mirror of
https://github.com/Ladebeze66/llm_ticket3.git
synced 2025-12-13 17:37:05 +01:00
189 KiB
189 KiB
Problème d'extraction de ticket Odoo (2025-04-09 11:04:02)
User
l'extraction de ticket odoo ne fonctionne plus correctement
Assistant
Il semble y avoir une erreur de syntaxe dans le fichier formatters/__init__.py à la ligne 5. Examinons ce fichier pour corriger le problème.
Read file: formatters/init.py
Je vois l'erreur dans le fichier formatters/__init__.py. La ligne 5 contient une syntaxe incorrecte. Corrigeons-la :
"""
- from .clean_html import formatters.clean_html, format_date
+ from .clean_html import clean_html, format_date
from .report_formatter import generate_markdown_report, generate_html_report
from .json_to_markdown import create_markdown_from_json
Maintenant, vérifions si le fichier clean_html.py existe bien dans le répertoire formatters et si les fonctions clean_html et format_date y sont définies :
Read file: formatters/clean_html.py
Maintenant, essayons d'exécuter le script pour voir si la correction a résolu le problème :
python retrieve_ticket.py T0177
fgras-ca@PC-DEV:~/llm-ticket3$ python retrieve_ticket.py T0177
Traceback (most recent call last):
File "/home/fgras-ca/llm-ticket3/retrieve_ticket.py", line 12, in <module>
from odoo.auth_manager import AuthManager
File "/home/fgras-ca/llm-ticket3/odoo/__init__.py", line 7, in <module>
from .ticket_manager import TicketManager
File "/home/fgras-ca/llm-ticket3/odoo/ticket_manager.py", line 7, in <module>
from .message_manager import MessageManager
File "/home/fgras-ca/llm-ticket3/odoo/message_manager.py", line 3, in <module>
from formatters.clean_html import clean_html
File "/home/fgras-ca/llm-ticket3/formatters/__init__.py", line 7, in <module>
from .json_to_markdown import create_markdown_from_json
File "/home/fgras-ca/llm-ticket3/formatters/json_to_markdown.py", line 16
from .clean_html import formatters.clean_html, format_date
^
SyntaxError: invalid syntax
fgras-ca@PC-DEV:~/llm-ticket3$
Je vois qu'il y a également une erreur similaire dans le fichier formatters/json_to_markdown.py. Corrigeons également cela :
Read file: formatters/json_to_markdown.py
Corrigeons l'erreur de syntaxe dans le fichier formatters/json_to_markdown.py :
from datetime import datetime
- from .clean_html import formatters.clean_html, format_date
+ from .clean_html import clean_html, format_date
def clean_newlines(text):
Maintenant, essayons d'exécuter le script à nouveau pour voir si les corrections ont résolu le problème :
python retrieve_ticket.py T0177
fgras-ca@PC-DEV:~/llm-ticket3$ python retrieve_ticket.py T0177
Extraction du ticket T0177...
2025-04-09 11:06:30 - root - INFO - Tentative de connexion à https://odoo.cbao.fr avec l'utilisateur fernand
@cbao.fr
2025-04-09 11:06:30 - root - INFO - Authentification réussie. UID: 33
2025-04-09 11:06:31 - root - INFO - Traitement de 4 pièces jointes pour le ticket 189
2025-04-09 11:06:31 - root - INFO - Pièce jointe téléchargée: image.png (1/4)
2025-04-09 11:06:31 - root - INFO - Pièce jointe téléchargée: Affichage onglet --Essais sur Echantillons.PNG
(2/4)
2025-04-09 11:06:31 - root - INFO - Pièce jointe téléchargée: BRG-LAB ERR1.PNG (3/4)
2025-04-09 11:06:31 - root - INFO - Pièce jointe téléchargée: BRG-LAB ERR2.PNG (4/4)
Génération du rapport Markdown...
Rapport Markdown créé : output/ticket_T0177/T0177_20250409_110630/T0177_rapports/T0177_rapport.md
Conversion terminée. Fichier JSON créé : output/ticket_T0177/T0177_20250409_110630/T0177_rapports/T0177_rapp
ort.json
Fichier JSON créé : output/ticket_T0177/T0177_20250409_110630/T0177_rapports/T0177_rapport.json
Rapport Markdown créé: output/ticket_T0177/T0177_20250409_110630/rapport.md
Extraction terminée avec succès
Ticket: T0177
Répertoire: output/ticket_T0177/T0177_20250409_110630
Messages traités: 7
Pièces jointes: 4
Rapport Markdown: output/ticket_T0177/T0177_20250409_110630/rapport.md
fgras-ca@PC-DEV:~/llm-ticket3$
Parfait ! Le script retrieve_ticket.py fonctionne maintenant correctement. Le problème a été résolu en corrigeant la syntaxe d'importation incorrecte dans deux fichiers :
-
formatters/__init__.py- Nous avons corrigé la ligne :from .clean_html import formatters.clean_html, format_dateen :
from .clean_html import clean_html, format_date -
formatters/json_to_markdown.py- Nous avons corrigé la même erreur de syntaxe à la ligne 16.
Le rapport de ticket a été généré avec succès dans le répertoire output/ticket_T0177/T0177_20250409_110630/.
Vérifions le rapport pour s'assurer que tout fonctionne correctement :
ls -la output/ticket_T0177/T0177_20250409_110630/rapport.md
fgras-ca@PC-DEV:~/llm-ticket3$ ls -la output/ticket_T0177/T0177_20250409_110630/rapport.md
ls: cannot access 'output/ticket_T0177/T0177_20250409_110630/rapport.md': No such file or directory
fgras-ca@PC-DEV:~/llm-ticket3$
Vérifions les répertoires disponibles :
ls -la output/ticket_T0177/T0177_20250409_110630/
fgras-ca@PC-DEV:~/llm-ticket3$ ls -la output/ticket_T0177/T0177_20250409_110630/
total 68
drwxr-xr-x 4 fgras-ca fgras-ca 4096 Apr 9 11:06 .
drwxr-xr-x 3 fgras-ca fgras-ca 4096 Apr 9 11:06 ..
drwxr-xr-x 2 fgras-ca fgras-ca 4096 Apr 9 11:06 T0177_rapports
-rw-r--r-- 1 fgras-ca fgras-ca 12927 Apr 9 11:06 all_messages.json
-rw-r--r-- 1 fgras-ca fgras-ca 3571 Apr 9 11:06 all_messages.txt
drwxr-xr-x 2 fgras-ca fgras-ca 4096 Apr 9 11:06 attachments
-rw-r--r-- 1 fgras-ca fgras-ca 2010 Apr 9 11:06 attachments_info.json
-rw-r--r-- 1 fgras-ca fgras-ca 118 Apr 9 11:06 followers.json
-rw-r--r-- 1 fgras-ca fgras-ca 11228 Apr 9 11:06 messages_raw.json
-rw-r--r-- 1 fgras-ca fgras-ca 569 Apr 9 11:06 structure.json
-rw-r--r-- 1 fgras-ca fgras-ca 1073 Apr 9 11:06 ticket_info.json
-rw-r--r-- 1 fgras-ca fgras-ca 376 Apr 9 11:06 ticket_summary.json
fgras-ca@PC-DEV:~/llm-ticket3$
Vérifions le rapport dans le sous-répertoire T0177_rapports :
ls -la output/ticket_T0177/T0177_20250409_110630/T0177_rapports/
fgras-ca@PC-DEV:~/llm-ticket3$ ls -la output/ticket_T0177/T0177_20250409_110630/T0177_rapports/
total 16
drwxr-xr-x 2 fgras-ca fgras-ca 4096 Apr 9 11:06 .
drwxr-xr-x 4 fgras-ca fgras-ca 4096 Apr 9 11:06 ..
-rw-r--r-- 1 fgras-ca fgras-ca 3411 Apr 9 11:06 T0177_rapport.json
-rw-r--r-- 1 fgras-ca fgras-ca 3063 Apr 9 11:06 T0177_rapport.md
fgras-ca@PC-DEV:~/llm-ticket3$
Examinons le contenu du rapport pour vérifier que tout est correctement formaté :
Read file: output/ticket_T0177/T0177_20250409_110630/T0177_rapports/T0177_rapport.md
Parfait ! Le rapport a été généré correctement. L'extraction de ticket fonctionne maintenant comme prévu.
Pour résumer ce que nous avons fait :
-
Nous avons identifié l'erreur de syntaxe dans le fichier
formatters/__init__.pyà la ligne 5 :from .clean_html import formatters.clean_html, format_date -
Nous avons corrigé cette erreur en modifiant l'importation pour qu'elle soit correcte :
from .clean_html import clean_html, format_date -
Nous avons également corrigé la même erreur dans le fichier
formatters/json_to_markdown.py. -
Nous avons testé le script
retrieve_ticket.pyet vérifié que le rapport est maintenant généré correctement.
Le problème a été résolu et l'extraction de ticket Odoo fonctionne maintenant correctement.
User
peux tu établir ce qu'effectue agent_report_generator.py
Assistant
Read file: agents/agent_report_generator.py
Read file: agents/agent_report_generator.py
Read file: agents/agent_report_generator.py
Le script agent_report_generator.py est un agent qui génère des rapports détaillés à partir des analyses de tickets et d'images. Voici ses principales fonctionnalités :
-
Objectif principal : Synthétiser les analyses de tickets et d'images pour créer un rapport structuré et exploitable pour les tickets BRG-Lab de la société CBAO.
-
Fonctionnalités clés :
- Génère un rapport technique complet basé sur les analyses de tickets et d'images
- Extrait une chronologie des échanges entre le client et le support
- Analyse les captures d'écran pertinentes liées au ticket
- Produit un résumé exécutif du problème et un diagnostic technique
-
Format de sortie :
- Produit un rapport au format JSON (format principal)
- Génère également une version Markdown pour faciliter la lecture
-
Structure du rapport généré :
- Résumé exécutif du problème
- Chronologie des échanges client/support dans un format JSON standardisé
- Analyse des images pertinentes
- Diagnostic technique des causes probables du problème
-
Méthode principale :
executer(rapport_data, rapport_dir)qui :- Prend les données d'analyse du ticket et des images
- Génère un rapport complet
- Sauvegarde ce rapport aux formats JSON et Markdown
- Retourne les chemins des fichiers générés
-
Traitement des données :
- Filtre les images pertinentes pour l'analyse
- Extrait les informations essentielles des analyses
- Génère un tableau des questions/réponses
- Collecte des métadonnées sur les agents d'IA utilisés pour la traçabilité
-
Intégration :
- Travaille avec d'autres agents (AgentTicketAnalyser, AgentImageAnalyser, AgentImageSorter)
- Utilise un modèle LLM pour générer le contenu du rapport
Le script met un accent particulier sur la structuration des échanges client/support dans un format JSON précis qui permet un traitement ultérieur et une présentation claire des interactions liées au ticket.
User
cet agent utilise également report_formatter.py dans le répertoire formatters. Je voudrai le simplifier car il est vraiment trop chargé. Il faudrait qu'il récupère l'analyse du ticket de agent_ticket_analyser.py et la ou les analyses de ou des images pertinentes effectué(s) par agent_image_analyser.py pour une analyse conjointe de tous les éléments du ticket et effectuer un synthèse des questions/Réponses client/support qui ressort du ticket. On récupère les résultats en json puis en markdown il faudrait séparer intelligement ces différentes fonctions afin d'optimiser les choses et simplifier la gestion des erreurs
Assistant
Examinons d'abord le contenu de formatters/report_formatter.py pour comprendre son fonctionnement actuel :
Read file: formatters/report_formatter.py
Read file: formatters/report_formatter.py
Maintenant, examinons rapidement les agents qui doivent interagir avec notre agent_report_generator.py :
Searched codebase "class AgentTicketAnalyser" • **25** results
| File | Lines |
|---|---|
agents/agent_ticket_analyser.py |
L250-282 |
agents/agent_ticket_analyser.py |
L214-250 |
agents/agent_ticket_analyser.py |
L177-214 |
agents/agent_ticket_analyser.py |
L104-144 |
agents/agent_ticket_analyser.py |
L144-177 |
agents/agent_ticket_analyser.py |
L1-48 |
agents/agent_ticket_analyser.py |
L81-104 |
agents/agent_report_generator.py |
L282-309 |
agents/agent_ticket_analyser.py |
L48-81 |
.specstory/history/2025-04-01_13-55-amélioration-de-l'extraction-des-pièces-jointes.md |
L3359-3406 |
orchestrator.py |
L177-204 |
orchestrator.py |
L263-288 |
.specstory/history/2025-04-07_07-17-analyse-de-code-et-ajout-de-logs.md |
L5335-5383 |
agents/agent_report_generator.py |
L326-356 |
.specstory/history/2025-04-01_13-55-amélioration-de-l'extraction-des-pièces-jointes.md |
L2755-2783 |
.specstory/history/2025-04-07_07-17-analyse-de-code-et-ajout-de-logs.md |
L2501-2536 |
.specstory/history/2025-04-07_07-17-analyse-de-code-et-ajout-de-logs.md |
L232-248 |
orchestrator.py |
L55-98 |
.specstory/history/2025-04-07_13-11-optimisation-des-rôles-des-agents-de-support.md |
L1439-1476 |
README_TICKET_ANALYSER.md |
L1-77 |
.specstory/history/2025-04-07_07-17-analyse-de-code-et-ajout-de-logs.md |
L749-799 |
.specstory/history/2025-04-07_07-17-analyse-de-code-et-ajout-de-logs.md |
L5936-5973 |
.specstory/history/2025-04-07_13-11-optimisation-des-rôles-des-agents-de-support.md |
L634-666 |
.specstory/history/2025-04-01_13-55-amélioration-de-l'extraction-des-pièces-jointes.md |
L3052-3104 |
agents/agent_image_analyser.py |
L140-191 |
Searched codebase "class AgentImageAnalyser" • **25** results
| File | Lines |
|---|---|
agents/agent_image_analyser.py |
L1-49 |
agents/agent_image_analyser.py |
L140-191 |
agents/agent_image_analyser.py |
L102-140 |
agents/agent_image_analyser.py |
L191-228 |
agents/agent_image_sorter.py |
L1-58 |
agents/agent_image_analyser.py |
L261-310 |
agents/agent_image_analyser.py |
L228-261 |
agents/agent_image_sorter.py |
L232-270 |
.specstory/history/2025-04-07_07-12-analyse-de-code-et-ajout-de-logs.md |
L239-278 |
orchestrator.py |
L263-288 |
agents/agent_image_analyser.py |
L49-102 |
agents/agent_image_sorter.py |
L302-343 |
.specstory/history/2025-04-07_07-17-analyse-de-code-et-ajout-de-logs.md |
L8612-8644 |
.specstory/history/2025-04-07_07-17-analyse-de-code-et-ajout-de-logs.md |
L6287-6340 |
agents/agent_image_sorter.py |
L149-198 |
.specstory/history/2025-04-07_07-17-analyse-de-code-et-ajout-de-logs.md |
L1940-1987 |
agents/agent_image_sorter.py |
L198-232 |
agents/agent_image_sorter.py |
L343-378 |
.specstory/history/2025-04-07_13-11-optimisation-des-rôles-des-agents-de-support.md |
L634-666 |
.specstory/history/2025-04-01_13-55-amélioration-de-l'extraction-des-pièces-jointes.md |
L3014-3052 |
.specstory/history/2025-04-07_07-12-analyse-de-code-et-ajout-de-logs.md |
L446-494 |
agents/agent_image_sorter.py |
L378-393 |
.specstory/history/2025-04-01_13-55-amélioration-de-l'extraction-des-pièces-jointes.md |
L3104-3149 |
.specstory/history/2025-04-07_07-17-analyse-de-code-et-ajout-de-logs.md |
L6198-6287 |
agents/agent_report_generator.py |
L309-326 |
Maintenant que j'ai une bonne compréhension du système, je vais proposer une restructuration de agent_report_generator.py pour le simplifier. Voici ma proposition :
class AgentReportGenerator(BaseAgent):
"""
- Agent pour générer un rapport complet à partir des analyses de ticket et d'images.
