Agent LLM pour Raindrop.io

Système agentique intelligent pour gérer et rechercher dans Raindrop.io via son API, intégrant 3 design patterns (Planner-Executor, Tooling, Reflection) avec suivi rigoureux des coûts en tokens et évaluation quantitative.

Architecture

Le système repose sur une architecture modulaire où chaque composant a une responsabilité claire :

• Agent Principal : Orchestrateur des modules
• Planner : Décomposition de requêtes complexes en sous-tâches
• Executor : Exécution séquentielle des plans
• Reflection : Auto-évaluation et amélioration des résultats
• Tool Manager : Gestion des appels API Raindrop

Prérequis

• Python 3.10+
• Ollama installé et configuré
• Token d'accès Raindrop.io API

Installation

1. Installer Ollama : https://ollama.com
2. Télécharger un modèle : ollama pull llama3:8b
3. Lancer le serveur : ollama serve
4. Installer les dépendances Python :

pip install -r requirements.txt

Configuration

Copier .env.example vers .env et remplir les variables :

RAINDROP_TOKEN=votre_token_ici
OLLAMA_BASE_URL=http://localhost:11434
OLLAMA_MODEL=llama3:8b

Utilisation

API REST

Lancer le serveur FastAPI :

uvicorn src.api.main:app --reload

Accéder à la documentation Swagger : http://localhost:8000/docs

Exemples de requêtes

# Recherche sémantique
curl -X POST http://localhost:8000/api/query \
  -H "Content-Type: application/json" \
  -d '{"query": "Trouve tous mes articles sur le machine learning"}'

# Organisation intelligente
curl -X POST http://localhost:8000/api/query \
  -H "Content-Type: application/json" \
  -d '{"query": "Quelles collections contiennent le plus de contenus non tagués ?"}'

Structure du projet

LLM-2026/
├── src/              # Code source principal
├── tests/            # Tests unitaires et d'intégration
├── data/             # Scénarios de test et données
├── analysis/         # Notebooks d'analyse des coûts
├── demo/            # Vidéo de démonstration
└── docs/            # Documentation et rapport

Design Patterns implémentés

1. Planner-Executor : Séparation planification/exécution
2. Tooling : Function calling vers Raindrop API
3. Reflection : Auto-évaluation et amélioration

Évaluation

Les métriques sont collectées automatiquement dans data/costs.csv :

• Tokens consommés par appel
• Latence par scénario
• Taux de succès
• Coûts estimés

Voir analysis/analyze_costs.ipynb pour l'analyse détaillée.

Auteurs

Groupe de 4 étudiants - Projet LLM 2026