> For the complete documentation index, see [llms.txt](https://docs.clore.ai/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.clore.ai/guides/guides_v2-fr/plateformes-et-agents-ia/superagi.md). # Framework d’agents SuperAGI ## Aperçu [SuperAGI](https://github.com/TransformerOptimus/SuperAGI) est un cadre d'agents IA autonomes open-source, orienté développeur, avec plus de 15K étoiles sur GitHub. Contrairement aux simples chatbots, SuperAGI exécute **agents autonomes** — des systèmes d'IA qui planifient de manière autonome, exécutent des tâches en plusieurs étapes, utilisent des outils et itèrent vers un objectif sans intervention humaine constante. **Pourquoi exécuter SuperAGI sur Clore.ai ?** * **GPU optionnel avec prise en charge puissante des LLM locaux** — Exécutez des agents soutenus par des modèles locaux (Llama, Mistral, etc.) sur les GPU de Clore.ai pour une IA autonome entièrement privée et à coût contrôlé. * **Exécution concurrente d'agents** — Exécutez plusieurs agents en parallèle sur le même serveur, chacun travaillant sur des tâches différentes simultanément. * **Mémoire persistante des agents** — Les agents conservent le contexte, apprennent des sorties des outils et stockent une mémoire à long terme dans des bases de données vectorielles entre les exécutions. * **Place de marché d'outils** — Intégrations préconstruites pour Google Search, GitHub, Email, Jira, Notion, et plus encore. * **Économie de Clore.ai** — À environ 0,20 $/h pour une RTX 3090, vous pouvez exécuter des agents autonomes capables à une fraction du coût des services d'IA cloud. ### Principales caractéristiques | Fonction | Description | | ---------------------------- | -------------------------------------------------------------------- | | Provisionnement d'agents | Créez, configurez et déployez des agents via une interface graphique | | Place de marché d'outils | Plus de 30 outils intégrés (recherche, code, fichiers, API) | | Prise en charge multi-modèle | OpenAI, Anthropic, LLM locaux via endpoint personnalisé | | Agents concurrents | Exécutez plusieurs agents simultanément | | Mémoire d'agent | Court terme (fenêtre de contexte) + long terme (BD vectorielle) | | Tableau de bord GUI | Interface web complète pour la gestion des agents | | Gestionnaire de ressources | Suivez l'utilisation des tokens et les coûts par agent | | Modèles de workflow | Modèles d'agents préconstruits pour tâches courantes | ### Architecture ``` ┌────────────────────────────────────────────────────┐ │ SuperAGI Stack │ │ │ │ ┌─────────────────────┐ ┌───────────────────┐ │ │ │ Frontend (Port 3000)│ │ API (Port 8001) │ │ │ │ Next.js UI │ │ FastAPI Backend │ │ │ └──────────┬──────────┘ └─────────┬─────────┘ │ │ └──────────┬─────────────┘ │ │ ▼ │ │ ┌─────────────────────────────────────────────┐ │ │ │ Agent Executor │ │ │ │ ┌──────────┐ ┌──────────┐ ┌──────────┐ │ │ │ │ │ Agent 1 │ │ Agent 2 │ │ Agent N │ │ │ │ │ └──────────┘ └──────────┘ └──────────┘ │ │ │ └───────┬─────────────┬─────────────┬─────────┘ │ │ ▼ ▼ ▼ │ │ ┌───────────┐ ┌───────────┐ ┌───────────┐ │ │ │ PostgreSQL │ │ Redis │ │ Vector │ │ │ │ (État) │ │ (Queue) │ │ DB │ │ │ └───────────┘ └───────────┘ └───────────┘ │ └────────────────────────────────────────────────────┘ │ ┌─────┴──────┐ ▼ ▼ OpenAI LLM local Anthropic (Ollama/vLLM) ``` *** ## Exigences ### Spécifications du serveur | Composant | Minimum | Recommandé | Remarques | | ------------ | ---------------- | --------------------- | ------------------------------------------------------ | | **GPU** | Aucun (mode API) | RTX 3090 (LLM locaux) | GPU nécessaire pour l'inférence de modèles locaux | | **VRAM** | — | 