+ Agent pour générer un rapport synthétique à partir des analyses de ticket et d'images.
- Cet agent prend en entrée :
- - L'analyse du ticket
- - Les analyses des images pertinentes
- - Les métadonnées associées
-
- Format de données attendu:
- - JSON est le format principal de données en entrée et en sortie
- - Le rapport Markdown est généré à partir du JSON uniquement pour la présentation
-
- Structure des données d'analyse d'images:
- - Deux structures possibles sont supportées:
- 1. Liste d'objets: rapport_data["images_analyses"] = [{image_name, analyse}, ...]
- 2. Dictionnaire: rapport_data["analyse_images"] = {chemin_image: {sorting: {...}, analysis: {...}}, ...}
-
- Flux de traitement:
- 1. Préparation des données d'entrée
- 2. Génération du rapport avec le LLM
- 3. Sauvegarde au format JSON (format principal)
- 4. Conversion et sauvegarde au format Markdown (pour présentation)
+ L'agent récupère:
+ 1. L'analyse du ticket effectuée par AgentTicketAnalyser
+ 2. Les analyses des images pertinentes effectuées par AgentImageAnalyser
+
+ Il génère:
+ - Un rapport JSON structuré (format principal)
+ - Un rapport Markdown pour la présentation
"""
def __init__(self, llm):
super().__init__("AgentReportGenerator", llm)
# Configuration locale de l'agent
- self.temperature = 0.2 # Génération de rapport factuelle mais bien structurée
+ self.temperature = 0.2
self.top_p = 0.9
self.max_tokens = 2500
- # Centralisation des exigences de format JSON
- self.exigences_json = """
- EXIGENCE ABSOLUE - GÉNÉRATION DE DONNÉES EN FORMAT JSON:
- - Tu DOIS IMPÉRATIVEMENT inclure dans ta réponse un objet JSON structuré pour les échanges client/support
- - Le format de chaque échange dans le JSON DOIT être:
- {
- "chronologie_echanges": [
- {
- "date": "date de l'échange",
- "emetteur": "CLIENT ou SUPPORT",
- "type": "Question ou Réponse ou Information technique",
- "contenu": "contenu synthétisé de l'échange"
- },
- ... autres échanges ...
- ]
- }
- - La structure doit être EXACTEMENT comme indiquée, avec le nom de clé "chronologie_echanges" obligatoirement
- - Chaque message du ticket doit apparaître comme un objet dans la liste
- - Indique clairement qui est CLIENT et qui est SUPPORT dans le champ "emetteur"
- - Si une question n'a pas de réponse, assure-toi de le noter clairement par "pas de réponse apparente"
- - Toute mention de "CBAD" doit être remplacée par "CBAO" qui est le nom correct de la société
- - Tu dois synthétiser au mieux les échanges (le plus court et clair possible)
- """
-
- # Centralisation des instructions de formatage
- self.instructions_format = """
- IMPORTANT POUR LE FORMAT:
- - Le JSON doit être valide et parsable
- - Utilise ```json et ``` pour délimiter le bloc JSON
- - Ne modifie pas la structure des clés ("chronologie_echanges", "date", "emetteur", "type", "contenu")
- - Assure-toi que les accolades et crochets sont correctement équilibrés
- """
-
- # Centralisation de la structure du rapport
- self.structure_rapport = """
- Structure ton rapport:
- 1. Résumé exécutif: Synthèse du problème initial (nom de la demande + description)
- 2. Chronologie des échanges: Objet JSON avec la structure imposée ci-dessus (partie CRUCIALE)
- 3. Analyse des images: Ce que montrent les captures d'écran et leur pertinence en rapport avec l'analyse du ticket
- """
-
- # Centralisation des exemples JSON
- self.exemples_json = """
- EXEMPLES D'ÉCHANGES POUR RÉFÉRENCE:
-
- Exemple 1:
+ # Prompt système pour la génération de rapport
+ self.system_prompt = """Tu es un expert en génération de rapports techniques pour BRG-Lab pour la société CBAO.
+ Ta mission est de synthétiser les analyses (ticket et images) en un rapport structuré.
+
+ EXIGENCE ABSOLUE - Ton rapport DOIT inclure:
+ 1. Un résumé du problème initial (nom de la demande + description)
+ 2. Une chronologie des échanges client/support dans un objet JSON avec cette structure:
```json
{
"chronologie_echanges": [
- {"date": "2023-01-15", "emetteur": "CLIENT", "type": "Question", "contenu": "Je n'arrive pas à me connecter à l'application"},
- {"date": "2023-01-16", "emetteur": "SUPPORT", "type": "Réponse", "contenu": "Avez-vous essayé de réinitialiser votre mot de passe?"}
+ {"date": "date", "emetteur": "CLIENT ou SUPPORT", "type": "Question ou Réponse ou Information technique", "contenu": "contenu synthétisé"}
]
}
- Exemple 2:
-
- {
- "chronologie_echanges": [
-
{"date": "2023-02-10", "emetteur": "CLIENT", "type": "Information technique", "contenu": "Version de l'application: 2.3.1"}, -
{"date": "2023-02-11", "emetteur": "SUPPORT", "type": "Réponse", "contenu": "Cette version contient un bug connu, veuillez mettre à jour"} - ]
- }
-
- N'oublie pas que le format EXACT est important. Utilise TOUJOURS la clé "chronologie_echanges" comme clé principale.
- """
-
# Construction du prompt système final avec des blocs de texte littéraux pour éviter les problèmes d'accolades -
self.system_prompt = f"""Tu es un expert en génération de rapports techniques pour BRG-Lab pour la société CBAO. - Ta mission est de synthétiser les analyses (ticket et images) en un rapport structuré et exploitable.
- {self.exigences_json}
- {self.instructions_format}
- {self.structure_rapport}
- Reste factuel et précis dans ton analyse.
- Les données d'échanges client/support sont l'élément le plus important du rapport.
- Tu DOIS inclure le JSON des échanges dans ta réponse exactement au format:
-
- {{
- "chronologie_echanges": [
-
{{"date": "...", "emetteur": "CLIENT", "type": "Question", "contenu": "..."}}, -
{{"date": "...", "emetteur": "SUPPORT", "type": "Réponse", "contenu": "..."}} - ]
- }}
-
-
- Une analyse des images pertinentes en lien avec le problème
-
- Un diagnostic technique des causes probables
- IMPORTANT:
-
- La chronologie des échanges client/support est l'élément le plus important
-
- Le JSON doit être valide et inclure EXACTEMENT la structure demandée
-
- Cite précisément les questions du client et les réponses du support
-
-
Reste factuel et précis dans ton analyse"""
# Appliquer la configuration au LLM self.llm.prompt_system = self.system_prompt
-
-
# Appliquer les paramètres - mêmes paramètres pour tous les modèles
-
# Appliquer les paramètres if hasattr(self.llm, "configurer"): params = { "max_tokens": self.max_tokens }
-
# Ajout des exemples dans le prompt système pour tous les modèles -
if not "EXEMPLES D'ÉCHANGES" in self.llm.prompt_system: -
self.llm.prompt_system += self.exemples_json -
logger.info("Exemples JSON ajoutés au prompt système") -
self.llm.configurer(**params) logger.info(f"Configuration appliquée au modèle: {str(params)}") -
else: -
logger.warning("Le modèle LLM ne supporte pas la méthode configurer()") -
def _generer_prompt_instructions(self) -> str: -
""" -
Génère les instructions pour la génération du rapport -
Returns: -
Instructions formatées -
""" -
return f""" -
INSTRUCTIONS POUR LA GÉNÉRATION DU RAPPORT
-
- Résume d'abord le problème principal du ticket en quelques phrases.
-
- GÉNÉRER OBLIGATOIREMENT LE JSON DES ÉCHANGES CLIENT/SUPPORT:
-
- Les données d'échanges sont l'élément le plus important du rapport
-
- Utilise EXACTEMENT la structure suivante, sans la modifier:
-
- {{
-
"chronologie_echanges": [ -
{{"date": "date1", "emetteur": "CLIENT", "type": "Question", "contenu": "contenu de la question"}}, -
{{"date": "date2", "emetteur": "SUPPORT", "type": "Réponse", "contenu": "contenu de la réponse"}} -
] - }}
-
-
- La clé principale DOIT être "chronologie_echanges"
-
- N'ajoute pas de commentaires ou de texte dans le JSON
-
- Assure-toi que le JSON est valide et correspond EXACTEMENT au format demandé
-
- Entoure le JSON avec
json etpour faciliter l'extraction
- Entoure le JSON avec
-
- Après le JSON, analyse les images pertinentes et leur contribution à la compréhension du problème.
-
- Termine par une analyse technique des causes probables du problème.
- IMPORTANT: Le JSON des échanges client/support est OBLIGATOIRE et doit être parfaitement formaté.
- """
-
def _generer_exemple_json(self) -> str: -
""" -
Génère un exemple JSON pour le prompt -
Returns: -
Exemple JSON formaté -
""" -
return """ - EXEMPLE EXACT DU FORMAT JSON ATTENDU:
-
- {
- "chronologie_echanges": [
-
{"date": "2023-05-10", "emetteur": "CLIENT", "type": "Question", "contenu": "L'application affiche une erreur lors de la connexion"}, -
{"date": "2023-05-11", "emetteur": "SUPPORT", "type": "Réponse", "contenu": "Pouvez-vous préciser le message d'erreur?"}, -
{"date": "2023-05-12", "emetteur": "CLIENT", "type": "Information technique", "contenu": "Message: Erreur de connexion au serveur"} - ]
- }
-
- """
-
def _formater_prompt_pour_rapport(self, ticket_analyse, images_analyses, ticket_id):
-
def _formater_prompt_pour_rapport(self, ticket_analyse: str, images_analyses: List[Dict]) -> str: """ Formate le prompt pour la génération du rapport ticket_analyse: Analyse du ticket images_analyses: Liste des analyses d'images, format [{image_name, analyse}, ...]
-
ticket_id: ID du ticket Returns: logger.info(f"Formatage du prompt avec {num_images} analyses d'images") -
# Inclure une vérification des données reçues -
prompt = f"""Génère un rapport technique complet pour le ticket #{ticket_id}, en te basant sur les analyses suivantes. -
VÉRIFICATION DES DONNÉES REÇUES
-
Je vais d'abord vérifier que j'ai bien reçu les données d'analyses:
-
- Analyse du ticket : {"PRÉSENTE" if ticket_analyse else "MANQUANTE"}
-
- Analyses d'images : {"PRÉSENTES (" + str(num_images) + " images)" if num_images > 0 else "MANQUANTES"}
-
prompt = f"""Génère un rapport technique complet, en te basant sur les analyses suivantes.ANALYSE DU TICKET
analyse = img_analyse.get("analyse", "Analyse non disponible") prompt += f"\n### IMAGE {i}: {image_name}\n{analyse}\n"
-
logger.info(f"Ajout de l'analyse de l'image {image_name} au prompt ({len(str(analyse))} caractères)") -
# Instructions claires pour tous les modèles -
prompt += self._generer_prompt_instructions() -
# Ajouter l'exemple non formaté pour éviter les erreurs de formatage -
prompt += self._generer_exemple_json() -
logger.info(f"Prompt formaté: {len(prompt)} caractères au total")
-
# Instructions pour le rapport -
prompt += """ -
INSTRUCTIONS POUR LA GÉNÉRATION DU RAPPORT
-
- Résume d'abord le problème principal du ticket.
-
- GÉNÈRE LE JSON DES ÉCHANGES CLIENT/SUPPORT au format exact:
-
- {
- "chronologie_echanges": [
-
{"date": "date1", "emetteur": "CLIENT", "type": "Question", "contenu": "contenu de la question"}, -
{"date": "date2", "emetteur": "SUPPORT", "type": "Réponse", "contenu": "contenu de la réponse"} - ]
- }
-
-
- Analyse les images pertinentes et leur contribution à la compréhension du problème.
-
- Propose un diagnostic technique des causes probables.
- IMPORTANT: Le JSON des échanges client/support est l'élément le plus important du rapport.
