Démarrage rapide LangGraph Python

Suivez la documentation en direct — n'inventez pas une API alternative de mémoire :

https://docs.langchain.com/oss/python/langgraph/quickstart

Récupérez cette page (Docs MCP ou HTTP) et implémentez ce qu'elle montre (agent calculatrice / mathématique avec l'API Graph). Préférez le chemin Graph API à l'API Functional sauf si l'utilisateur demande autrement. Ignorez la visualisation graphique IPython.

Contraintes de configuration locale

Appliquez-les en plus du démarrage rapide (elles gardent la configuration minimale et agnostique du modèle) :

1. Demandez quel fournisseur/modèle utiliser. Démontrez que LangGraph fonctionne avec n'importe quel modèle de chat LangChain. Suggestion d'invite :

   Quel modèle cet agent devrait-il utiliser ? Passez une chaîne provider:model — par ex. openai:gpt-5.5, anthropic:claude-sonnet-5, google_genai:gemini-2.5-flash-lite. Défaut si vous n'êtes pas sûr : anthropic:claude-sonnet-5.

   La documentation code souvent Anthropic en dur — remplacez par init_chat_model("<MODEL>") (ou équivalent) avec leur choix. Si vous utilisez Claude Sonnet 5+, omettez temperature / top_p / top_k (non supportés).

2. Créez un répertoire nouveau (par ex. langgraph-agent/) et faites tout le travail dedans — ne polluez pas le projet ouvert.

3. Seul secret : la clé API du fournisseur dans .env (gitignorée). Pas de LangSmith / Tavily sauf s'ils demandent. Préférez qu'ils éditent .env eux-mêmes — ne collez pas les clés dans le chat.

4. Installez les packages du démarrage rapide plus le package du fournisseur pour leur modèle.

5. Exécutez l'exemple (par ex. « Ajouter 3 et 4. »), affichez la sortie, puis arrêtez. Pointez vers langgraph-fundamentals pour les prochaines étapes. Pour une API agent de plus haut niveau, utilisez create_agent de LangChain à la place.