24 Go | Pour exécuter des modèles locaux 13B+ | | **CPU** | 4 vCPU | 8 vCPU | L'exécution d'agents est gourmande en CPU | | **RAM** | 8 Go | 16 Go | Plusieurs agents concurrents ont besoin de mémoire | | **Stockage** | 20 Go | 100+ Go | Journaux d'agents, BD vectorielle, stockage de modèles | ### Référence de tarification Clore.ai | Type de serveur | Coût approximatif | Cas d'utilisation | | ------------------- | ----------------- | ------------------------------------------------ | | CPU (8 vCPU, 16 Go) | ≈ 0,10–0,20 $/h | SuperAGI + API externe (OpenAI/Anthropic) | | RTX 3090 (24 Go) | \~0,20 $/h | SuperAGI + Ollama modèle local 13B | | RTX 4090 (24 Go) | \~0,35 $/h | SuperAGI + Ollama, inférence plus rapide | | 2× RTX 3090 | \~0,40 $/h | SuperAGI + modèle 70B (quantifié Q4) | | A100 80 Go | \~1,10 $/h | SuperAGI + grands modèles, haute concurrence | | H100 80 Go | ≈ 2,50 $/h | Systèmes d'agents autonomes de niveau production | > 💡 **Conseil sur les coûts :** Pour le développement et les tests, utilisez les APIs OpenAI ou Anthropic (aucun GPU requis). Passez à une instance GPU seulement lorsque vous avez besoin d'inférence LLM locale pour des raisons de confidentialité ou de coût. Voir [Guide de comparaison GPU](/guides/guides_v2-fr/prise-en-main/gpu-comparison.md). ### Prérequis * Serveur Clore.ai avec accès SSH * Docker + Docker Compose (pré-installés sur Clore.ai) * Git (préinstallé) * 4+ vCPU, 8+ Go de RAM (16 Go recommandés pour agents concurrents) * Clé API OpenAI **ou** endpoint LLM local (Ollama/vLLM) *** ## Démarrage rapide ### Méthode 1 : Docker Compose (Officiel — Recommandé) Le déploiement officiel de SuperAGI utilise Docker Compose pour gérer tous les services. **Étape 1 : Connectez-vous à votre serveur Clore.ai** ```bash ssh root@ -p ``` **Étape 2 : Cloner et configurer** ```bash git clone https://github.com/TransformerOptimus/SuperAGI.git cd SuperAGI cp config_template.yaml config.yaml ``` **Étape 3 : Éditer `config.yaml`** ```bash nano config.yaml ``` Configuration minimale requise : ```yaml # config.yaml OPENAI_API_KEY: "sk-votre-cle-openai-ici" # Base de données (laisser par défaut pour Docker Compose) POSTGRES_DB: "super_agi" POSTGRES_USER: "super_agi" POSTGRES_PASSWORD: "password" # Base de données vectorielle VECTOR_STORE: "Redis" # ou "Pinecone", "Qdrant", "Weaviate" REDIS_URL: "redis://super__agi-redis-1:6379/0" # Paramètres de l'app ENV: "PROD" ALLOW_LISTS_CREATION: "true" # Optionnel : restreindre l'accès # AUTH_SECRET_KEY: "votre-secret-aleatoire" ``` **Étape 4 : Démarrer la stack** ```bash docker compose up -d --build ``` Le processus de build télécharge les dépendances et compile le frontend (\~5–10 minutes lors de la première exécution). **Étape 5 : Surveiller le démarrage** ```bash # Regardez tous les services se lancer docker compose ps # Suivre les logs docker compose logs -f # Attendez "Application startup complete" dans les logs du backend docker compose logs superagi-backend --tail 30 ``` **Étape 6 : Accéder au tableau de bord** ``` http://:3000 ``` L'API est disponible à : ``` http://:8001 ``` Documentation de l'API : ``` http://:8001/docs ``` *** ### Méthode 2 : Démarrage rapide avec images préconstruites Pour un démarrage plus rapide en utilisant des images préconstruites (sauter l'étape de build) : ```bash git clone https://github.com/TransformerOptimus/SuperAGI.git cd SuperAGI cp config_template.yaml config.yaml # Éditez la config avec vos clés API nano config.yaml # Utilisez des images préconstruites si disponibles docker compose -f docker-compose.yaml pull docker compose up -d ``` *** ### Méthode 3 : Configuration minimale mono-modèle Une configuration