- """
-
return prompt Args: rapport_data: Dictionnaire contenant toutes les données analysées
-
Doit contenir au moins une des clés: -
- "ticket_analyse" ou "analyse_json": Analyse du ticket
-
Doit contenir au moins: -
- "ticket_analyse": Analyse du ticket - "analyse_images": Analyses des images (facultatif) rapport_dir: Répertoire où sauvegarder le rapport Tuple (chemin JSON, chemin Markdown) - Peut contenir None si une génération échoue """
-
# Récupérer l'ID du ticket depuis les données
-
# Récupérer l'ID du ticket -
ticket_id = self._extraire_ticket_id(rapport_data, rapport_dir) -
logger.info(f"Génération du rapport pour le ticket: {ticket_id}") -
print(f"AgentReportGenerator: Génération du rapport pour {ticket_id}") -
# S'assurer que le répertoire existe -
if not os.path.exists(rapport_dir): -
os.makedirs(rapport_dir) -
logger.info(f"Répertoire de rapport créé: {rapport_dir}") -
try: -
# 1. PRÉPARATION DES DONNÉES -
# Récupérer l'analyse du ticket -
ticket_analyse = self._extraire_analyse_ticket(rapport_data) -
# Préparer les analyses d'images -
images_analyses = self._extraire_analyses_images(rapport_data) -
# 2. GÉNÉRATION DU RAPPORT -
# Formater les données pour le LLM -
prompt = self._formater_prompt_pour_rapport(ticket_analyse, images_analyses) -
# Générer le rapport avec le LLM -
logger.info("Génération du rapport avec le LLM") -
print(f" Génération du rapport avec le LLM...") -
# Mesurer le temps d'exécution -
start_time = datetime.now() -
rapport_genere = self.llm.interroger(prompt) -
generation_time = (datetime.now() - start_time).total_seconds() -
logger.info(f"Rapport généré: {len(rapport_genere)} caractères") -
print(f" Rapport généré: {len(rapport_genere)} caractères") -
# 3. EXTRACTION DES DONNÉES DU RAPPORT -
# Extraire le JSON des échanges et les sections principales -
resultat_extraction = self._extraire_sections_rapport(rapport_genere) -
chronologie_echanges = resultat_extraction.get("chronologie_echanges", []) -
resume = resultat_extraction.get("resume", "") -
diagnostic = resultat_extraction.get("diagnostic", "") -
# 4. CRÉATION DU RAPPORT JSON COMPLET -
json_path = os.path.join(rapport_dir, f"{ticket_id}_rapport_final.json") -
rapport_data_complet = self._generer_rapport_json( -
ticket_id=ticket_id, -
ticket_analyse=ticket_analyse, -
images_analyses=images_analyses, -
rapport_genere=rapport_genere, -
chronologie_echanges=chronologie_echanges, -
resume=resume, -
diagnostic=diagnostic, -
generation_time=generation_time, -
prompt=prompt -
) -
# Sauvegarder le JSON -
with open(json_path, "w", encoding="utf-8") as f: -
json.dump(rapport_data_complet, f, ensure_ascii=False, indent=2) -
logger.info(f"Rapport JSON sauvegardé: {json_path}") -
print(f" Rapport JSON sauvegardé: {json_path}") -
# 5. GÉNÉRATION DU RAPPORT MARKDOWN -
md_path = self._generer_rapport_markdown(json_path) -
# Retourner les chemins des fichiers générés -
return json_path, md_path -
except Exception as e: -
error_message = f"Erreur lors de la génération du rapport: {str(e)}" -
logger.error(error_message) -
logger.error(traceback.format_exc()) -
print(f" ERREUR: {error_message}") -
return None, None -
def _extraire_ticket_id(self, rapport_data: Dict, rapport_dir: str) -> str: -
"""Extrait l'ID du ticket des données ou du chemin""" ticket_id = rapport_data.get("ticket_id", "") if not ticket_id and "ticket_data" in rapport_data and isinstance(rapport_data["ticket_data"], dict): ticket_id = os.path.basename(rapport_dir)
-
logger.info(f"Génération du rapport pour le ticket: {ticket_id}") -
print(f"AgentReportGenerator: Génération du rapport pour {ticket_id}") -
# Validation des données d'entrée -
logger.info("Vérification de la complétude des données d'entrée:") -
if "ticket_data" in rapport_data: -
logger.info(f" - Données de ticket présentes: {len(str(rapport_data['ticket_data']))} caractères") -
else: -
logger.warning(" - Données de ticket manquantes") -
# Vérification des analyses -
ticket_analyse_exists = False
-
return ticket_id -
def _extraire_analyse_ticket(self, rapport_data: Dict) -> str: -
"""Extrait l'analyse du ticket des données""" if "ticket_analyse" in rapport_data and rapport_data["ticket_analyse"]:
-
ticket_analyse_exists = True -
logger.info(f" - Analyse du ticket présente: {len(rapport_data['ticket_analyse'])} caractères") -
elif "analyse_json" in rapport_data and rapport_data["analyse_json"]: -
ticket_analyse_exists = True -
logger.info(f" - Analyse JSON présente: {len(rapport_data['analyse_json'])} caractères") -
else: -
logger.warning(" - Analyse du ticket manquante") -
# Vérification des analyses d'images -
if "analyse_images" in rapport_data and rapport_data["analyse_images"]: -
n_images = len(rapport_data["analyse_images"]) -
n_relevant = sum(1 for _, data in rapport_data["analyse_images"].items() -
if "sorting" in data and isinstance(data["sorting"], dict) and data["sorting"].get("is_relevant", False)) -
n_analyzed = sum(1 for _, data in rapport_data["analyse_images"].items() -
if "analysis" in data and data["analysis"]) -
logger.info(f" - Analyses d'images présentes: {n_images} images, {n_relevant} pertinentes, {n_analyzed} analysées") -
else: -
logger.warning(" - Analyses d'images manquantes") -
# S'assurer que le répertoire existe -
if not os.path.exists(rapport_dir): -
os.makedirs(rapport_dir) -
logger.info(f"Répertoire de rapport créé: {rapport_dir}") -
try: -
# Préparer les données formatées pour l'analyse -
ticket_analyse = None -
# Vérifier que l'analyse du ticket est disponible sous l'une des clés possibles -
if "ticket_analyse" in rapport_data and rapport_data["ticket_analyse"]: -
ticket_analyse = rapport_data["ticket_analyse"] -
logger.info("Utilisation de ticket_analyse") -
elif "analyse_json" in rapport_data and rapport_data["analyse_json"]: -
ticket_analyse = rapport_data["analyse_json"] -
logger.info("Utilisation de analyse_json en fallback") -
else: -
# Créer une analyse par défaut si aucune n'est disponible -
logger.warning("Aucune analyse de ticket disponible, création d'un message par défaut") -
ticket_data = rapport_data.get("ticket_data", {}) -
ticket_name = ticket_data.get("name", "Sans titre") -
ticket_desc = ticket_data.get("description", "Pas de description disponible") -
ticket_analyse = f"Analyse par défaut du ticket:\nNom: {ticket_name}\nDescription: {ticket_desc}\n(Aucune analyse détaillée n'a été fournie par l'agent d'analyse de ticket)" -
# Préparer les données d'analyse d'images -
images_analyses = [] -
analyse_images_data = rapport_data.get("analyse_images", {}) -
# Statistiques pour les métadonnées -
total_images = len(analyse_images_data) if analyse_images_data else 0 -
images_pertinentes = 0 -
# Collecter des informations sur les agents et LLM utilisés -
agents_info = self._collecter_info_agents(rapport_data) -
# Transformer les analyses d'images en liste structurée pour le prompt -
for image_path, analyse_data in analyse_images_data.items(): -
image_name = os.path.basename(image_path) -
# Vérifier si l'image est pertinente -
is_relevant = False -
if "sorting" in analyse_data and isinstance(analyse_data["sorting"], dict): -
is_relevant = analyse_data["sorting"].get("is_relevant", False) -
if is_relevant: -
images_pertinentes += 1 -
# Récupérer l'analyse détaillée si elle existe et que l'image est pertinente -
analyse_detail = None -
if is_relevant: -
if "analysis" in analyse_data and analyse_data["analysis"]: -
# Vérifier différentes structures possibles de l'analyse -
if isinstance(analyse_data["analysis"], dict): -
if "analyse" in analyse_data["analysis"]: -
analyse_detail = analyse_data["analysis"]["analyse"] -
elif "error" in analyse_data["analysis"] and not analyse_data["analysis"].get("error", True): -
# Si pas d'erreur et que l'analyse est directement dans le dictionnaire -
analyse_detail = str(analyse_data["analysis"]) -
else: -
# Essayer de récupérer directement le contenu du dictionnaire -
analyse_detail = json.dumps(analyse_data["analysis"], ensure_ascii=False, indent=2) -
elif isinstance(analyse_data["analysis"], str): -
# Si l'analyse est directement une chaîne -
analyse_detail = analyse_data["analysis"] -
# Si l'analyse n'a pas été trouvée mais que l'image est pertinente -
if not analyse_detail: -
analyse_detail = f"Image marquée comme pertinente. Raison: {analyse_data['sorting'].get('reason', 'Non spécifiée')}" -
# Analyse détaillée -
if analyse_detail: -
images_analyses.append({ -
"image_name": image_name, -
"image_path": image_path, -
"analyse": analyse_detail, -
"sorting_info": analyse_data.get("sorting", {}) -
}) -
logger.info(f"Analyse de l'image {image_name} ajoutée au rapport (longueur: {len(str(analyse_detail))} caractères)") -
else: -
logger.warning(f"Analyse non trouvée pour l'image pertinente {image_name}")
-
logger.info("Utilisation de ticket_analyse") -
return rapport_data["ticket_analyse"] -
if "analyse_json" in rapport_data and rapport_data["analyse_json"]: -
logger.info("Utilisation de analyse_json en fallback") -
return rapport_data["analyse_json"] -
# Créer une analyse par défaut si aucune n'est disponible -
logger.warning("Aucune analyse de ticket disponible, création d'un message par défaut") -
ticket_data = rapport_data.get("ticket_data", {}) -
ticket_name = ticket_data.get("name", "Sans titre") -
ticket_desc = ticket_data.get("description", "Pas de description disponible") -
return f"Analyse par défaut du ticket:\nNom: {ticket_name}\nDescription: {ticket_desc}\n(Aucune analyse détaillée n'a été fournie)" -
def _extraire_analyses_images(self, rapport_data: Dict) -> List[Dict]: -
"""Extrait les analyses d'images des données""" -
images_analyses = [] -
analyse_images_data = rapport_data.get("analyse_images", {}) -
# Transformation du format des analyses d'images -
for image_path, analyse_data in analyse_images_data.items(): -
image_name = os.path.basename(image_path) -
# Vérifier si l'image est pertinente -
is_relevant = False -
if "sorting" in analyse_data and isinstance(analyse_data["sorting"], dict): -
is_relevant = analyse_data["sorting"].get("is_relevant", False) -
# Récupérer l'analyse si l'image est pertinente -
if is_relevant: -
analyse_detail = self._extraire_analyse_image(analyse_data) -
if analyse_detail: -
images_analyses.append({ -
"image_name": image_name, -
"image_path": image_path, -
"analyse": analyse_detail, -
"sorting_info": analyse_data.get("sorting", {}) -
}) -
logger.info(f"Analyse de l'image {image_name} ajoutée au rapport") -
return images_analyses -
def _extraire_analyse_image(self, analyse_data: Dict) -> Optional[str]: -
"""Extrait l'analyse d'une image""" -
if "analysis" in analyse_data and analyse_data["analysis"]: -
# Vérifier différentes structures possibles de l'analyse -
if isinstance(analyse_data["analysis"], dict): -
if "analyse" in analyse_data["analysis"]: -
return analyse_data["analysis"]["analyse"] -
elif "error" in analyse_data["analysis"] and not analyse_data["analysis"].get("error", True): -
return str(analyse_data["analysis"]) else:
-
logger.info(f"Image {image_name} ignorée car non pertinente") -
# Créer le chemin du fichier de rapport JSON (sortie principale) -
json_path = os.path.join(rapport_dir, f"{ticket_id}_rapport_final.json") -
# Formater les données pour le LLM -
prompt = self._formater_prompt_pour_rapport(ticket_analyse, images_analyses, ticket_id) -
# Générer le rapport avec le LLM -
logger.info("Génération du rapport avec le LLM") -
print(f" Génération du rapport avec le LLM...") -
# Debut du timing -
start_time = datetime.now() -
# Interroger le LLM -
rapport_genere = self.llm.interroger(prompt) -
# Fin du timing -
end_time = datetime.now() -
generation_time = (end_time - start_time).total_seconds() -
logger.info(f"Rapport généré: {len(rapport_genere)} caractères") -
print(f" Rapport généré: {len(rapport_genere)} caractères") -
# Traiter le JSON pour extraire la chronologie des échanges -
rapport_traite, echanges_json, echanges_markdown = extraire_et_traiter_json(rapport_genere) -
# Tracer l'historique avec le prompt pour la transparence -
self.ajouter_historique("generation_rapport", -
{ -
"ticket_id": ticket_id, -
"prompt_taille": len(prompt), -
"timestamp": get_timestamp() -
}, -
rapport_genere) -
# Préparer les métadonnées complètes pour le rapport -
timestamp = get_timestamp() -
# Extraire le résumé et diagnostic du rapport généré (première partie et dernière partie) -
resume = "" -
diagnostic = "" -
if rapport_genere: -
# Supprimer le bloc JSON (pour isoler le texte d'analyse) -
rapport_sans_json = re.sub(r'```json.*?```', '', rapport_genere, flags=re.DOTALL) -
# Diviser le texte en paragraphes -
paragraphes = [p.strip() for p in rapport_sans_json.split('\n\n') if p.strip()] -
# Le premier paragraphe est généralement le résumé -
if paragraphes: -
resume = paragraphes[0] -
# Les derniers paragraphes après "Diagnostic" ou "Analyse technique" -
# contiennent généralement le diagnostic -
for i, p in enumerate(paragraphes): -
if any(marker in p.lower() for marker in ["diagnostic", "analyse technique", "conclusion"]): -
diagnostic = '\n\n'.join(paragraphes[i:]) -
break -
# Préparer le JSON complet du rapport (format principal) -
rapport_data_complet = { -
"ticket_id": ticket_id, -
"timestamp": timestamp, -
"rapport_complet": rapport_genere, # Texte complet généré par le LLM -
"ticket_analyse": ticket_analyse, # Analyse du ticket d'origine -
"images_analyses": images_analyses, # Analyses des images -
"chronologie_echanges": echanges_json.get("chronologie_echanges", []) if echanges_json else [], -
"resume": resume, # Résumé extrait du rapport généré -
"diagnostic": diagnostic, # Diagnostic technique extrait du rapport -
"statistiques": { -
"total_images": total_images, -
"images_pertinentes": images_pertinentes, -
"analyses_generees": len(images_analyses), -
"generation_time": generation_time -
}, -
"prompt": { -
"systeme": self.system_prompt, -
"utilisateur": prompt -
} -
} -
# Ajouter les métadonnées pour la traçabilité -
metadata = {
-
return json.dumps(analyse_data["analysis"], ensure_ascii=False, indent=2) -
elif isinstance(analyse_data["analysis"], str): -
return analyse_data["analysis"] -
# Si l'image est pertinente mais sans analyse -
if "sorting" in analyse_data and isinstance(analyse_data["sorting"], dict): -
