Image de Déployer un agent LangGraph avec FastAPI

Artificial Intelligence

LLM

Python

Web Development

Déployer un agent LangGraph avec FastAPI

Tech Lead, CTO AXI Technologies

Romain DE LA SOUCHÈRE

Publié le 21 mai 2025 · 10 min de lecture

Table de matières

🗂️ Structure du projet

📦 Étape 1 – Préparer l’environnement

📥 Étape 2 – Installer les dépendances

🧠 Étape 3 – Créer l’agent LangGraph

🧪 Étape 4 – Test intéractif

🌐 Étape 5 – Créer une API avec FastAPI

✅ Résultat : un agent LLM accessible via API

📌 Conclusion : ce qu’on a appris

📚 Pour aller plus loin

Partager avec

La combinaison de LangGraph et FastAPI permet de créer facilement des agents LLM pilotables via API. Que vous développiez un assistant intelligent, une interface de recherche augmentée ou une brique d’IA intégrée à une app existante, ce duo vous offre un cadre léger, rapide, et ultra-flexible.

Dans ce tutoriel, vous apprendrez à :

Créer un agent ReAct avec LangGraph et LangChain

Intégrer un outil de recherche web avec Tavily

Déployer cet agent via une API REST avec FastAPI

🗂️ Structure du projet

Voici la structure minimale du projet :

shell

📦 Étape 1 – Préparer l’environnement

Commençons par définir nos variables d’environnement, qui permettront de connecter l’agent à l’API OpenAI et au moteur de recherche Tavily.
Nous utiliserons l'API d'OpenAI, vous devez vous inscrire sur OpenAI et récupérer une clé d'API.
Nous aurons aussi besoin d'une clé d'API pour le Tavily, vous devrez vous inscrire et récupérer une clé d'API.

Une fois les clés obtenues, créez votre fichier de variables d'environnement :

🔐 Fichier .env

shell

Ensuite, exportez ces variables dans votre shell :

shell

📥 Étape 2 – Installer les dépendances

Créez un fichier requirements.txt avec les bibliothèques suivantes :

python

Puis installez-les via pip :

shell

Cela vous garantit une compatibilité cohérente avec les dernières versions stables des modules LangChain et LangGraph.

🧠 Étape 3 – Créer l’agent LangGraph

L’agent que nous allons créer s’appuie sur le pattern ReAct, enchaînant raisonnement logique et actions via les outils. Ici, on lui connecte l’outil de recherche Tavily pour qu’il puisse s’informer en ligne.

agent.py

python

L’agent est ainsi capable d’utiliser Tavily comme source d’information. Le modèle utilisé ici est gpt-4o-mini, un choix efficace pour combiner rapidité et coût maîtrisé.

🧪 Étape 4 – Test intéractif

Avant de le déployer, testons l’agent, directement dans cette article :

python

Ce code permet de visualiser le raisonnement étape par étape de l’agent. Idéal pour le debug ou pour comprendre la chaîne de décisions.

🚀 Vous débutez avec l’IA Générative ? Initiez-vous à l’IA Générative pour les développeurs et data scientists

🌐 Étape 5 – Créer une API avec FastAPI

À présent, déployons notre agent sous forme d’API REST. Grâce à FastAPI, l’intégration est rapide et documentée automatiquement.

main.py

python

Ici, l’endpoint /chat accepte une liste de messages et un thread_id (identifiant de conversation), assurant la continuité contextuelle via LangGraph.

🚀 Lancer l’API localement

shell

Rendez-vous ensuite sur http://127.0.0.1:8000/docs pour tester votre API via l’interface Swagger auto-générée :

Documentation agent ReAct FastAPI

✅ Résultat : un agent LLM accessible via API

Vous avez maintenant un agent LLM intelligent et connecté à internet, accessible via un simple appel HTTP. Il est prêt à être :

intégré dans une interface web,
utilisé par une app mobile,
connecté à Zapier ou Make,
ou encore enrichi avec des outils personnalisés.

📌 Conclusion : ce qu’on a appris

En quelques étapes, vous avez :

Créé un agent LangGraph avec un modèle OpenAI,
Intégré un outil de recherche externe (Tavily),
Déployé le tout dans une API FastAPI prête à l’emploi.

Ce setup constitue une excellente base pour créer des assistants spécialisés, des copilotes métiers, ou des services IA à valeur ajoutée.

📚 Pour aller plus loin

🔍 LangGraph : Documentation officielle LangGraph

🔍 LangChain : Documentation officielle LangChain

🧠 LangGraph : Agent ReAct

🌐 Tavily : API de recherche web

🛠️ FastAPI : Documentation officielle FastAPI

Envie d'aller plus loin ?

Ce sujet est au programme de notre formation IA générative pour développeurs. Consultez le détail du parcours, ou recevez le programme complet par email.

FAQ

Prenez un moment pour discuter de votre projet de formation avec un conseiller.

Partager avec

💙 Merci d'avoir parcouru l'article jusqu'à la fin !

Romain DE LA SOUCHÈRE

Tech Lead, CTO AXI Technologies

Expert Data Engineering et Cloud, Romain affiche plus de 11 ans d'expérience, dont plusieurs années comme Lead Developer sur des solutions Smart Building haute performance. Il y a conçu et mis en production des moteurs de traitement capables d'absorber des centaines de milliers de données de capteurs par minute, ainsi que des bases clusterisées gérant plus de 10 millions de données dynamiques. Certifié Microsoft Azure DevOps Engineer Expert, il maîtrise aussi bien le développement back-end (Python, C#) que le DevOps (Docker, Kubernetes, Terraform) et les agents LLM. Formateur en Python, cloud, DevOps et IA générative appliquée, il forme avec une obsession : Amener chaque apprenant à concevoir et déployer des architectures réellement scalables en production.

» En savoir plus