coffreobsidian/inbox/main_llama.py.md

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