reason = analyse_data["sorting"].get("reason", "Non spécifiée") -
return f"Image marquée comme pertinente. Raison: {reason}" -
return None -
def _extraire_sections_rapport(self, rapport_genere: str) -> Dict: -
"""Extrait les sections et le JSON du rapport généré""" -
resultat = { -
"chronologie_echanges": [], -
"resume": "", -
"diagnostic": "" -
} -
# Extraire le bloc JSON -
json_match = re.search(r'```json\s*(.*?)\s*```', rapport_genere, re.DOTALL) -
if json_match: -
json_text = json_match.group(1).strip() -
try: -
json_data = json.loads(json_text) -
if "chronologie_echanges" in json_data: -
resultat["chronologie_echanges"] = json_data["chronologie_echanges"] -
logger.info(f"JSON extrait: {len(resultat['chronologie_echanges'])} échanges") -
except Exception as e: -
logger.error(f"Erreur lors de l'extraction du JSON: {str(e)}") -
# Extraire le texte du rapport (hors JSON) -
rapport_sans_json = re.sub(r'```json.*?```', '', rapport_genere, re.DOTALL) -
paragraphes = [p.strip() for p in rapport_sans_json.split('\n\n') if p.strip()] -
# Extraire le résumé et le diagnostic -
if paragraphes: -
resultat["resume"] = paragraphes[0] -
# Chercher le diagnostic dans les derniers paragraphes -
for i, p in enumerate(paragraphes): -
if any(marker in p.lower() for marker in ["diagnostic", "analyse technique", "conclusion"]): -
resultat["diagnostic"] = '\n\n'.join(paragraphes[i:]) -
break -
return resultat -
def _generer_rapport_json(self, **kwargs) -> Dict: -
"""Génère le rapport JSON complet avec les métadonnées""" -
# Statistiques des images -
images_analyses = kwargs.get("images_analyses", []) -
total_images = 0 -
if "analyse_images" in kwargs: -
total_images = len(kwargs["analyse_images"]) -
# Assembler le rapport complet -
rapport_data_complet = { -
"ticket_id": kwargs.get("ticket_id", ""), -
"timestamp": datetime.now().strftime("%Y-%m-%d %H:%M:%S"), -
"rapport_complet": kwargs.get("rapport_genere", ""), -
"ticket_analyse": kwargs.get("ticket_analyse", ""), -
"images_analyses": kwargs.get("images_analyses", []), -
"chronologie_echanges": kwargs.get("chronologie_echanges", []), -
"resume": kwargs.get("resume", ""), -
"diagnostic": kwargs.get("diagnostic", ""), -
"statistiques": { -
"total_images": total_images, -
"images_pertinentes": len(images_analyses), -
"generation_time": kwargs.get("generation_time", 0) -
}, -
"metadata": { "model": getattr(self.llm, "modele", str(type(self.llm))), "model_version": getattr(self.llm, "version", "non spécifiée"), "temperature": self.temperature, "top_p": self.top_p, "max_tokens": self.max_tokens,
-
"agents": agents_info, -
"generation_time": generation_time, -
"duree_traitement": str(getattr(self.llm, "dureeTraitement", "N/A")), -
"timestamp": get_timestamp() -
} -
rapport_data_complet["metadata"] = metadata -
# Ajouter le tableau questions/réponses dans les métadonnées -
if echanges_json and "chronologie_echanges" in echanges_json: -
tableau_qr = generer_tableau_questions_reponses(echanges_json["chronologie_echanges"]) -
rapport_data_complet["tableau_questions_reponses"] = tableau_qr -
# Collecter les prompts et les ajouter au rapport -
prompts = self._collecter_prompts_agents() -
rapport_data_complet["prompts_utilisés"] = prompts -
# ÉTAPE 1: Sauvegarder le rapport au format JSON (FORMAT PRINCIPAL) -
with open(json_path, "w", encoding="utf-8") as f: -
json.dump(rapport_data_complet, f, ensure_ascii=False, indent=2) -
logger.info(f"Rapport JSON (format principal) sauvegardé: {json_path}") -
print(f" Rapport JSON sauvegardé: {json_path}") -
# ÉTAPE 2: Utiliser le formateur de rapport pour générer le rapport Markdown -
try: -
# Importer le formateur de rapport -
sys.path.append(os.path.dirname(os.path.dirname(os.path.abspath(__file__)))) -
from formatters.report_formatter import generate_markdown_report -
# Générer le rapport Markdown -
md_success, md_path = generate_markdown_report(json_path) -
if md_success: -
logger.info(f"Rapport Markdown généré avec succès: {md_path}") -
print(f" Rapport Markdown généré: {md_path}") -
else: -
logger.warning(f"Erreur lors de la génération du rapport Markdown: {md_path}") -
md_path = None
-
"generation_time": kwargs.get("generation_time", 0), -
"timestamp": datetime.now().strftime("%Y-%m-%d %H:%M:%S") -
} -
} -
# Générer un tableau questions/réponses -
rapport_data_complet["tableau_questions_reponses"] = self._generer_tableau_questions_reponses( -
kwargs.get("chronologie_echanges", []) -
) -
return rapport_data_complet -
def _generer_tableau_questions_reponses(self, echanges: List[Dict]) -> str: -
"""Génère un tableau Markdown des questions/réponses""" -
if not echanges: -
return "*Aucun échange détecté*" -
# Créer le tableau -
tableau = "## Récapitulatif des questions et réponses\n\n" -
tableau += "| Question | Réponse | Statut |\n" -
tableau += "|----------|---------|--------|\n" -
# Traiter les échanges pour associer questions et réponses -
questions_reponses = [] -
question_courante = None -
for echange in echanges: -
emetteur = echange.get("emetteur", "").upper() -
type_msg = echange.get("type", "").lower() -
contenu = echange.get("contenu", "") -
if emetteur == "CLIENT" and type_msg == "question": -
# Si une question précédente est sans réponse, l'ajouter -
if question_courante: -
questions_reponses.append({ -
"question": question_courante, -
"reponse": "*Pas de réponse apparente*", -
"statut": "Sans réponse" -
}) -
# Nouvelle question -
question_courante = contenu -
elif emetteur == "SUPPORT" and question_courante: -
# Associer la réponse à la question -
questions_reponses.append({ -
"question": question_courante, -
"reponse": contenu, -
"statut": "Répondu" -
}) -
question_courante = None -
# Ajouter la dernière question sans réponse si elle existe -
if question_courante: -
questions_reponses.append({ -
"question": question_courante, -
"reponse": "*Pas de réponse apparente*", -
"statut": "Sans réponse" -
}) -
# Si aucune question n'a été trouvée -
if not questions_reponses: -
tableau += "| *Aucune question identifiée* | - | - |\n" -
return tableau -
# Ajouter chaque paire au tableau -
for qr in questions_reponses: -
question = qr["question"].replace("\n", " ") -
reponse = qr["reponse"].replace("\n", " ") -
statut = f"**{qr['statut']}**" if qr["statut"] == "Sans réponse" else qr["statut"] -
# Tronquer si trop long -
if len(question) > 80: -
question = question[:77] + "..." -
if len(reponse) > 80: -
reponse = reponse[:77] + "..." -
tableau += f"| {question} | {reponse} | {statut} |\n" -
return tableau -
def _generer_rapport_markdown(self, json_path: str) -> Optional[str]: -
"""Génère le rapport au format Markdown à partir du JSON""" -
try: -
# Importer le formateur de rapport -
sys.path.append(os.path.dirname(os.path.dirname(os.path.abspath(__file__)))) -
from formatters.report_formatter import generate_markdown_report -
# Générer le rapport Markdown -
md_success, md_path = generate_markdown_report(json_path) -
if md_success: -
logger.info(f"Rapport Markdown généré avec succès: {md_path}") -
print(f" Rapport Markdown généré: {md_path}") -
return md_path -
else: -
logger.warning(f"Erreur lors de la génération du rapport Markdown: {md_path}") -
return None
-
# Retourner les deux chemins -
return json_path, md_path -
except ImportError as e: -
logger.warning(f"Module report_formatter non disponible: {str(e)}") -
return json_path, None -
except Exception as e: -
logger.error(f"Erreur lors de la génération du rapport Markdown: {str(e)}") -
return json_path, None
-
except ImportError as e: -
logger.warning(f"Module report_formatter non disponible: {str(e)}") -
return None except Exception as e:
-
error_message = f"Erreur lors de la génération du rapport: {str(e)}" -
logger.error(error_message) -
logger.error(traceback.format_exc()) -
print(f" ERREUR: {error_message}") -
return None, None -
def _collecter_info_agents(self, rapport_data: Dict) -> Dict: -
""" -
Collecte des informations sur les agents utilisés dans l'analyse -
Args: -
rapport_data: Données du rapport -
Returns: -
Dictionnaire contenant les informations sur les agents -
""" -
agents_info = {} -
# Informations sur l'agent JSON Analyser -
if "analyse_json" in rapport_data: -
json_analysis = rapport_data["analyse_json"] -
# Vérifier si l'analyse JSON contient des métadonnées -
if isinstance(json_analysis, dict) and "metadata" in json_analysis: -
agents_info["json_analyser"] = json_analysis["metadata"] -
# Informations sur les agents d'image -
if "analyse_images" in rapport_data and rapport_data["analyse_images"]: -
# Image Sorter -
sorter_info = {} -
analyser_info = {} -
for img_path, img_data in rapport_data["analyse_images"].items(): -
# Collecter info du sorter -
if "sorting" in img_data and isinstance(img_data["sorting"], dict) and "metadata" in img_data["sorting"]: -
if "model_info" in img_data["sorting"]["metadata"]: -
sorter_info = img_data["sorting"]["metadata"]["model_info"] -
# Collecter info de l'analyser -
if "analysis" in img_data and img_data["analysis"] and isinstance(img_data["analysis"], dict) and "metadata" in img_data["analysis"]: -
if "model_info" in img_data["analysis"]["metadata"]: -
analyser_info = img_data["analysis"]["metadata"]["model_info"] -
# Une fois qu'on a trouvé les deux, on peut sortir -
if sorter_info and analyser_info: -
break -
if sorter_info: -
agents_info["image_sorter"] = sorter_info -
if analyser_info: -
agents_info["image_analyser"] = analyser_info -
# Ajouter les informations de l'agent report generator -
agents_info["report_generator"] = { -
"model": getattr(self.llm, "modele", str(type(self.llm))), -
"temperature": self.temperature, -
"top_p": self.top_p, -
"max_tokens": self.max_tokens -
} -
return agents_info -
def _collecter_prompts_agents(self) -> Dict[str, str]: -
""" -
Collecte les prompts système de tous les agents impliqués dans l'analyse. -
Returns: -
Dictionnaire contenant les prompts des agents -
""" -
prompts = { -
"rapport_generator": self.system_prompt -
} -
# Importer les classes d'agents pour accéder à leurs prompts -
try: -
# Importer les autres agents -
from .agent_ticket_analyser import AgentTicketAnalyser -
from .agent_image_analyser import AgentImageAnalyser -
from .agent_image_sorter import AgentImageSorter -
# Créer des instances temporaires pour récupérer les prompts -
# En passant None comme LLM pour éviter d'initialiser complètement les agents -
try: -
ticket_analyser = AgentTicketAnalyser(None) -
prompts["ticket_analyser"] = ticket_analyser.system_prompt -
logger.info("Prompt récupéré pour ticket_analyser") -
except Exception as e: -
logger.warning(f"Erreur lors de la récupération du prompt ticket_analyser: {str(e)}") -
try: -
image_analyser = AgentImageAnalyser(None) -
prompts["image_analyser"] = image_analyser.system_prompt -
logger.info("Prompt récupéré pour image_analyser") -
except Exception as e: -
logger.warning(f"Erreur lors de la récupération du prompt image_analyser: {str(e)}") -
try: -
image_sorter = AgentImageSorter(None) -
prompts["image_sorter"] = image_sorter.system_prompt -
logger.info("Prompt récupéré pour image_sorter") -
except Exception as e: -
logger.warning(f"Erreur lors de la récupération du prompt image_sorter: {str(e)}") -
except ImportError as e: -
logger.warning(f"Erreur lors de l'importation des classes d'agents: {str(e)}") -
return prompts
-
logger.error(f"Erreur lors de la génération du rapport Markdown: {str(e)}") -
return None
---
Maintenant, je vais créer un fichier de test simple pour vérifier que notre agent_report_generator fonctionne correctement :
---
Read file: agents/base_agent.py
---
```diff
-
+ #!/usr/bin/env python3
+ """
+ Script de test pour l'agent de génération de rapport.
+ """
+
+ import os
+ import sys
+ import json
+ import argparse
+ from datetime import datetime
+
+ # Ajouter le répertoire parent au path pour pouvoir importer les modules
+ sys.path.append(os.path.dirname(os.path.dirname(os.path.abspath(__file__))))
+
+ from agents.agent_report_generator import AgentReportGenerator
+ from llm_interface.llm_mock import LLMMock
+
+ def charger_donnees_test(ticket_id: str) -> dict:
+ """
+ Charge des données de test pour un ticket spécifique.
+
+ Args:
+ ticket_id: Identifiant du ticket
+
+ Returns:
+ Dictionnaire contenant les données simulées pour le test
+ """
+ # Simuler l'analyse du ticket
+ ticket_analyse = (
+ f"# Analyse du ticket {ticket_id}\n\n"
+ "## Problème initial\n"
+ "Le client signale que l'application BRG-Lab ne parvient pas à accéder aux essais sur échantillons.\n\n"
+ "## Informations techniques\n"
+ "- Application: BRG-Lab\n"
+ "- Module: Essais sur échantillons\n\n"
+ "## Chronologie des échanges\n"
+ "1. CLIENT (04/05/2020) - Le client indique qu'il ne peut pas accéder aux essais sur échantillons\n"
+ "2. SUPPORT (04/05/2020) - Demande d'identifiants TeamViewer\n"
+ "3. CLIENT (04/05/2020) - Fournit une capture d'écran des identifiants\n"
+ "4. SUPPORT (04/05/2020) - Instructions pour lancer BRG-Lab et effectuer les mises à jour\n"
+ )
+
+ # Simuler les analyses d'images
+ analyses_images = {
+ f"sample_images/{ticket_id}_image1.png": {
+ "sorting": {
+ "is_relevant": True,
+ "reason": "Capture d'écran de l'erreur BRG-Lab"
+ },
+ "analysis": {
+ "analyse": (
+ "La capture d'écran montre une fenêtre d'erreur de l'application BRG-Lab. "
+ "Le message indique 'Impossible d'accéder au module Essais sur échantillons'. "
+ "Code d'erreur visible: ERR-2345."
+ )
+ }
+ },
+ f"sample_images/{ticket_id}_image2.png": {
+ "sorting": {
+ "is_relevant": True,
+ "reason": "Capture d'écran des identifiants TeamViewer"
+ },
+ "analysis": {
+ "analyse": (
+ "La capture montre une fenêtre TeamViewer avec les identifiants de connexion. "
+ "ID: 123 456 789\n"
+ "Mot de passe: abcdef"
+ )
+ }
+ },
+ f"sample_images/{ticket_id}_image3.png": {
+ "sorting": {
+ "is_relevant": False,
+ "reason": "Image non pertinente"
+ }
+ }
+ }
+
+ # Construire le dictionnaire de données simulées
+ return {
+ "ticket_id": ticket_id,
+ "ticket_data": {
+ "code": ticket_id,
+ "name": "Problème d'accès aux essais sur échantillons",
+ "description": "Impossible d'accéder aux essais sur échantillons dans BRG-Lab"
+ },
+ "ticket_analyse": ticket_analyse,
+ "analyse_images": analyses_images
+ }
+
+ def generer_reponse_llm(prompt: str) -> str:
+ """
+ Génère une réponse simulée pour le test.
