM détermine le périmètre de haut niveau, et l'agent de codage principal crée l'agent initial en fonction du périmètre et de la documentation. L'utilisateur peut ensuite fournir des retours ou laisser Archon optimiser l'agent de manière autonome.

En cas d'optimisation autonome, un agent d'optimisation dédié améliorera les invites, les outils et la configuration de l'agent. L'agent de codage principal recrée ensuite l'agent en fonction des retours, et ce processus se répète jusqu'à ce que l'utilisateur estime l'agent terminé. Enfin, le code complet et les instructions d'exécution sont fournis en sortie.

Architecture des fichiers

• Les fichiers principaux incluent : streamlit_ui.py (gère l'interface web d'Archon), graph_service.py (service gérant le flux de travail de l'agent), run_docker.py (script pour construire et exécuter le conteneur Docker d'Archon), Dockerfile (définit le conteneur de l'application Archon principale), fichiers liés à MCP (implémentation de l'intégration du serveur Model Context Protocol pour les IDE IA).

• Le package Archon inclut : archon/ (implémentation de l'agent principal et du flux de travail), archon_graph.py (définit le flux de travail LangGraph et la coordination des agents), pydantic_ai_coder.py (agent de codage principal), refiner_agents/ (agents d'optimisation dédiés).

• Les utilitaires incluent : utils/ (fonctions utilitaires partagées et configuration de la base de données), site_pages.sql (commandes de configuration de la base de données).

• Atelier : créé à l'exécution, workbench/ contient le fichier de variables d'environnement env_vars.json, le fichier de logs logs.txt et la documentation détaillée du périmètre scope.md.

Déploiement d'Archon

• Conteneur Docker :

• Conteneur principal : exécute l'interface Streamlit (port 8501) et le service de graphe (port 8100), gère toutes les fonctionnalités de l'agent et les interactions utilisateur, construit à partir du Dockerfile racine.

• Conteneur MCP : implémente le Model Context Protocol pour les IDE IA, communique avec le service de graphe du conteneur principal, fournit une interface standardisée pour les IDE IA tels que Windsurf et Cursor, construit à partir de mcp/Dockerfile. Le script run_docker.py construit et démarre automatiquement les deux conteneurs et effectue la configuration.

• Python local : exécution directe sur le système via un environnement virtuel Python.

Applications d'Archon :

• Fournir des outils aux développeurs : aide les développeurs à créer et optimiser des agents IA, réduisant ainsi la charge de travail de développement. Grâce à des bibliothèques d'outils pré-construites et à l'intégration MCP, les développeurs peuvent accéder rapidement à divers outils et les utiliser, améliorant ainsi l'efficacité du développement.

• Démontrer l'évolution des systèmes d'agents : en tant que cadre éducatif, il illustre l'évolution des systèmes d'agents, du simple au complexe, et met en évidence les développements en matière de planification, de boucles de rétroaction et d'intégration des connaissances du domaine, offrant une référence aux personnes qui étudient les systèmes d'agents.

Installation et utilisation d'Archon :

Installation :

• Docker (recommandé) :

• Cloner le dépôt : git clone https://github.com/coleam00/archon.git

• Accéder au répertoire du projet : cd archon

• Exécuter le script de configuration : python run_docker.py, ce script construit automatiquement les conteneurs (y compris le conteneur du serveur MCP et le conteneur principal d'Archon), démarre Archon et effectue le mappage des ports, en utilisant les variables d'environnement du fichier .env s'il existe.

• Installation Python locale :

• Cloner le dépôt : git clone https://github.com/coleam00/archon.git

• Accéder au répertoire du projet : cd archon

• Créer et activer un environnement virtuel : python -m venv venv, la commande d'activation est venv\Scripts\activate sous Windows, et source venv/bin/activate sur les autres systèmes

• Installer les dépendances : pip install -r requirements.txt

• Démarrer l'interface Streamlit : streamlit run streamlit_ui.py

Utilisation :

Processus de configuration :

• Configuration de l'environnement : dans la section Intro de l'interface Streamlit, configurez les clés API et les paramètres du modèle, ces informations étant stockées dans workbench/env_vars.json.

• Configuration de la base de données : configurez la base de données vectorielle Supabase.

• Traitement des documents : guidez l'extraction et l'indexation de la documentation Pydantic AI.

• Démarrage du service d'agent : lancez le service d'agent utilisé pour générer des agents.

• Configuration MCP (optionnel) : configurez l'intégration MCP avec les IDE IA.

Flux opérationnel :

Après avoir suivi les instructions de l'interface Streamlit pour terminer la configuration, décrivez l'agent IA que vous souhaitez créer. Archon créera et optimisera l'agent selon son flux de travail. Vous pouvez fournir des retours au cours du processus ou demander une optimisation autonome, pour finalement obtenir le code complet et les instructions d'exécution.