llm_ticket3/README_AGENTS_LLM.md

Organisation des Agents LLM\n\nLes agents sont organisés par modèle LLM dans des dossiers séparés pour permettre une personnalisation des prompts spécifiques à chaque modèle.\n

Structure des dossiers\n\n\nagents/\n├── deepseek/ # Agents optimisés pour DeepSeek\n├── llama_vision3.2/ # Agents optimisés pour Llama Vision 3.2\n├── mistral_large/ # Agents optimisés pour Mistral Large\n├── mistral_medium/ # Agents optimisés pour Mistral Medium\n├── pixtral12b/ # Agents optimisés pour Pixtral 12B\n├── pixtral_large/ # Agents optimisés pour Pixtral Large\n├── qwen2.5/ # Agents optimisés pour Qwen 2.5\n└── utils/ # Utilitaires communs et classe de base\n\n

Agents par modèle\n\nChaque modèle LLM utilise certains agents spécifiques, optimisés pour ses capacités :\n\n- Mistral Medium : Analyse de tickets et génération de rapports (texte)\n- Mistral Large : Analyse de tickets complexes et rapports détaillés\n- Pixtral 12B : Tri et analyse d'images (vision)\n- Pixtral Large : Tri et analyse d'images complexes\n- Llama Vision 3.2 : Ensemble complet d'agents (texte et vision)\n- DeepSeek : Analyse de tickets et génération de rapports\n- Qwen 2.5 : Génération de rapports dans un style spécifique\n\nL'architecture permet d'adapter précisément les prompts pour les forces et faiblesses de chaque modèle.\n

Utilisation dans les tests\n\nLes scripts de test (test_orchestrator_*.py) sont configurés pour utiliser des combinaisons spécifiques d'agents. Par exemple:\n\n- test_orchestrator.py : Utilise Mistral Medium et Pixtral 12B\n- test_orchestrator_large.py : Utilise Mistral Large et Pixtral Large\n- test_orchestrator_llama_vision.py : Utilise Llama Vision pour l'analyse d'images\n- test_orchestrator_deepseek.py : Utilise DeepSeek pour l'analyse de tickets\n- test_orchestrator_qwen_specialized.py : Utilise Qwen pour la génération de rapports\n\n## Classe BaseAgent\n\nTous les agents héritent de la classe BaseAgent qui se trouve dans agents/utils/base_agent.py. Cette classe fournit des fonctionnalités communes telles que:\n\n- Gestion de l'historique des actions\n- Interface commune avec les modèles LLM\n- Méthode abstraite executer() que tous les agents doivent implémenter\n\n## Modification des prompts\n\nPour adapter un agent à un LLM spécifique:\n\n1. Modifiez le fichier d'agent dans le dossier du LLM correspondant\n2. Ajustez le prompt système dans la variable self.system_prompt\n3. Adaptez les paramètres (température, top_p, etc.) en fonction du modèle\n4. Testez avec le script d'orchestration correspondant\n\n## Compatibilité avec l'orchestrateur\n\nL'orchestrateur est conçu pour fonctionner indifféremment avec n'importe quelle implémentation d'agent tant qu'elle respecte l'interface BaseAgent. Cela permet de comparer facilement les performances des différents LLM sur les mêmes tâches.\n

Résolution des erreurs d'importation\n\nSi vous rencontrez des erreurs d'importation concernant les agents, vérifiez les points suivants :\n\n1. Assurez-vous que tous les fichiers d'agents importent correctement la classe BaseAgent :

• Utilisez from agents.utils.base_agent import BaseAgent au lieu de from .base_agent import BaseAgent\n\n2. Pour le dossier llama_vision3.2 qui contient un point dans son nom :\n\n- Utilisez les agents standard avec un alias dans les fichiers de test\n- Exemple : from agents.agent_ticket_analyser import AgentTicketAnalyser as LlamaVisionTicketAnalyser\n\n3. Vérifiez le fichier orchestrator.py pour vous assurer qu'il accepte différents types d'agents :\n\n- Le constructeur doit utiliser Any pour les paramètres d'agents\n\n4. Pour les tests avec différentes combinaisons d'agents, il est recommandé de :\n\n- Créer un fichier de test spécifique pour chaque modèle\n- Utiliser les alias pour distinguer les agents de chaque modèle