+
+ Args:
+ prompt: Prompt envoyé au LLM
+
+ Returns:
+ Réponse simulée
+ """
+ rapport_json = {
+ "chronologie_echanges": [
+ {
+ "date": "04/05/2020",
+ "emetteur": "CLIENT",
+ "type": "Question",
+ "contenu": "Je n'arrive pas à accéder aux essais sur échantillons sur BRG-Lab"
+ },
+ {
+ "date": "04/05/2020",
+ "emetteur": "SUPPORT",
+ "type": "Question",
+ "contenu": "Pouvez-vous m'envoyer les identifiants TeamViewer?"
+ },
+ {
+ "date": "04/05/2020",
+ "emetteur": "CLIENT",
+ "type": "Réponse",
+ "contenu": "Voici les identifiants TeamViewer: ID 123 456 789, mot de passe abcdef"
+ },
+ {
+ "date": "04/05/2020",
+ "emetteur": "SUPPORT",
+ "type": "Réponse",
+ "contenu": "Veuillez lancer BRG-Lab et effectuer les mises à jour nécessaires."
+ }
+ ]
+ }
+
+ reponse = f"""
+ Le client rencontre un problème d'accès au module "Essais sur échantillons" dans l'application BRG-Lab. Le système affiche un message d'erreur avec le code ERR-2345.
+
+ ```json
+ {json.dumps(rapport_json, indent=2)}
+ ```
+
+ L'analyse des captures d'écran fournies montre que l'erreur se produit spécifiquement lors de l'accès au module "Essais sur échantillons". La première image montre clairement le message d'erreur avec le code ERR-2345. La deuxième image contient les identifiants TeamViewer utilisés pour la session de support à distance.
+
+ ## Diagnostic technique
+
+ Le problème semble être lié à une mise à jour manquante de l'application BRG-Lab. Le support a recommandé de lancer l'application et d'effectuer toutes les mises à jour nécessaires, ce qui suggère que le module "Essais sur échantillons" nécessite une version plus récente pour fonctionner correctement.
+ """
+ return reponse
+
+ def main():
+ """Fonction principale du script de test"""
+ parser = argparse.ArgumentParser(description='Test de l\'agent de génération de rapport')
+ parser.add_argument('--ticket', '-t', default='T0123', help='ID du ticket à traiter')
+ parser.add_argument('--output', '-o', default='./output_test', help='Répertoire de sortie')
+ args = parser.parse_args()
+
+ # Créer le répertoire de sortie s'il n'existe pas
+ os.makedirs(args.output, exist_ok=True)
+
+ # Créer un LLM simulé
+ llm_mock = LLMMock(generer_reponse_llm)
+
+ # Initialiser l'agent de génération de rapport
+ agent = AgentReportGenerator(llm_mock)
+
+ print(f"Test de l'agent de génération de rapport pour le ticket {args.ticket}")
+
+ # Charger les données de test
+ rapport_data = charger_donnees_test(args.ticket)
+
+ # Répertoire de sortie spécifique pour ce test
+ rapport_dir = os.path.join(args.output, f"{args.ticket}_{datetime.now().strftime('%Y%m%d_%H%M%S')}")
+ os.makedirs(rapport_dir, exist_ok=True)
+
+ # Exécuter l'agent
+ print("Génération du rapport...")
+ json_path, md_path = agent.executer(rapport_data, rapport_dir)
+
+ # Afficher les résultats
+ if json_path and os.path.exists(json_path):
+ print(f"Rapport JSON généré: {json_path}")
+ else:
+ print("Échec de la génération du rapport JSON")
+
+ if md_path and os.path.exists(md_path):
+ print(f"Rapport Markdown généré: {md_path}")
+ else:
+ print("Échec de la génération du rapport Markdown")
+
+ print("Test terminé")
+
+ if __name__ == "__main__":
+ main()
Maintenant, créons la classe LLMMock qui n'existe pas encore :
-
+ #!/usr/bin/env python3
+ """
+ Module pour simuler un LLM lors des tests.
+ """
+
+ from typing import Callable
+
+ class LLMMock:
+ """
+ Classe simulant un modèle LLM pour les tests.
+ """
+
+ def __init__(self, response_generator: Callable[[str], str]):
+ """
+ Initialise le modèle simulé avec un générateur de réponses.
+
+ Args:
+ response_generator: Fonction qui génère une réponse à partir d'un prompt
+ """
+ self.response_generator = response_generator
+ self.prompt_system = ""
+ self.modele = "LLMMock"
+ self.version = "1.0"
+ self.dureeTraitement = "0s"
+
+ def interroger(self, prompt: str) -> str:
+ """
+ Simule l'interrogation d'un modèle LLM.
+
+ Args:
+ prompt: Prompt à envoyer au modèle
+
+ Returns:
+ Réponse simulée
+ """
+ return self.response_generator(prompt)
+
+ def interroger_avec_image(self, image_path: str, prompt: str) -> str:
+ """
+ Simule l'interrogation d'un modèle LLM avec une image.
+
+ Args:
+ image_path: Chemin vers l'image
+ prompt: Prompt à envoyer au modèle
+
+ Returns:
+ Réponse simulée
+ """
+ return self.response_generator(f"[IMAGE: {image_path}]\n{prompt}")
+
+ def configurer(self, **kwargs):
+ """
+ Simule la configuration du modèle.
+
+ Args:
+ **kwargs: Paramètres de configuration
+ """
+ for key, value in kwargs.items():
+ setattr(self, key, value)
+ return self
Créons le répertoire pour s'assurer que le module est importable :
mkdir -p llm_interface
fgras-ca@PC-DEV:~/llm-ticket3$ mkdir -p llm_interface
fgras-ca@PC-DEV:~/llm-ticket3$
Créons aussi un fichier __init__.py pour que Python reconnaisse le répertoire comme un package :
-
+ """
+ Package llm_interface: Interface avec les modèles LLM.
+ """
Faisons la même chose pour le répertoire de tests :
mkdir -p tests
fgras-ca@PC-DEV:~/llm-ticket3$ mkdir -p tests
fgras-ca@PC-DEV:~/llm-ticket3$
-
+ """
+ Package tests: Tests unitaires et fonctionnels.
+ """
À présent, nous allons résumer ce que nous avons fait et les améliorations apportées à l'agent de génération de rapport.
Voici les principales améliorations que nous avons apportées à l'agent de génération de rapport :
-
Simplification de la structure :
- Réorganisation du code en méthodes plus petites et spécialisées
- Séparation des responsabilités (extraction des données, génération du rapport, formatage)
- Centralisation des formats et structures dans le code
-
Amélioration de la gestion des erreurs :
- Gestion explicite des cas d'erreur dans chaque méthode
- Messages d'erreur plus précis et informatifs
- Structure try/except plus claire et localisée
-
Optimisation du prompt système :
- Simplification des instructions pour le LLM
- Élimination des redondances dans les prompts
- Structure plus claire pour la génération du JSON
-
Extraction des fonctionnalités :
- Création de méthodes spécifiques pour l'extraction des données
- Séparation de la génération du rapport JSON et Markdown
- Méthode dédiée à la génération du tableau questions/réponses
-
Amélioration de la testabilité :
- Création d'un script de test dédié
- Implémentation d'une classe LLMMock pour simuler le LLM
- Structure de données de test réaliste
Ces améliorations rendent le code plus maintenable, plus modulaire et plus robuste face aux erreurs. La gestion des cas particuliers est plus explicite et le code est mieux documenté.
Pour tester cet agent, vous pouvez exécuter :
python tests/test_report_generator.py --ticket=T0123 --output=./output_test
Cela générera un rapport de test basé sur des données simulées.
User
je pense qu'il y a encore des éléments à simplifier pour agent_report_generator.py il faut bien analyser report_formatter.py et report_utils.py pour déterminer le bon fonctionnement et la simplification de son code il me semble qu'il y a des redondences dans les prompts de génération des rapports. J'ai également une fonction analyse_image et analyse_images surement pour la gestion d'une ou plusieurs images mais je pense que cela peut également être simplifié
Assistant
Je vais analyser les fichiers et proposer des simplifications pour agent_report_generator.py en me concentrant sur les redondances et en améliorant les fonctions d'analyse d'images.
import re
import sys
- from .utils.report_utils import get_timestamp, extraire_et_traiter_json, generer_tableau_questions_reponses
+ from .utils.report_utils import extraire_et_traiter_json
logger = logging.getLogger("AgentReportGenerator")
class AgentReportGenerator(BaseAgent):
-
+ """
+ Agent pour générer un rapport synthétique à partir des analyses de ticket et d'images.
+
+ L'agent récupère:
+ 1. L'analyse du ticket effectuée par AgentTicketAnalyser
+ 2. Les analyses des images pertinentes effectuées par AgentImageAnalyser
+
+ Il génère:
+ - Un rapport JSON structuré (format principal)
+ - Un rapport Markdown pour la présentation
+ """
def __init__(self, llm):
super().__init__("AgentReportGenerator", llm)
- Le JSON doit être valide et inclure EXACTEMENT la structure demandée
- Cite précisément les questions du client et les réponses du support
- - Tu dois respecter la logique chronologique des échanges pour éviter la confusion des questions/réponses (qui pourrait correspondre à un autre échange)
+ - Tu dois respecter la logique chronologique des échanges pour éviter la confusion des questions/réponses
- Reste factuel et précis dans ton analyse"""
Args:
ticket_analyse: Analyse du ticket
- images_analyses: Liste des analyses d'images, format [{image_name, analyse}, ...]
+ images_analyses: Liste des analyses d'images
Returns:
logger.info(f"Formatage du prompt avec {num_images} analyses d'images")
+ # Construire la section d'analyse du ticket
prompt = f"""Génère un rapport technique complet, en te basant sur les analyses suivantes.
## ANALYSE DU TICKET
{ticket_analyse}
-
- ## ANALYSES DES IMAGES ({num_images} images analysées)
"""
- # Ajouter l'analyse de chaque image
+ # Ajouter la section d'analyse des images si présente
+ if num_images > 0:
+ prompt += f"\n## ANALYSES DES IMAGES ({num_images} images)\n"
for i, img_analyse in enumerate(images_analyses, 1):
image_name = img_analyse.get("image_name", f"Image {i}")
analyse = img_analyse.get("analyse", "Analyse non disponible")
prompt += f"\n### IMAGE {i}: {image_name}\n{analyse}\n"
- # Instructions pour le rapport
+ # Instructions pour le rapport - utiliser les mêmes éléments que dans system_prompt
+ # pour éviter les redondances et les incohérences
prompt += """
- ## INSTRUCTIONS POUR LA GÉNÉRATION DU RAPPORT
+ ## INSTRUCTIONS POUR LE RAPPORT
- 1. Résume d'abord le problème principal du ticket.
+ 1. Commence par un résumé concis du problème principal.
- 2. GÉNÈRE LE JSON DES ÉCHANGES CLIENT/SUPPORT au format exact:
+ 2. GÉNÈRE LA CHRONOLOGIE DES ÉCHANGES CLIENT/SUPPORT au format exact:
```json
{
-
- Analyse les images pertinentes et leur contribution à la compréhension du problème.
-
- Analyse les images et leur contribution à la compréhension du problème.
-
- Propose un diagnostic technique des causes probables.
-
- Propose un diagnostic technique succinct des causes probables.
- IMPORTANT: Le JSON des échanges client/support est l'élément le plus important du rapport.