simplifiée pour tester uniquement avec OpenAI : ```bash git clone https://github.com/TransformerOptimus/SuperAGI.git cd SuperAGI # Créez une config minimale cat > config.yaml << 'EOF' OPENAI_API_KEY: "sk-votre-cle-ici" POSTGRES_DB: "super_agi" POSTGRES_USER: "super_agi" POSTGRES_PASSWORD: "superagi_password_123" REDIS_URL: "redis://super__agi-redis-1:6379/0" ENV: "PROD" EOF docker compose up -d --build # Surveillez la progression du build docker compose logs superagi-frontend --tail 5 -f & docker compose logs superagi-backend --tail 5 -f ``` *** ## Configuration ### `config.yaml` Référence ```yaml # ============================================================ # Fournisseurs LLM # ============================================================ OPENAI_API_KEY: "sk-..." # modèles OpenAI GPT ANTHROPIC_API_KEY: "sk-ant-..." # modèles Claude # Pour les modèles locaux (Ollama ou API compatible OpenAI) # Définir dans l'UI : Settings → Models → Custom Model OPENAI_API_BASE: "http://172.17.0.1:11434/v1" # Ollama sur le même hôte OPENAI_MODEL: "llama3.1:8b" # ============================================================ # Base de données # ============================================================ POSTGRES_DB: "super_agi" POSTGRES_USER: "super_agi" POSTGRES_PASSWORD: "votre-mot-de-passe-fort" # ============================================================ # Base de données vectorielle (mémoire longue des agents) # ============================================================ VECTOR_STORE: "Redis" # Redis (par défaut, intégré) # Ou utilisez externe : # VECTOR_STORE: "Pinecone" # PINECONE_API_KEY: "votre-cle" # PINECONE_ENVIRONMENT: "us-east-1-aws" # VECTOR_STORE: "Weaviate" # WEAVIATE_URL: "http://weaviate:8080" # ============================================================ # Clés API pour outils (optionnel, pour outils spécifiques) # ============================================================ GOOGLE_API_KEY: "votre-cle-google" GOOGLE_CUSTOM_SEARCH_ENGINE_ID: "votre-id-cx" GITHUB_TOKEN: "ghp_votre-token" JIRA_EMAIL: "votre@email.com" JIRA_API_TOKEN: "votre-jira-token" JIRA_SERVER_URL: "https://votre-org.atlassian.net" # ============================================================ # Stockage # ============================================================ STORAGE_TYPE: "File" # Stockage de fichiers local # STORAGE_TYPE: "S3" # Compatible S3 (MinIO, AWS) # BUCKET_NAME: "superagi" # AWS_ACCESS_KEY_ID: "..." # AWS_SECRET_ACCESS_KEY: "..." # ============================================================ # Sécurité # ============================================================ JWT_SECRET_KEY: "votre-cle-secrete-aleatoire" ``` ### Connexion de SuperAGI aux outils Les outils sont configurés via l'interface graphique à **Settings → Toolkit**. Chaque outil peut être activé/désactivé par agent. **Outils intégrés :** | Outil | But | Clé API requise | | ------------------------ | ------------------------------- | ------------------ | | Recherche Google | Recherche web | Oui (API Google) | | DuckDuckGo | Recherche web | Non | | GitHub | Accès au dépôt de code | Oui (token GitHub) | | Email | Envoyer/recevoir des e-mails | Oui (config SMTP) | | Générateur de code | Écrire et exécuter du code | Non | | Gestionnaire de fichiers | Lire/écrire des fichiers locaux | Non | | Navigateur | Navigation web headless | Non | | Jira | Suivi des tickets | Oui | | Notion | Base de connaissances | Oui | | Génération d'images | DALL-E 3, Stable Diffusion | Oui (clé OpenAI) | ### Créer votre premier agent Via l'interface graphique (Settings → Agents → Create Agent) : 1. **Nom** — Donnez à votre agent un nom descriptif 2. **Description** — Ce