coffreobsidian/Stage/Flux d'exécution du programme.md

1. Initialisation et découverte

• L'orchestrateur détecte les tickets disponibles

• Pour chaque ticket, il trouve les extractions et rapports existants

• Il prépare un répertoire pour les nouveaux rapports

1. Analyse de texte (AgentJsonAnalyser)

• Charge les données du ticket (JSON ou Markdown)

• Utilise Mistral Medium pour analyser le contenu du ticket

• Extrait les informations clés (problème, contexte, priorité)

• Produit une analyse structurée du ticket

1. Filtrage d'images (AgentImageSorter)

• Parcourt toutes les images dans le dossier "attachments"

• Pour chaque image, utilise Pixtral12b pour déterminer sa pertinence

• Classe les images comme pertinentes ou non pertinentes

• Conserve uniquement les images pertinentes pour l'analyse approfondie

1. Analyse d'images (AgentImageAnalyser)

• Pour chaque image pertinente identifiée

• Utilise Pixtral12b pour analyser l'image en contexte avec les données du ticket

• Extrait des informations techniques (interfaces, messages d'erreur)

• Interprète l'image dans le contexte du problème signalé

1. Génération de rapport (AgentReportGenerator)

• Collecte toutes les analyses (texte et images)

• Utilise Mistral Medium pour synthétiser l'information

• Génère un rapport structuré avec recommandations

• Crée deux formats (JSON complet et Markdown adapté)

• Inclut les métadonnées sur tous les agents utilisés

Fonctionnement des agents

AgentJsonAnalyser

• Modèle LLM : Mistral Medium

• Entrée : Données du ticket (JSON/Markdown)

• Fonction : Analyse le contenu du ticket pour en extraire les informations pertinentes

• Comportement : Structuration de l'information en sections (problème principal, informations essentielles, contexte client)

• Sortie : Texte structuré avec analyse du ticket

AgentImageSorter

• Modèle LLM : Pixtral12b

• Entrée : Chemin vers une image

• Fonction : Déterminer si l'image est pertinente pour l'analyse du ticket

• Comportement :

• Vérifie que l'image est accessible

• Utilise un prompt spécifique pour la classification

• Analyse la réponse pour déterminer la pertinence (oui/non)

• Gère des fallbacks pour différentes méthodes d'analyse d'image

• Sortie : Dictionnaire avec décision de pertinence et justification

AgentImageAnalyser

• Modèle LLM : Pixtral12b

• Entrée : Image + résultat de l'analyse de texte comme contexte

• Fonction : Analyser en profondeur l'image dans le contexte du ticket

• Comportement :

• Vérifie que l'image est accessible

• Structure l'analyse en sections (description, éléments techniques, interprétation, relation avec le ticket)

• Gère les contraintes techniques (formats d'image, encodage)

• Sortie : Analyse détaillée de l'image en relation avec le problème

AgentReportGenerator

• Modèle LLM : Mistral Medium

• Entrée : Toutes les analyses précédentes (texte + images)

• Fonction : Synthétiser les analyses en un rapport complet

• Comportement :

• Collecte les informations de tous les agents

• Structure un rapport complet

• Génère des recommandations

• Crée des versions JSON et Markdown

• Inclut des métadonnées sur le processus d'analyse

• Sortie : Rapport détaillé au format JSON et Markdown

Points d'optimisation possibles

1. Qualité des prompts :

• Spécificité des instructions pour chaque agent

• Format et structure des réponses attendues

• Contexte approprié pour chaque tâche

1. Traitement des images :

• Méthodes d'encodage et d'analyse

• Critères de pertinence pour le tri

• Niveau de détail dans l'analyse

1. Paramètres LLM :

• Temperature pour balance créativité/déterminisme

• Top-p pour la diversité des réponses

• Max tokens pour contrôler la longueur

1. Flux de travail :

• Ordre des opérations

• Interactions entre agents

• Traitement des exceptions et cas particuliers