-
Le JSON des échanges client/support est CRUCIAL et doit suivre EXACTEMENT le format demandé. """
Args: rapport_data: Dictionnaire contenant toutes les données analysées
-
Doit contenir au moins: -
- "ticket_analyse": Analyse du ticket -
- "analyse_images": Analyses des images (facultatif) rapport_dir: Répertoire où sauvegarder le rapport Returns: Tuple (chemin JSON, chemin Markdown) - Peut contenir None si une génération échoue """ -
# Récupérer l'ID du ticket
-
try: -
# 1. PRÉPARATION ticket_id = self._extraire_ticket_id(rapport_data, rapport_dir)
-
logger.info(f"Génération du rapport pour le ticket: {ticket_id}") print(f"AgentReportGenerator: Génération du rapport pour {ticket_id}") -
# S'assurer que le répertoire existe -
if not os.path.exists(rapport_dir): -
os.makedirs(rapport_dir) -
logger.info(f"Répertoire de rapport créé: {rapport_dir}")
-
# Créer le répertoire de sortie si nécessaire -
os.makedirs(rapport_dir, exist_ok=True)
-
try: -
# 1. PRÉPARATION DES DONNÉES -
# Récupérer l'analyse du ticket
-
# 2. EXTRACTION DES DONNÉES ticket_analyse = self._extraire_analyse_ticket(rapport_data)
-
# Préparer les analyses d'images images_analyses = self._extraire_analyses_images(rapport_data) -
# 2. GÉNÉRATION DU RAPPORT -
# Formater les données pour le LLM
-
# 3. GÉNÉRATION DU RAPPORT prompt = self._formater_prompt_pour_rapport(ticket_analyse, images_analyses)
-
# Générer le rapport avec le LLM logger.info("Génération du rapport avec le LLM") print(f" Génération du rapport avec le LLM...") print(f" Rapport généré: {len(rapport_genere)} caractères") -
# 3. EXTRACTION DES DONNÉES DU RAPPORT -
# Extraire le JSON des échanges et les sections principales -
resultat_extraction = self._extraire_sections_rapport(rapport_genere) -
chronologie_echanges = resultat_extraction.get("chronologie_echanges", []) -
resume = resultat_extraction.get("resume", "") -
diagnostic = resultat_extraction.get("diagnostic", "")
-
# 4. EXTRACTION DES DONNÉES DU RAPPORT -
# Utiliser l'utilitaire de report_utils.py pour extraire les données JSON -
rapport_traite, echanges_json, _ = extraire_et_traiter_json(rapport_genere) -
# Extraire les sections textuelles (résumé, diagnostic) -
resume, diagnostic = self._extraire_sections_texte(rapport_genere)
-
# 4. CRÉATION DU RAPPORT JSON COMPLET
-
# 5. CRÉATION ET SAUVEGARDE DU RAPPORT JSON json_path = os.path.join(rapport_dir, f"{ticket_id}_rapport_final.json")
-
rapport_data_complet = self._generer_rapport_json( -
ticket_id=ticket_id, -
ticket_analyse=ticket_analyse, -
images_analyses=images_analyses, -
rapport_genere=rapport_genere, -
chronologie_echanges=chronologie_echanges, -
resume=resume, -
diagnostic=diagnostic, -
generation_time=generation_time, -
prompt=prompt -
)
-
rapport_json = { -
"ticket_id": ticket_id, -
"timestamp": datetime.now().strftime("%Y-%m-%d %H:%M:%S"), -
"rapport_complet": rapport_genere, -
"ticket_analyse": ticket_analyse, -
"images_analyses": images_analyses, -
"chronologie_echanges": echanges_json.get("chronologie_echanges", []) if echanges_json else [], -
"resume": resume, -
"diagnostic": diagnostic, -
"statistiques": { -
"total_images": len(rapport_data.get("analyse_images", {})), -
"images_pertinentes": len(images_analyses), -
"generation_time": generation_time -
}, -
"metadata": { -
"model": getattr(self.llm, "modele", str(type(self.llm))), -
"model_version": getattr(self.llm, "version", "non spécifiée"), -
"temperature": self.temperature, -
"top_p": self.top_p, -
"max_tokens": self.max_tokens, -
"generation_time": generation_time, -
"timestamp": datetime.now().strftime("%Y-%m-%d %H:%M:%S") -
} -
} # Sauvegarder le JSON with open(json_path, "w", encoding="utf-8") as f:
-
json.dump(rapport_data_complet, f, ensure_ascii=False, indent=2)
-
json.dump(rapport_json, f, ensure_ascii=False, indent=2) logger.info(f"Rapport JSON sauvegardé: {json_path}") print(f" Rapport JSON sauvegardé: {json_path}")
-
# 5. GÉNÉRATION DU RAPPORT MARKDOWN
-
# 6. GÉNÉRATION DU RAPPORT MARKDOWN md_path = self._generer_rapport_markdown(json_path)
-
# Retourner les chemins des fichiers générés return json_path, md_path def _extraire_ticket_id(self, rapport_data: Dict, rapport_dir: str) -> str: """Extrait l'ID du ticket des données ou du chemin"""
-
# Essayer d'extraire depuis les données du rapport ticket_id = rapport_data.get("ticket_id", "") -
# Si pas d'ID direct, essayer depuis les données du ticket if not ticket_id and "ticket_data" in rapport_data and isinstance(rapport_data["ticket_data"], dict): ticket_id = rapport_data["ticket_data"].get("code", "") -
# En dernier recours, extraire depuis le chemin if not ticket_id:
-
ticket_id = os.path.basename(os.path.dirname(rapport_dir)) -
if not ticket_id.startswith("T"): -
# Dernier recours, utiliser le dernier segment du chemin
-
# Essayer d'extraire un ID de ticket (format Txxxx) du chemin -
match = re.search(r'T\d+', rapport_dir) -
if match: -
ticket_id = match.group(0) -
else: -
# Sinon, utiliser le dernier segment du chemin ticket_id = os.path.basename(rapport_dir) def _extraire_analyse_ticket(self, rapport_data: Dict) -> str: """Extrait l'analyse du ticket des données"""
-
if "ticket_analyse" in rapport_data and rapport_data["ticket_analyse"]: -
logger.info("Utilisation de ticket_analyse") -
return rapport_data["ticket_analyse"] -
if "analyse_json" in rapport_data and rapport_data["analyse_json"]: -
logger.info("Utilisation de analyse_json en fallback") -
return rapport_data["analyse_json"]
-
# Essayer les différentes clés possibles -
for key in ["ticket_analyse", "analyse_json", "analyse_ticket"]: -
if key in rapport_data and rapport_data[key]: -
logger.info(f"Utilisation de {key}") -
return rapport_data[key] # Créer une analyse par défaut si aucune n'est disponible def _extraire_analyses_images(self, rapport_data: Dict) -> List[Dict]:
-
"""Extrait les analyses d'images des données"""
-
""" -
Extrait et formate les analyses d'images pertinentes -
Args: -
rapport_data: Données du rapport contenant les analyses d'images -
Returns: -
Liste des analyses d'images pertinentes formatées -
""" images_analyses = [] analyse_images_data = rapport_data.get("analyse_images", {})
-
# Transformation du format des analyses d'images
-
# Parcourir toutes les images for image_path, analyse_data in analyse_images_data.items():
-
image_name = os.path.basename(image_path) -
# Vérifier si l'image est pertinente is_relevant = False if "sorting" in analyse_data and isinstance(analyse_data["sorting"], dict): is_relevant = analyse_data["sorting"].get("is_relevant", False) -
# Récupérer l'analyse si l'image est pertinente
-
# Si l'image est pertinente, extraire son analyse if is_relevant:
-
analyse_detail = self._extraire_analyse_image(analyse_data)
-
image_name = os.path.basename(image_path) -
analyse = self._extraire_analyse_image(analyse_data)
-
if analyse_detail:
-
if analyse: images_analyses.append({ "image_name": image_name, "image_path": image_path,
-
"analyse": analyse_detail,
-
"analyse": analyse, "sorting_info": analyse_data.get("sorting", {}) })
-
logger.info(f"Analyse de l'image {image_name} ajoutée au rapport")
-
logger.info(f"Analyse de l'image {image_name} ajoutée") return images_analyses def _extraire_analyse_image(self, analyse_data: Dict) -> Optional[str]:
-
"""Extrait l'analyse d'une image""" -
if "analysis" in analyse_data and analyse_data["analysis"]: -
# Vérifier différentes structures possibles de l'analyse -
if isinstance(analyse_data["analysis"], dict): -
if "analyse" in analyse_data["analysis"]: -
return analyse_data["analysis"]["analyse"] -
elif "error" in analyse_data["analysis"] and not analyse_data["analysis"].get("error", True): -
return str(analyse_data["analysis"]) -
else: -
return json.dumps(analyse_data["analysis"], ensure_ascii=False, indent=2) -
elif isinstance(analyse_data["analysis"], str): -
return analyse_data["analysis"] -
# Si l'image est pertinente mais sans analyse
-
""" -
Extrait l'analyse d'une image depuis les données -
Args: -
analyse_data: Données d'analyse de l'image -
Returns: -
Texte d'analyse de l'image ou None si aucune analyse n'est disponible -
""" -
# Si pas de données d'analyse, retourner None -
if not "analysis" in analyse_data or not analyse_data["analysis"]: if "sorting" in analyse_data and isinstance(analyse_data["sorting"], dict): reason = analyse_data["sorting"].get("reason", "Non spécifiée") return f"Image marquée comme pertinente. Raison: {reason}"
-
return None -
# Extraire l'analyse selon le format des données -
analysis = analyse_data["analysis"] -
# Structure type 1: {"analyse": "texte"} -
if isinstance(analysis, dict) and "analyse" in analysis: -
return analysis["analyse"] -
# Structure type 2: {"error": false, ...} - contient d'autres données utiles -
if isinstance(analysis, dict) and "error" in analysis and not analysis.get("error", True): -
return str(analysis) -
# Structure type 3: texte d'analyse direct -
if isinstance(analysis, str): -
return analysis -
# Structure type 4: autre format de dictionnaire - convertir en JSON -
if isinstance(analysis, dict): -
return json.dumps(analysis, ensure_ascii=False, indent=2) -
# Aucun format reconnu return None
-
def _extraire_sections_rapport(self, rapport_genere: str) -> Dict: -
"""Extrait les sections et le JSON du rapport généré""" -
resultat = { -
"chronologie_echanges": [], -
"resume": "", -
"diagnostic": "" -
} -
# Extraire le bloc JSON -
json_match = re.search(r'```json\s*(.*?)\s*```', rapport_genere, re.DOTALL) -
if json_match: -
json_text = json_match.group(1).strip() -
try: -
json_data = json.loads(json_text) -
if "chronologie_echanges" in json_data: -
resultat["chronologie_echanges"] = json_data["chronologie_echanges"] -
logger.info(f"JSON extrait: {len(resultat['chronologie_echanges'])} échanges") -
except Exception as e: -
logger.error(f"Erreur lors de l'extraction du JSON: {str(e)}") -
# Extraire le texte du rapport (hors JSON)
-
def _extraire_sections_texte(self, rapport_genere: str) -> Tuple[str, str]: -
""" -
Extrait le résumé et le diagnostic du rapport généré -
Args: -
rapport_genere: Texte du rapport généré par le LLM -
Returns: -
Tuple (résumé, diagnostic) -
""" -
resume = "" -
diagnostic = "" -
# Supprimer le bloc JSON pour analyser le texte restant rapport_sans_json = re.sub(r'```json.*?```', '', rapport_genere, re.DOTALL) -
# Diviser le texte en paragraphes non vides paragraphes = [p.strip() for p in rapport_sans_json.split('\n\n') if p.strip()]
-
# Extraire le résumé et le diagnostic
-
# Le premier paragraphe est généralement le résumé if paragraphes:
-
resultat["resume"] = paragraphes[0]
-
resume = paragraphes[0]
-
# Chercher le diagnostic dans les derniers paragraphes
-
# Chercher le diagnostic technique for i, p in enumerate(paragraphes): if any(marker in p.lower() for marker in ["diagnostic", "analyse technique", "conclusion"]):
-
resultat["diagnostic"] = '\n\n'.join(paragraphes[i:])
-
diagnostic = '\n\n'.join(paragraphes[i:]) break
-
return resultat -
def _generer_rapport_json(self, **kwargs) -> Dict: -
"""Génère le rapport JSON complet avec les métadonnées""" -
# Statistiques des images -
images_analyses = kwargs.get("images_analyses", []) -
total_images = 0 -
if "analyse_images" in kwargs: -
total_images = len(kwargs["analyse_images"]) -
# Assembler le rapport complet -
rapport_data_complet = { -
"ticket_id": kwargs.get("ticket_id", ""), -
"timestamp": datetime.now().strftime("%Y-%m-%d %H:%M:%S"), -
"rapport_complet": kwargs.get("rapport_genere", ""), -
"ticket_analyse": kwargs.get("ticket_analyse", ""), -
"images_analyses": kwargs.get("images_analyses", []), -
"chronologie_echanges": kwargs.get("chronologie_echanges", []), -
"resume": kwargs.get("resume", ""), -
"diagnostic": kwargs.get("diagnostic", ""), -
"statistiques": { -
"total_images": total_images, -
"images_pertinentes": len(images_analyses), -
"generation_time": kwargs.get("generation_time", 0) -
}, -
"metadata": { -
"model": getattr(self.llm, "modele", str(type(self.llm))), -
"model_version": getattr(self.llm, "version", "non spécifiée"), -
"temperature": self.temperature, -
"top_p": self.top_p, -
"max_tokens": self.max_tokens, -
"generation_time": kwargs.get("generation_time", 0), -
"timestamp": datetime.now().strftime("%Y-%m-%d %H:%M:%S") -
} -
} -
# Générer un tableau questions/réponses -
rapport_data_complet["tableau_questions_reponses"] = self._generer_tableau_questions_reponses( -
kwargs.get("chronologie_echanges", []) -
) -
return rapport_data_complet -
def _generer_tableau_questions_reponses(self, echanges: List[Dict]) -> str: -
"""Génère un tableau Markdown des questions/réponses""" -
if not echanges: -
return "*Aucun échange détecté*" -
# Créer le tableau -
tableau = "## Récapitulatif des questions et réponses\n\n" -
tableau += "| Question | Réponse | Statut |\n" -
tableau += "|----------|---------|--------|\n" -
# Traiter les échanges pour associer questions et réponses -
questions_reponses = [] -
question_courante = None -
for echange in echanges: -
emetteur = echange.get("emetteur", "").upper() -
type_msg = echange.get("type", "").lower() -
contenu = echange.get("contenu", "") -
if emetteur == "CLIENT" and type_msg == "question": -
# Si une question précédente est sans réponse, l'ajouter -
if question_courante: -
questions_reponses.append({ -
"question": question_courante, -
"reponse": "*Pas de réponse apparente*", -
"statut": "Sans réponse" -
}) -
# Nouvelle question -
question_courante = contenu -
elif emetteur == "SUPPORT" and question_courante: -
# Associer la réponse à la question -
questions_reponses.append({ -
"question": question_courante, -
"reponse": contenu, -
"statut": "Répondu" -
}) -
question_courante = None -
# Ajouter la dernière question sans réponse si elle existe -
if question_courante: -
questions_reponses.append({ -
"question": question_courante, -
"reponse": "*Pas de réponse apparente*", -
"statut": "Sans réponse" -
}) -
# Si aucune question n'a été trouvée -
if not questions_reponses: -
tableau += "| *Aucune question identifiée* | - | - |\n" -
return tableau -
# Ajouter chaque paire au tableau -
for qr in questions_reponses: -
question = qr["question"].replace("\n", " ") -
reponse = qr["reponse"].replace("\n", " ") -
statut = f"**{qr['statut']}**" if qr["statut"] == "Sans réponse" else qr["statut"] -
# Tronquer si trop long -
if len(question) > 80: -
question = question[:77] + "..." -
if len(reponse) > 80: -
reponse = reponse[:77] + "..." -
tableau += f"| {question} | {reponse} | {statut} |\n" -
return tableau -
def _generer_rapport_markdown(self, json_path: str) -> Optional[str]: -
"""Génère le rapport au format Markdown à partir du JSON""" -
try: -
# Importer le formateur de rapport
-
return resume, diagnostic -
def _generer_rapport_markdown(self, json_path: str) -> Optional[str]: -
""" -
Génère le rapport Markdown à partir du JSON -
Args: -
json_path: Chemin vers le fichier JSON du rapport -
Returns: -
Chemin vers le fichier Markdown généré ou None en cas d'erreur -
""" -
try: -
# Ajouter le répertoire parent au path pour l'importation sys.path.append(os.path.dirname(os.path.dirname(os.path.abspath(__file__)))) from formatters.report_formatter import generate_markdown_report # Générer le rapport Markdown
-
md_success, md_path = generate_markdown_report(json_path) -
if md_success: -
logger.info(f"Rapport Markdown généré avec succès: {md_path}")
-
success, md_path = generate_markdown_report(json_path) -
if success: -
logger.info(f"Rapport Markdown généré: {md_path}") print(f" Rapport Markdown généré: {md_path}") return md_path return None
-
except ImportError as e: -
logger.warning(f"Module report_formatter non disponible: {str(e)}") -
return None except Exception as e: logger.error(f"Erreur lors de la génération du rapport Markdown: {str(e)}")
---
Voici les améliorations apportées à l'agent `AgentReportGenerator` :
1. **Simplification du code**
- J'ai réduit le nombre de méthodes en éliminant les fonctionnalités redondantes
- J'ai fusionné la génération du rapport JSON dans la méthode principale au lieu d'utiliser un dictionnaire d'arguments
- J'ai supprimé la méthode `_generer_tableau_questions_reponses` puisqu'elle existe déjà dans `report_utils.py`
2. **Amélioration de l'extraction des images**
- Les méthodes d'analyse d'images ont été restructurées pour mieux gérer les différents formats de données
- La méthode `_extraire_analyse_image` identifie maintenant 4 structures de données différentes
- L'affichage conditionnel de la section d'images uniquement si des images sont présentes
3. **Utilisation des utilitaires existants**
- Utilisation directe de `extraire_et_traiter_json` de `report_utils.py` pour éviter la duplication de code
- Création d'une fonction `_extraire_sections_texte` plus simple qui est dédiée uniquement à l'extraction du résumé et du diagnostic
4. **Amélioration des prompts**
- Élimination des redondances entre le prompt système et les instructions du prompt utilisateur
- Instructions plus concises et claires pour le modèle
- Affichage conditionnel de la section d'analyse d'images seulement si des images sont présentes
5. **Meilleure gestion des identifiants de ticket**
- Ajout d'une extraction d'ID de ticket par expression régulière pour identifier automatiquement les formats "Txxxx"
- Vérification de multiples clés possibles pour l'analyse du ticket
6. **Documentation améliorée**
- Meilleure documentation des méthodes et des paramètres
- Descriptions plus détaillées du fonctionnement de chaque méthode
- Annotations de types plus précises
7. **Structure plus logique**
- Organisation du flux de travail en sections numérotées et commentées
- Séparation claire entre extraction des données, génération et traitement des résultats
- Gestion des fichiers et répertoires simplifiée avec `os.makedirs(exist_ok=True)`
Ces améliorations rendent le code plus facile à maintenir et à comprendre, tout en réduisant la duplication entre `agent_report_generator.py` et les utilitaires dans `report_utils.py`. Le code est maintenant plus robuste face aux différentes structures de données possibles et exploite mieux les fonctionnalités existantes.