que fait cet agent 3. **Objectifs** — Listez les objectifs (un par ligne) 4. **Instructions** — Prompt système pour le comportement 5. **Modèle** — Sélectionnez LLM (GPT-4, Claude ou local) 6. **Outils** — Activez les outils pertinents 7. **Itérations max** — Limite de sécurité (10–50 typique) Via l'API REST : ```bash # Créer un agent via l'API curl -X POST "http://localhost:8001/v1/agent" \ -H "Content-Type: application/json" \ -d '{ "name": "Agent de Recherche", "description": "Recherche des sujets et rédige des résumés", "goal": [ "Rechercher le sujet fourni", "Écrire un résumé complet", "Enregistrer le résumé dans un fichier" ], "agent_type": "Task Queue", "constraints": [], "tools": ["DuckDuckGoSearch", "WriteFileTool", "ReadFileTool"], "exit_criterion": "Aucun critère de sortie", "max_iterations": 25, "user_timezone": "UTC", "llm_model_config": { "model_name": "gpt-4o-mini", "temperature": 0.5, "max_new_tokens": 2000 } }' ``` *** ## Accélération GPU SuperAGI prend en charge l'inférence LLM locale via tout endpoint compatible OpenAI, ce qui le rend idéal pour les déploiements Clore.ai avec GPU. ### Configurer Ollama comme backend LLM pour les agents Voir [Guide Ollama](/guides/guides_v2-fr/modeles-de-langage/ollama.md) pour la configuration complète d'Ollama. Intégration avec SuperAGI : **Étape 1 : Démarrer Ollama sur le même serveur Clore.ai** ```bash docker run -d \ --name ollama \ --gpus all \ --restart unless-stopped \ -p 11434:11434 \ -v ollama_models:/root/.ollama \ ollama/ollama # Récupérer un modèle capable pour l'utilisation par les agents (nécessite un bon raisonnement) docker exec ollama ollama pull llama3.1:8b # Rapide, bon en raisonnement docker exec ollama ollama pull mistral:7b-instruct # Tâches de code docker exec ollama ollama pull deepseek-coder:6.7b # Agents axés code ``` **Étape 2 : Configurer SuperAGI pour utiliser Ollama** Dans `config.yaml`: ```yaml # Pointer vers Ollama (exécuté sur l'hôte Docker) OPENAI_API_BASE: "http://172.17.0.1:11434/v1" ``` Ou configurer dans l'UI SuperAGI : * **Settings → Models → Add Custom Model** * Fournisseur : compatible OpenAI * URL de base : `http://172.17.0.1:11434/v1` * Clé API : `ollama` (n'importe quelle chaîne) * Nom du modèle : `llama3.1:8b` ### Configurer vLLM pour des agents à haut débit Pour les déploiements en production avec de nombreux agents concurrents (voir [- Débit le plus élevé](/guides/guides_v2-fr/modeles-de-langage/vllm.md)): ```bash # Démarrer vLLM sur le serveur GPU docker run -d \ --name vllm \ --gpus all \ --restart unless-stopped \ -p 8000:8000 \ -v hf_cache:/root/.cache/huggingface \ -e HF_TOKEN=hf_votre-token \ vllm/vllm-openai:latest \ --model mistralai/Mistral-7B-Instruct-v0.3 \ --served-model-name mistral-7b \ --max-model-len 8192 \ --enable-prefix-caching # Dans config.yaml : # OPENAI_API_BASE: "http://172.17.0.1:8000/v1" ``` ### Dimensionnement GPU pour charges de travail d'agents | Cas d'utilisation | Modèle | GPU | VRAM | Agents concurrents | | ---------------------- | ------------------- | ----------- | ----- | ------------------------------ | | Test | GPT-4o-mini (API) | Aucune | — | Illimité (limité par le débit) | | Agents légers | Llama 3.1 8B | RTX 3090 | 8 Go | 2–4 | | Tâches de raisonnement | Mistral 7B Instruct | RTX 3090 | 6 Go | 3–5 | | Agents complexes | Llama 3.1 70B Q4 | 2× RTX 3090 | 48 Go | 1–2 | | Production | Llama 3.1 70B FP16 | A100 80GB | 80 Go | 3–6 | *** ## Conseils et bonnes pratiques ### Conception d'agent * **Soyez précis avec les objectifs** — Des objectifs vagues comme « faire des recherches » font boucler les agents. Utilisez « Rechercher X et écrire un résumé