#### Phase de test tri image
python main_llama.py <ticket_id> --skip-ticket-analysis --skip-image-analysis --skip-report

### 🧩 1. Préparation initiale (via `main_llama.py`)

#### 🔹 Entrées :

- ID du ticket (`T11143`)
    
- Arguments éventuels : `--skip-*`
    

#### 🔹 Appels internes :

- `OrchestratorLlama.executer(ticket_id, config)`
    

---

## 🧠 Pipeline complet orchestré

### ▶️ Étape 1 : **Chargement des données**

📁 Fichier : `ticket_data_loader.py`

- Charge :
    
    - Données du ticket (`ticket.json`)
        
    - Captures d’écran (`*.png`, `*.jpg`, `*.gif`)
        
- Transmet :
    
    - `ticket` (dict)
        
    - `images` (list[str]) ← chemins absolus
        

---

### ▶️ Étape 2 : **Dédoublonnage**

📁 Fichier : `image_dedup.py`

- Entrée : `images`
    
- Méthode : distance de Hamming
    
- Sortie : `images_uniques` (filtrées)
    

✅ À partir d’ici, on ne traite plus que les images utiles

---

### ▶️ Étape 3 : **OCR + Traduction**

📁 Fichiers : `ocr_utils.py` + `translate_utils.py`

#### Pour chaque image :

1. `ocr_utils.extraire_texte_fr(image_path)`
    
    - → texte brut FR
        
2. `translate_utils.fr_to_en()`
    
    - → traduction EN
        
3. `translate_utils.en_to_fr()` (optionnel)
    
    - → re-traduction EN→FR
        
4. `translate_utils.sauvegarder_ocr_traduction()`
    
    - 🔽 Sauvegarde :
        
        - `ocr_traduction/<image>.json`
            
        - `ocr_traduction.txt` (append)
            

---

## 🤖 CHAÎNE D’AGENTS

---

### ▶️ Étape 4 : `AgentImageSorter`

📁 Fichier : `agent_image_sorter.py`

#### Reçoit :

- 1 image à la fois
    
- OCR_FR + EN injecté dans prompt
    

#### Fonction :

- Génère un prompt en anglais
    
- Analyse via `llama_vision.interroger_avec_image()`
    

#### Rend :

- JSON avec :
    
    - `is_relevant: bool`
        
    - `reason`
        
    - `raw_response`
        
    - `ocr_fr`, `ocr_en`
        
- 🔽 Sauvegarde :
    
    - `tri_image_llama_*.json`
        
    - `tri_image_llama_*.txt`
        

---

### ▶️ Étape 5 : `AgentImageAnalyser`

📁 Fichier : `agent_image_analyser.py`

#### Reçoit :

- Liste des **images pertinentes**
    
- (via `image_sorter`)
    

#### Fonction :

- Prompt visuel spécifique par image
    
- Analyse ce que montre l’image
    
- Peut enrichir le contenu visuel à inclure dans le rapport
    

#### Rend :

- Pour chaque image :
    
    - Résumé structuré
        
    - Mots-clés, erreurs détectées, éléments visuels
        
- 🔽 Sauvegarde :
    
    - `analyse_image_llama_*.json`
        
    - `analyse_image_llama_*.txt`
        

---

### ▶️ Étape 6 : `AgentTicketAnalyser`

📁 Fichier : `agent_ticket_analyser.py`

#### Reçoit :

- Texte du ticket
    
- Analyse des images pertinentes
    

#### Fonction :

- Génère des Q&R contextuelles
    
- Résume le besoin utilisateur ou les problèmes détectés
    

#### Rend :

- Liste de Q/R
    
- Résumé en texte libre
    
- 🔽 Sauvegarde :
    
    - `analyse_ticket_llama_*.json`
        
    - `analyse_ticket_llama_*.txt`
        

---

### ▶️ Étape 7 : `AgentReportGenerator`

📁 Fichier : `agent_report_generator.py`

#### Reçoit :

- Analyse du ticket
    
- Analyse des images
    

#### Fonction :

- Génère un **rapport final** structuré
    
- Peut créer des tableaux CSV/Q&A
    

#### Rend :

- `rapport_final_llama_*.json`
    
- `rapport_final_llama_*.txt`
    
- CSV généré si demandé
    

---

### 🧾 Étapes transverses

Tous les agents :

- Appellent `sauvegarder_donnees()` de `pipeline_logger.py`
    
- Le chemin est déterminé par `ticket_id`, `timestamp`, `base_dir="reports"` → `output/ticket_TXXXX/TXXXX_YYYYMMDD_HHMMSS/TXXXX_rapports/pipeline/`
    

---

## ✅ Résumé des attentes par agent