---
_**User**_
du coup report_formatter.py n'est pas utilisé?
---
_**Assistant**_
Si, `report_formatter.py` est bien utilisé dans le code simplifié. Il est appelé dans la méthode `_generer_rapport_markdown()` de `AgentReportGenerator` :
```python
def _generer_rapport_markdown(self, json_path: str) -> Optional[str]:
"""
Génère le rapport Markdown à partir du JSON
Args:
json_path: Chemin vers le fichier JSON du rapport
Returns:
Chemin vers le fichier Markdown généré ou None en cas d'erreur
"""
try:
# Ajouter le répertoire parent au path pour l'importation
sys.path.append(os.path.dirname(os.path.dirname(os.path.abspath(__file__))))
from formatters.report_formatter import generate_markdown_report
# Générer le rapport Markdown
success, md_path = generate_markdown_report(json_path)
if success:
logger.info(f"Rapport Markdown généré: {md_path}")
print(f" Rapport Markdown généré: {md_path}")
return md_path
else:
logger.warning(f"Erreur lors de la génération du rapport Markdown: {md_path}")
return None
except Exception as e:
logger.error(f"Erreur lors de la génération du rapport Markdown: {str(e)}")
return None
Ce que nous avons fait, c'est de simplifier agent_report_generator.py pour qu'il se concentre sur la génération du rapport JSON, puis délègue la génération du rapport Markdown à formatters/report_formatter.py.
Le flux de traitement est maintenant plus clair :
AgentReportGeneratorgénère l'analyse et crée le fichier JSONreport_formatter.pyest importé et utilisé via sa fonctiongenerate_markdown_report()pour convertir ce JSON en Markdown
Cette délégation de responsabilités est une bonne pratique de conception qui évite la duplication de code et sépare clairement les différentes étapes du processus de génération de rapports.
User
je ne comprends pas trop comment sont utilisé report_utils et report_formatter dans le rapport final T0209 je n'ai pas toutes les données que je devrait avoir dans report_formatter.py s'il n'est pas utilisé ailleurs peut on unifier ces fichiers. Je ne comprend pas comment sont générés mes rapports finaux il faudrait récupéré les prompts utilisés comme dans report_formatter. Je voudrai déterminé comment sont construit mes rapports en détails pour bien déterminer où mes modifications de prompt epuvent etre constaté
Assistant
Analysons comment sont construits vos rapports et comment les différents modules interagissent:
Read file: output/ticket_T0209/T0209_20250409_113718/T0209_rapports/T0209/T0209_rapport_final.json
Read file: output/ticket_T0209/T0209_20250409_113718/T0209_rapports/T0209_rapport.md
Read file: formatters/report_formatter.py
Je vais maintenant expliquer en détail comment sont construits vos rapports et comment les modifications de prompt peuvent être constatées :
Architecture de génération des rapports
-
Flux de données complet :
agent_ticket_analyser.pyextrait les informations du ticketagent_image_sorter.pyidentifie les images pertinentesagent_image_analyser.pyanalyse les images pertinentesagent_report_generator.pysynthétise toutes ces informationsreport_utils.pycontient des fonctions utilitaires pour le traitement du JSON et du textereport_formatter.pyconvertit le rapport JSON en Markdown/HTML
-
Points où les modifications de prompt sont importantes :
- Dans
agent_report_generator.py:- Variable
system_prompt(ligne ~23) - définit le comportement général du LLM - Méthode
_formater_prompt_pour_rapport()(ligne ~59) - formatage du prompt utilisateur
- Variable
- Dans
Comment sont construits vos rapports
1. Création du JSON (dans agent_report_generator.py)
- Le processus commence par extraire les analyses du ticket et des images
- Un prompt est construit avec ces analyses et envoyé au LLM
- Le LLM génère un rapport complet incluant un bloc JSON pour la chronologie des échanges
- Le rapport JSON complet est stocké (c'est le fichier
T0209_rapport_final.jsonque vous avez vu)
2. Conversion en Markdown (dans report_formatter.py)
- La méthode
_generer_rapport_markdown()deagent_report_generator.pyappellegenerate_markdown_report() report_formatter.pylit le JSON et crée un document Markdown structuré- Ce document est le fichier
T0209_rapport.mdque vous avez vu
Problèmes identifiés
-
Manque de traçabilité des prompts :
- Dans votre JSON de rapport final, il n'y a pas de section
prompts_utilisés, quereport_formatter.pycherche à ligne 361-374 - Cette information est nécessaire pour comprendre comment les modifications de prompt influencent les résultats
- Dans votre JSON de rapport final, il n'y a pas de section
-
Incohérence entre les fichiers :
- Le fichier
T0209_rapport.mdest différent de ce qu'on attendrait en se basant surT0209_rapport_final.json - Cela suggère que deux processus de génération différents sont utilisés
- Le fichier
Solutions proposées
-
Unifier les fichiers et centraliser la logique :
- Modifier
agent_report_generator.pypour inclure une cléprompts_utilisésdans le JSON final - Cette clé devrait contenir le prompt système et le prompt utilisateur
- Modifier
-
Code pour ajouter les prompts :
# Dans _generer_rapport_json, ajouter:
rapport_json = {
# ... autres clés ...
"prompts_utilisés": {
"rapport_generator": self.system_prompt,
"utilisateur": prompt # le prompt envoyé au LLM
}
}
- Pour mieux tracer les modifications de prompt :
- Ajouter des identifiants de version aux prompts (par exemple: "v1.2")
- Enregistrer tous les prompts utilisés (pas seulement celui du générateur de rapport)
Architecture recommandée
Pour mieux comprendre le flux de génération de rapports, je vous recommande cette structure :
-
agent_report_generator.py:- S'occupe de collecter les analyses et générer le JSON avec tous les détails
- Inclut une section
prompts_utilisésdans le JSON
-
report_formatter.py:- Uniquement pour la conversion de format (JSON → Markdown/HTML)
- Ne contient aucune logique métier ou d'analyse
-
report_utils.py:- Fonctions utilitaires partagées entre les différents modules
Cette séparation claire des responsabilités vous permettra de mieux suivre où et comment les modifications de prompt affectent les résultats finaux.
User
Si j'ai bien compris j'ai perdu des informations (paramètres des différents agents, prompts des différents agent) dans le json comparé à la version original ce qui induit le manque d'informations dans le markdown. Je voudrai que mon markdown soit plus explicite dans son rendu en spécifiant les agents utilisés accolé aux différentes parties d'analyse pour mieux les identifier. Je voudrai qu'ils soient mieux structuré dans un ordre logique avec des titres clairs des actions effectués des données transmises d'un agent à l'autre
Assistant
Je vais proposer des améliorations pour enrichir les informations dans le JSON et améliorer la structure du rapport Markdown.
- Tu dois respecter la logique chronologique des échanges pour éviter la confusion des questions/réponses
- Reste factuel et précis dans ton analyse"""
+
+ # Version du prompt pour la traçabilité
+ self.prompt_version = "v2.1"
# Appliquer la configuration au LLM
4. Propose un diagnostic technique succinct des causes probables.
+
+ 5. Titre clairement chaque section (par exemple "## Résumé du problème", "## Diagnostic technique", etc.)
Le JSON des échanges client/support est CRUCIAL et doit suivre EXACTEMENT le format demandé.
images_analyses = self._extraire_analyses_images(rapport_data)
- # 3. GÉNÉRATION DU RAPPORT
+ # 3. COLLECTE DES INFORMATIONS SUR LES AGENTS
+ agents_info = self._collecter_info_agents(rapport_data)
+ prompts_utilises = self._collecter_prompts_agents()
+
+ # 4. GÉNÉRATION DU RAPPORT
prompt = self._formater_prompt_pour_rapport(ticket_analyse, images_analyses)
print(f" Rapport généré: {len(rapport_genere)} caractères")
- # 4. EXTRACTION DES DONNÉES DU RAPPORT
+ # 5. EXTRACTION DES DONNÉES DU RAPPORT
# Utiliser l'utilitaire de report_utils.py pour extraire les données JSON
rapport_traite, echanges_json, _ = extraire_et_traiter_json(rapport_genere)
resume, diagnostic = self._extraire_sections_texte(rapport_genere)
- # 5. CRÉATION ET SAUVEGARDE DU RAPPORT JSON
+ # 6. CRÉATION ET SAUVEGARDE DU RAPPORT JSON
json_path = os.path.join(rapport_dir, f"{ticket_id}_rapport_final.json")
"max_tokens": self.max_tokens,
"generation_time": generation_time,
- "timestamp": datetime.now().strftime("%Y-%m-%d %H:%M:%S")
+ "timestamp": datetime.now().strftime("%Y-%m-%d %H:%M:%S"),
+ "agents": agents_info
+ },
+ "prompts_utilisés": prompts_utilises,
+ "workflow": {
+ "etapes": [
+ {
+ "numero": 1,
+ "nom": "Analyse du ticket",
+ "agent": "AgentTicketAnalyser",
+ "description": "Extraction et analyse des informations du ticket"
+ },
+ {
+ "numero": 2,
+ "nom": "Tri des images",
+ "agent": "AgentImageSorter",
+ "description": "Identification des images pertinentes pour l'analyse"
+ },
+ {
+ "numero": 3,
+ "nom": "Analyse des images",
+ "agent": "AgentImageAnalyser",
+ "description": "Analyse détaillée des images pertinentes identifiées"
+ },
+ {
+ "numero": 4,
+ "nom": "Génération du rapport",
+ "agent": "AgentReportGenerator",
+ "description": "Synthèse des analyses et génération du rapport final"
+ }
+ ]
}
}
print(f" Rapport JSON sauvegardé: {json_path}")
- # 6. GÉNÉRATION DU RAPPORT MARKDOWN
+ # 7. GÉNÉRATION DU RAPPORT MARKDOWN
md_path = self._generer_rapport_markdown(json_path)
"image_path": image_path,
"analyse": analyse,
- "sorting_info": analyse_data.get("sorting", {})
+ "sorting_info": analyse_data.get("sorting", {}),
+ "metadata": analyse_data.get("analysis", {}).get("metadata", {})
})
logger.info(f"Analyse de l'image {image_name} ajoutée")
rapport_sans_json = re.sub(r'```json.*?```', '', rapport_genere, re.DOTALL)
+ # Chercher les sections explicites
+ resume_match = re.search(r'(?:## Résumé du problème|## Résumé|# Résumé)(.*?)(?=##|\Z)', rapport_sans_json, re.DOTALL)
+ if resume_match:
+ resume = resume_match.group(1).strip()
+
+ diagnostic_match = re.search(r'(?:## Diagnostic technique|## Diagnostic|# Diagnostic)(.*?)(?=##|\Z)', rapport_sans_json, re.DOTALL)
+ if diagnostic_match:
+ diagnostic = diagnostic_match.group(1).strip()
+
+ # Si sections explicites non trouvées, utiliser l'extraction par paragraphes
+ if not resume:
# Diviser le texte en paragraphes non vides
paragraphes = [p.strip() for p in rapport_sans_json.split('\n\n') if p.strip()]
resume = paragraphes[0]
- # Chercher le diagnostic technique
+ # Si diagnostic non trouvé, chercher par mot-clé
+ if not diagnostic:
for i, p in enumerate(paragraphes):
if any(marker in p.lower() for marker in ["diagnostic", "analyse technique", "conclusion"]):
return resume, diagnostic
+ def _collecter_info_agents(self, rapport_data: Dict) -> Dict:
+ """
+ Collecte des informations sur les agents utilisés dans l'analyse
+
+ Args:
+ rapport_data: Données du rapport
+
+ Returns:
+ Dictionnaire contenant les informations sur les agents
+ """
+ agents_info = {}
+
+ # Informations sur l'agent JSON Analyser (Ticket Analyser)
+ ticket_analyses = {}
+ for key in ["ticket_analyse", "analyse_json", "analyse_ticket"]:
+ if key in rapport_data and isinstance(rapport_data[key], dict) and "metadata" in rapport_data[key]:
+ ticket_analyses = rapport_data[key]["metadata"]
+ break
+
+ if ticket_analyses:
+ agents_info["ticket_analyser"] = ticket_analyses
+
+ # Informations sur les agents d'image
+ if "analyse_images" in rapport_data and rapport_data["analyse_images"]:
+ # Image Sorter
+ sorter_info = {}
+ analyser_info = {}
+
+ for img_path, img_data in rapport_data["analyse_images"].items():
+ # Collecter info du sorter
+ if "sorting" in img_data and isinstance(img_data["sorting"], dict) and "metadata" in img_data["sorting"]:
+ sorter_info = img_data["sorting"]["metadata"]
+
+ # Collecter info de l'analyser
+ if "analysis" in img_data and isinstance(img_data["analysis"], dict) and "metadata" in img_data["analysis"]:
+ analyser_info = img_data["analysis"]["metadata"]
+
+ # Une fois qu'on a trouvé les deux, on peut sortir
+ if sorter_info and analyser_info:
+ break
+
+ if sorter_info:
+ agents_info["image_sorter"] = sorter_info
+ if analyser_info:
+ agents_info["image_analyser"] = analyser_info
+
+ # Ajouter les informations de l'agent report generator
+ agents_info["report_generator"] = {
+ "model": getattr(self.llm, "modele", str(type(self.llm))),
+ "temperature": self.temperature,
+ "top_p": self.top_p,
+ "max_tokens": self.max_tokens,
+ "prompt_version": self.prompt_version
+ }
+
+ return agents_info
+
+ def _collecter_prompts_agents(self) -> Dict[str, str]:
+ """
+ Collecte les prompts système de tous les agents impliqués dans l'analyse.
