L'AgentExecutor d'OnPrem.LLM permet à des agents IA autonomes d'exécuter des tâches complexes en utilisant à la fois des modèles cloud et locaux. Le pipeline fonctionne avec tout modèle pris en charge par LiteLLM qui supporte l'appel d'outils, incluant les modèles cloud comme GPT-5.2-Codex d'OpenAI, Claude Sonnet 4.5 d'Anthropic, et Gemini 1.5 Pro de Google, ainsi que des modèles locaux via Ollama, vLLM ou llama.cpp.

Outils intégrés

Par défaut, AgentExecutor donne accès à neuf outils intégrés :

• read_file - Lire le contenu complet d'un fichier
• read_lines - Lire des plages de lignes spécifiques dans les fichiers
• edit_file - Modifier des fichiers via recherche/remplacement
• write_file - Écrire le contenu complet d'un fichier
• grep - Rechercher des motifs dans les fichiers
• find - Trouver des fichiers par motif glob
• run_shell - Exécuter des commandes shell
• web_search - Rechercher des informations sur le web
• web_fetch - Récupérer et lire du contenu depuis des URL

Exemples de configuration

Vous pouvez personnaliser l'accès aux outils selon vos exigences de sécurité :

# Utiliser les paramètres par défaut (tous les outils incluant shell) :
executor = AgentExecutor(model='anthropic/claude-sonnet-4-5')

Par défaut mais sans accès shell (plus sûr) :
executor = AgentExecutor(
    model='openai/gpt-5-mini',
    disable_shell=True
)
Outils minimaux :
executor = AgentExecutor(
    model='openai/gpt-5-mini',
    enabled_tools=['read_file', 'write_file']
)
Recherche web uniquement :
executor = AgentExecutor(
    model='openai/gpt-5-mini',
    enabled_tools=['web_search', 'web_fetch']
)

Exécution isolée

Pour la sécurité, vous pouvez exécuter les agents dans des conteneurs éphémères en utilisant sandbox=True. Ceci est important car les agents avec accès shell peuvent potentiellement lire ou modifier des fichiers en dehors du répertoire de travail. L'agent opère dans le répertoire de travail spécifié et ne peut pas lire ou écrire en dehors de celui-ci, sauf s'il dispose d'un accès shell.

Exemple basique avec isolation :

executor = AgentExecutor(
    model='anthropic/claude-sonnet-4-5',
    sandbox=True,
)

result = executor.run(
    task="""
    Créer un module Python de calculatrice simple avec :
    - calculator.py avec des fonctions add, subtract, multiply, divide
    - test_calculator.py avec des tests pytest
    - Tous les tests doivent passer
    """,
    working_dir='./calculator_project'
)

Cette approche est utile pour les développeurs qui doivent automatiser des tâches de codage tout en maintenant des limites de sécurité. L'outil nécessite l'installation de PatchPal avec pip install patchpal.