de 500 mots dans output.txt. » * **Définir des limites d'itération** — Fixez toujours `max_iterations` (20–50). Les agents illimités peuvent consommer rapidement des tokens. * **Utiliser le mode file de tâches** — Pour les pipelines multi-étapes, les agents « Task Queue » sont plus fiables que le mode « Don't Limit ». * **Testez d'abord avec des modèles peu coûteux** — Validez la logique de l'agent avec GPT-4o-mini ou un modèle local 7B avant d'utiliser des modèles coûteux. ### Gestion des coûts sur Clore.ai ```bash # Surveillez l'utilisation des tokens en temps réel depuis le tableau de bord SuperAGI # Settings → Resources → Token Usage # Définissez des limites au niveau organisation dans config.yaml MAX_BUDGET_TOKENS: 100000 # Limite souple par session ``` Puisque Clore.ai facture à l'heure : ```bash # Sauvegardez les configurations d'agents avant d'arrêter l'instance docker compose exec superagi-backend \ python -c "import json; from superagi.models import Agent; ..." # Sauvegarder la base PostgreSQL docker compose exec super__agi-db-1 \ pg_dump -U super_agi super_agi | gzip > superagi-db-$(date +%Y%m%d).sql.gz # Copier la sauvegarde hors du serveur scp -P root@:~/SuperAGI/superagi-db-*.sql.gz ./ ``` ### Sécurisation de SuperAGI ```bash # Activer l'authentification dans config.yaml AUTH_SECRET_KEY: "votre-secret-fort-aleatoire" # Restreindre l'API à localhost (utiliser des tunnels SSH) # Modifier docker-compose.yml pour supprimer le binding de port externe : # ports: # - "127.0.0.1:8001:8001" # API locale uniquement # - "127.0.0.1:3000:3000" # UI locale uniquement # Puis accéder via tunnel SSH : # ssh -L 3000:localhost:3000 -L 8001:localhost:8001 root@ -p ``` ### Stockage persistant entre les sessions Clore.ai ```bash # Créer un script de sauvegarde complet cat > /root/backup-superagi.sh << 'EOF' #!/bin/bash cd ~/SuperAGI # Sauvegarder la base de données docker compose exec -T super__agi-db-1 \ pg_dump -U super_agi super_agi | \ gzip > ~/backups/superagi-db-$(date +%Y%m%d-%H%M).sql.gz # Sauvegarder la config et les espaces de travail tar -czf ~/backups/superagi-files-$(date +%Y%m%d-%H%M).tar.gz \ config.yaml \ workspace/ \ .env 2>/dev/null || true echo "Sauvegarde terminée : $(ls -lh ~/backups/ | tail -2)" EOF chmod +x /root/backup-superagi.sh mkdir -p ~/backups ``` ### Mise à jour de SuperAGI ```bash cd ~/SuperAGI # Sauvegarder la config actuelle cp config.yaml config.yaml.backup # Récupérer les derniers changements git pull origin main # Rebuild et redémarrage docker compose down docker compose up -d --build # Vérifier que tous les services sont sains docker compose ps docker compose logs superagi-backend --tail 20 ``` *** ## Dépannage ### Le build échoue pendant `docker compose up --build` ```bash # Vérifier les logs de build en détail docker compose build superagi-backend --no-cache 2>&1 | tail -50 # Correctif courant : libérer de l'espace disque docker system prune -f df -h # Assurez-vous d'avoir au moins 10 Go de libre # Si le build npm échoue pour le frontend docker compose build superagi-frontend --no-cache # Vérifier la mémoire Node.js pendant le build docker compose build superagi-frontend \ --build-arg NODE_OPTIONS="--max-old-space-size=4096" ``` ### Le backend plante au démarrage ```bash # Vérifier les logs du backend docker compose logs superagi-backend --tail 50 # Causes courantes : # 1. Syntaxe config.yaml invalide python3 -c "import yaml; yaml.safe_load(open('config.yaml'))" && echo "YAML OK" # 2. Base de données pas prête docker compose restart superagi-backend # Attendre que la BD démarre d'abord # 3. Clé API manquante grep OPENAI_API_KEY config.yaml # Assurez-vous