Agent météo complet
Construire un agent météo de A à Z
Dans cette leçon, vous allez assembler toutes les connaissances acquises pour construire un agent météo complet. Cet agent illustre le cycle complet du function calling : définition des outils, gestion multi-tour, traitement des erreurs et réponse en langage naturel.
Architecture de l’agent
L’agent météo dispose de trois outils :
- get_weather — obtenir la météo actuelle d’une ville
- get_forecast — obtenir les prévisions sur plusieurs jours
- get_alerts — vérifier les alertes météo actives
import json
from openai import OpenAI
client = OpenAI(
api_key="votre-cle-xai",
base_url="https://api.x.ai/v1"
)
tools = [
{
"type": "function",
"function": {
"name": "get_weather",
"description": "Obtenir la météo actuelle d'une ville. "
"Retourne température, humidité, vent et conditions.",
"parameters": {
"type": "object",
"properties": {
"city": {
"type": "string",
"description": "Nom de la ville (ex: Paris, Lyon, Marseille)"
},
"unit": {
"type": "string",
"enum": ["celsius", "fahrenheit"],
"default": "celsius"
}
},
"required": ["city"]
}
}
},
{
"type": "function",
"function": {
"name": "get_forecast",
"description": "Obtenir les prévisions météo sur plusieurs jours. "
"Retourne les conditions jour par jour.",
"parameters": {
"type": "object",
"properties": {
"city": {
"type": "string",
"description": "Nom de la ville"
},
"days": {
"type": "integer",
"description": "Nombre de jours de prévision (1-7)",
"default": 3
}
},
"required": ["city"]
}
}
},
{
"type": "function",
"function": {
"name": "get_alerts",
"description": "Vérifier les alertes météo actives (tempêtes, canicule, "
"inondations) pour une ville ou une région.",
"parameters": {
"type": "object",
"properties": {
"city": {
"type": "string",
"description": "Nom de la ville ou de la région"
}
},
"required": ["city"]
}
}
}
]Implémentation des fonctions
En production, ces fonctions appelleraient une vraie API météo. Ici, nous simulons les réponses :
def get_weather(city, unit="celsius"):
# En production : appel à OpenWeatherMap, WeatherAPI, etc.
data = {
"Paris": {"temp": 18, "humidity": 65, "wind": 12, "conditions": "Nuageux"},
"Lyon": {"temp": 21, "humidity": 55, "wind": 8, "conditions": "Ensoleillé"},
"Marseille": {"temp": 24, "humidity": 70, "wind": 15, "conditions": "Dégagé"},
}
result = data.get(city, {"error": f"Ville {city} non trouvée"})
if "error" not in result:
result["city"] = city
result["unit"] = unit
return result
def get_forecast(city, days=3):
return {
"city": city,
"forecast": [
{"day": f"J+{i+1}", "temp_max": 20+i, "temp_min": 12+i,
"conditions": "Variable"}
for i in range(days)
]
}
def get_alerts(city):
alerts = {
"Marseille": [{"type": "Vent fort", "severity": "orange",
"message": "Rafales jusqu'à 90 km/h prévues"}],
}
return {"city": city, "alerts": alerts.get(city, [])}La boucle principale de l’agent
def execute_function(name, args):
functions = {
"get_weather": get_weather,
"get_forecast": get_forecast,
"get_alerts": get_alerts,
}
fn = functions.get(name)
if not fn:
return {"error": f"Fonction {name} inconnue"}
try:
return fn(**args)
except Exception as e:
return {"error": str(e)}
def weather_agent(user_message):
messages = [
{
"role": "system",
"content": "Vous êtes un assistant météo expert. "
"Utilisez les outils disponibles pour fournir "
"des informations météo précises. Vérifiez "
"toujours les alertes quand on vous demande "
"la météo d'une ville."
},
{"role": "user", "content": user_message}
]
for _ in range(5): # Max 5 tours
response = client.chat.completions.create(
model="grok-3",
messages=messages,
tools=tools
)
message = response.choices[0].message
messages.append(message)
if not message.tool_calls:
return message.content
for tc in message.tool_calls:
args = json.loads(tc.function.arguments)
print(f" → Appel : {tc.function.name}({args})")
result = execute_function(tc.function.name, args)
messages.append({
"role": "tool",
"tool_call_id": tc.id,
"content": json.dumps(result, ensure_ascii=False)
})
return "Désolé, trop de tours nécessaires."Tester l’agent
# Test 1 : question simple
print(weather_agent("Quel temps fait-il à Paris ?"))
# Test 2 : prévisions
print(weather_agent("Donne-moi les prévisions pour Lyon sur 5 jours"))
# Test 3 : multi-villes (appels parallèles)
print(weather_agent("Compare la météo entre Paris, Lyon et Marseille"))
# Test 4 : question complexe
print(weather_agent("Je pars à Marseille ce weekend, que me conseilles-tu ?"))Le test 3 déclenche des appels parallèles : le modèle appelle get_weather trois fois simultanément. Le test 4 est le plus intéressant — le modèle devrait appeler get_forecast ET get_alerts pour Marseille, puis synthétiser les résultats en conseils pratiques.
Améliorations possibles
Pour un agent production-ready, ajoutez :
- Cache : ne pas rappeler l’API météo pour la même ville dans les 10 minutes
- Géocodage : convertir les noms de ville en coordonnées pour plus de précision
- Historique : sauvegarder les préférences utilisateur (unités, villes favorites)
- Internationalisation : supporter les noms de ville dans toutes les langues
Points clés à retenir
- Un agent complet combine plusieurs outils avec des responsabilités distinctes
- Le system prompt guide le comportement du modèle (vérifier les alertes systématiquement)
- La boucle multi-tour avec
max_iterationsévite les boucles infinies - Le dispatcher
execute_functioncentralise l’exécution et la gestion d’erreurs - Testez avec des requêtes variées : simples, multi-villes, complexes
- En production, ajoutez cache, géocodage et historique utilisateur