qu'elle est définie et non vide ``` ### Le frontend ne se charge pas (port 3000) ```bash # Vérifier le conteneur frontend docker compose ps superagi-frontend docker compose logs superagi-frontend --tail 30 # Vérifier le mapping de ports ss -tlnp | grep 3000 # Vérifier si le backend API est joignable depuis le frontend docker compose exec superagi-frontend \ curl -s http://superagi-backend:8001/health ``` ### Les agents bouclent indéfiniment ```bash # Vérifier les logs d'agent dans l'UI SuperAGI : # Dashboard → Agent → View Logs # Arrêter de force un agent en cours via l'API curl -X POST "http://localhost:8001/v1/agent//stop" \ -H "Content-Type: application/json" # Ou arrêter tous les agents via la BD docker compose exec super__agi-db-1 \ psql -U super_agi -c "UPDATE agent_executions SET status='COMPLETED' WHERE status='RUNNING';" ``` ### Erreurs de connexion Redis ```bash # Vérifier le statut de Redis docker compose ps super__agi-redis-1 docker compose logs super__agi-redis-1 # Tester la connexion Redis docker compose exec superagi-backend \ python3 -c "import redis; r=redis.from_url('redis://super__agi-redis-1:6379/0'); print(r.ping())" # Redémarrer Redis docker compose restart super__agi-redis-1 ``` ### Ollama non joignable depuis le conteneur SuperAGI ```bash # Trouver l'IP du bridge Docker docker network inspect bridge | grep Gateway # Tester depuis le conteneur backend docker compose exec superagi-backend \ curl -s http://172.17.0.1:11434/v1/models # Si vous utilisez le réseau host docker run -d --network host ... # Pas facilement compatible avec docker compose # Alternative : ajouter Ollama au même réseau compose # Ajouter aux services de docker-compose.yml : # ollama: # image: ollama/ollama # deploy: # resources: # reservations: # devices: # - driver: nvidia # count: all # capabilities: [gpu] ``` ### Pool de connexions à la base de données épuisé ```bash # Augmenter max_connections de PostgreSQL dans docker-compose.yml # Sous le service db : command: postgres -c max_connections=200 # Redémarrer la base de données docker compose restart super__agi-db-1 docker compose restart superagi-backend ``` *** ## Lectures complémentaires * [Documentation SuperAGI](https://superagi.com/docs) — guides officiels, référence API * [SuperAGI GitHub](https://github.com/TransformerOptimus/SuperAGI) — code source, issues, communauté * [Exécuter Ollama sur Clore.ai](/guides/guides_v2-fr/modeles-de-langage/ollama.md) — backend LLM local pour les agents * [Exécuter vLLM sur Clore.ai](/guides/guides_v2-fr/modeles-de-langage/vllm.md) — inférence à haut débit pour agents concurrents * [Guide de comparaison GPU](/guides/guides_v2-fr/prise-en-main/gpu-comparison.md) — choisir le bon niveau Clore.ai * [Place de marché des outils SuperAGI](https://superagi.com/marketplace/) — outils d'agents créés par la communauté * [SuperAGI Discord](https://discord.gg/dXbRe5BHJC) — support communautaire et discussions * [Docs FastAPI (API SuperAGI)](http://localhost:8001/docs) — documentation API interactive sur votre instance --- # Agent Instructions This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com. ## Querying This Documentation If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question. Perform an HTTP GET request on the current page URL with the `ask` query parameter: ``` GET https://docs.clore.ai/guides/guides_v2-fr/plateformes-et-agents-ia/superagi.md?ask= ``` The question should be specific, self-contained, and written in natural language. The response will contain a direct answer to the question and relevant excerpts and sources from the documentation. Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.