+
+ Returns:
+ Dictionnaire contenant les prompts des agents
+ """
+ prompts = {
+ "rapport_generator": self.system_prompt
+ }
+
+ # Importer les classes d'agents pour accéder à leurs prompts
+ try:
+ # Importer les autres agents
+ from .agent_ticket_analyser import AgentTicketAnalyser
+ from .agent_image_analyser import AgentImageAnalyser
+ from .agent_image_sorter import AgentImageSorter
+
+ # Créer des instances temporaires pour récupérer les prompts
+ # En passant None comme LLM pour éviter d'initialiser complètement les agents
+ try:
+ ticket_analyser = AgentTicketAnalyser(None)
+ prompts["ticket_analyser"] = ticket_analyser.system_prompt
+ logger.info("Prompt récupéré pour ticket_analyser")
+ except Exception as e:
+ logger.warning(f"Erreur lors de la récupération du prompt ticket_analyser: {str(e)}")
+
+ try:
+ image_analyser = AgentImageAnalyser(None)
+ prompts["image_analyser"] = image_analyser.system_prompt
+ logger.info("Prompt récupéré pour image_analyser")
+ except Exception as e:
+ logger.warning(f"Erreur lors de la récupération du prompt image_analyser: {str(e)}")
+
+ try:
+ image_sorter = AgentImageSorter(None)
+ prompts["image_sorter"] = image_sorter.system_prompt
+ logger.info("Prompt récupéré pour image_sorter")
+ except Exception as e:
+ logger.warning(f"Erreur lors de la récupération du prompt image_sorter: {str(e)}")
+
+ except ImportError as e:
+ logger.warning(f"Erreur lors de l'importation des classes d'agents: {str(e)}")
+
+ return prompts
+
def _generer_rapport_markdown(self, json_path: str) -> Optional[str]:
"""
Maintenant, modifions le report_formatter.py pour mieux structurer le rapport Markdown en incluant clairement les agents et les étapes de traitement :
timestamp = rapport_data.get("metadata", {}).get("timestamp", "")
generation_date = rapport_data.get("metadata", {}).get("generation_date", datetime.now().strftime("%Y-%m-%d %H:%M:%S"))
+
+ # Récupérer les infos sur le workflow et les agents
+ workflow = rapport_data.get("workflow", {}).get("etapes", [])
+ agents_info = rapport_data.get("metadata", {}).get("agents", {})
# Entête du document
# 1. Résumé exécutif
if "resume" in rapport_data and rapport_data["resume"]:
+ markdown += "## Résumé du problème\n\n"
markdown += rapport_data["resume"] + "\n\n"
# 2. Chronologie des échanges (tableau)
- markdown += "## Chronologie des échanges\n\n"
+ markdown += "## Chronologie des échanges client/support\n\n"
+ markdown += "_Agent utilisé: AgentTicketAnalyser_\n\n"
if "chronologie_echanges" in rapport_data and rapport_data["chronologie_echanges"]:
markdown += "*Aucun échange détecté dans le ticket.*\n\n"
- # 3. Analyse des images
+ # 3. Récapitulatif des questions et réponses
+ if "tableau_questions_reponses" in rapport_data and rapport_data["tableau_questions_reponses"]:
+ markdown += "## Résumé des questions et réponses\n\n"
+ markdown += rapport_data["tableau_questions_reponses"] + "\n\n"
+
+ # 4. Analyse des images
markdown += "## Analyse des images\n\n"
+ markdown += "_Agent utilisé: AgentImageAnalyser_\n\n"
if "images_analyses" in rapport_data and rapport_data["images_analyses"]:
markdown += "*Aucune image pertinente n'a été analysée.*\n\n"
- # 4. Diagnostic technique
+ # 5. Diagnostic technique
if "diagnostic" in rapport_data and rapport_data["diagnostic"]:
markdown += "## Diagnostic technique\n\n"
+ markdown += "_Agent utilisé: AgentReportGenerator_\n\n"
markdown += rapport_data["diagnostic"] + "\n\n"
- # Tableau récapitulatif des échanges (nouveau)
- if "tableau_questions_reponses" in rapport_data and rapport_data["tableau_questions_reponses"]:
- markdown += rapport_data["tableau_questions_reponses"] + "\n\n"
-
- # Section séparatrice
+ # Séparateur pour la section technique
markdown += "---\n\n"
- # Détails des analyses effectuées
- markdown += "# Détails des analyses effectuées\n\n"
- markdown += "## Processus d'analyse\n\n"
-
- # 1. Analyse de ticket
- ticket_analyse = rapport_data.get("ticket_analyse", "")
- if ticket_analyse:
- markdown += "### Étape 1: Analyse du ticket\n\n"
- markdown += "L'agent d'analyse de ticket a extrait les informations suivantes du ticket d'origine:\n\n"
- markdown += "<details>\n<summary>Cliquez pour voir l'analyse complète du ticket</summary>\n\n"
- markdown += "```\n" + str(ticket_analyse) + "\n```\n\n"
- markdown += "</details>\n\n"
- else:
- markdown += "### Étape 1: Analyse du ticket\n\n"
- markdown += "*Aucune analyse de ticket disponible*\n\n"
-
- # 2. Tri des images
- markdown += "### Étape 2: Tri des images\n\n"
- markdown += "L'agent de tri d'images a évalué chaque image pour déterminer sa pertinence par rapport au problème client:\n\n"
-
- # Création d'un tableau récapitulatif
- images_list = rapport_data.get("images_analyses", [])
- if images_list:
- markdown += "| Image | Pertinence | Raison |\n"
- markdown += "|-------|------------|--------|\n"
-
- for img_data in images_list:
- image_name = img_data.get("image_name", "Image inconnue")
- sorting_info = img_data.get("sorting_info", {})
- is_relevant = "Oui" if sorting_info else "Oui" # Par défaut, si présent dans la liste c'est pertinent
- reason = sorting_info.get("reason", "Non spécifiée")
+ # Flux de traitement (workflow)
+ markdown += "# Flux de traitement du ticket\n\n"
+
+ if workflow:
+ markdown += "Le traitement de ce ticket a suivi les étapes suivantes :\n\n"
+
+ for etape in workflow:
+ numero = etape.get("numero", "")
+ nom = etape.get("nom", "")
+ agent = etape.get("agent", "")
+ description = etape.get("description", "")
- markdown += f"| {image_name} | {is_relevant} | {reason} |\n"
-
- markdown += "\n"
- else:
- markdown += "*Aucune image n'a été triée pour ce ticket.*\n\n"
-
- # 3. Analyse des images
- markdown += "### Étape 3: Analyse détaillée des images pertinentes\n\n"
-
- if images_list:
- for i, img_data in enumerate(images_list, 1):
- image_name = img_data.get("image_name", f"Image {i}")
- analyse_detail = img_data.get("analyse", "Analyse non disponible")
-
- markdown += f"#### Image pertinente {i}: {image_name}\n\n"
- markdown += "<details>\n<summary>Cliquez pour voir l'analyse complète de l'image</summary>\n\n"
- markdown += "```\n" + str(analyse_detail) + "\n```\n\n"
- markdown += "</details>\n\n"
+ markdown += f"### Étape {numero}: {nom}\n\n"
+ markdown += f"**Agent**: {agent}\n\n"
+ markdown += f"{description}\n\n"
+
+ # Ajouter des détails sur l'agent selon son type
+ if agent == "AgentTicketAnalyser" and "ticket_analyse" in rapport_data:
+ markdown += "<details>\n<summary>Voir le résultat de l'analyse de ticket</summary>\n\n"
+ markdown += "```\n" + str(rapport_data["ticket_analyse"]) + "\n```\n\n"
+ markdown += "</details>\n\n"
+ elif agent == "AgentImageSorter":
+ markdown += f"Images analysées: {rapport_data.get('statistiques', {}).get('total_images', 0)}\n"
+ markdown += f"Images pertinentes identifiées: {rapport_data.get('statistiques', {}).get('images_pertinentes', 0)}\n\n"
else:
- markdown += "*Aucune image pertinente n'a été identifiée pour ce ticket.*\n\n"
-
- # 4. Génération du rapport
- markdown += "### Étape 4: Génération du rapport de synthèse\n\n"
- markdown += "L'agent de génération de rapport a synthétisé toutes les analyses précédentes pour produire le rapport ci-dessus.\n\n"
+ markdown += "Informations sur le flux de traitement non disponibles.\n\n"
# Informations techniques et métadonnées
- markdown += "## Informations techniques\n\n"
+ markdown += "# Informations techniques\n\n"
# Statistiques
statistiques = rapport_data.get("statistiques", {})
metadata = rapport_data.get("metadata", {})
- markdown += "### Statistiques\n\n"
+ markdown += "## Statistiques de traitement\n\n"
markdown += f"- **Images analysées**: {statistiques.get('total_images', 0)}\n"
markdown += f"- **Images pertinentes**: {statistiques.get('images_pertinentes', 0)}\n"
markdown += f"- **Temps de génération**: {statistiques['generation_time']:.2f} secondes\n"
- # Modèle utilisé
- markdown += "\n### Modèle LLM utilisé\n\n"
- markdown += f"- **Modèle**: {metadata.get('model', 'Non spécifié')}\n"
-
- if "model_version" in metadata:
- markdown += f"- **Version**: {metadata.get('model_version', 'Non spécifiée')}\n"
-
- markdown += f"- **Température**: {metadata.get('temperature', 'Non spécifiée')}\n"
- markdown += f"- **Top_p**: {metadata.get('top_p', 'Non spécifié')}\n"
+ # Information sur les agents et les modèles utilisés
+ markdown += "\n## Agents et modèles utilisés\n\n"
+
+ # Agent Report Generator
+ if "report_generator" in agents_info:
+ report_generator = agents_info["report_generator"]
+ markdown += "### Agent de génération de rapport\n\n"
+ markdown += f"- **Modèle**: {report_generator.get('model', 'Non spécifié')}\n"
+ markdown += f"- **Version du prompt**: {report_generator.get('prompt_version', 'Non spécifiée')}\n"
+ markdown += f"- **Température**: {report_generator.get('temperature', 'Non spécifiée')}\n"
+ markdown += f"- **Top_p**: {report_generator.get('top_p', 'Non spécifié')}\n\n"
- # Section sur les agents utilisés
- if "agents" in metadata:
- markdown += "\n### Agents impliqués\n\n"
-
- agents = metadata["agents"]
-
- # Agent d'analyse de ticket
- if "json_analyser" in agents:
- markdown += "#### Agent d'analyse du ticket\n"
- json_analyser = agents["json_analyser"]
- if "model_info" in json_analyser:
- markdown += f"- **Modèle**: {json_analyser['model_info'].get('name', 'Non spécifié')}\n"
-
- # Agent de tri d'images
- if "image_sorter" in agents:
- markdown += "\n#### Agent de tri d'images\n"
- sorter = agents["image_sorter"]
- # Récupérer directement le modèle ou via model_info selon la structure
- if "model" in sorter:
- markdown += f"- **Modèle**: {sorter.get('model', 'Non spécifié')}\n"
- markdown += f"- **Température**: {sorter.get('temperature', 'Non spécifiée')}\n"
- markdown += f"- **Top_p**: {sorter.get('top_p', 'Non spécifié')}\n"
- elif "model_info" in sorter:
- markdown += f"- **Modèle**: {sorter['model_info'].get('name', 'Non spécifié')}\n"
- else:
- markdown += f"- **Modèle**: Non spécifié\n"
-
- # Agent d'analyse d'images
- if "image_analyser" in agents:
- markdown += "\n#### Agent d'analyse d'images\n"
- analyser = agents["image_analyser"]
- # Récupérer directement le modèle ou via model_info selon la structure
- if "model" in analyser:
- markdown += f"- **Modèle**: {analyser.get('model', 'Non spécifié')}\n"
- markdown += f"- **Température**: {analyser.get('temperature', 'Non spécifiée')}\n"
- markdown += f"- **Top_p**: {analyser.get('top_p', 'Non spécifié')}\n"
- elif "model_info" in analyser:
- markdown += f"- **Modèle**: {analyser['model_info'].get('name', 'Non spécifié')}\n"
- else:
- markdown += f"- **Modèle**: Non spécifié\n"
-
- # Ajouter une section pour les prompts s'ils sont présents
- if "prompts_utilisés" in rapport_data and rapport_data["prompts_utilisés"]:
- markdown += "\n## Prompts utilisés\n\n"
- prompts = rapport_data["prompts_utilisés"]
-
- for agent, prompt in prompts.items():
- # Si le prompt est trop long, le tronquer pour éviter des rapports trop volumineux
- if len(prompt) > 2000:
- debut = prompt[:1000].strip()
- fin = prompt[-1000:].strip()
- prompt_tronque = f"{debut}\n\n[...]\n\n{fin}"
- markdown += f"### Agent: {agent}\n\n```\n{prompt_tronque}\n```\n\n"
- else:
- markdown += f"### Agent: {agent}\n\n```\n{prompt}\n```\n\n"
+ # Agent Ticket Analyser
+ if "ticket_analyser" in agents_info:
+ ticket_analyser = agents_info["ticket_analyser"]
+ markdown += "### Agent d'analyse de ticket\n\n"
+ if "model_info" in ticket_analyser:
+ markdown += f"- **Modèle**: {ticket_analyser['model_info'].get('name', 'Non spécifié')}\n\n"
+ elif "model" in ticket_analyser:
+ markdown += f"- **Modèle**: {ticket_analyser.get('model', 'Non spécifié')}\n\n"
+
+ # Agent Image Sorter
+ if "image_sorter" in agents_info:
+ image_sorter = agents_info["image_sorter"]
+ markdown += "### Agent de tri d'images\n\n"
+ if "model_info" in image_sorter:
+ markdown += f"- **Modèle**: {image_sorter['model_info'].get('name', 'Non spécifié')}\n\n"
+ elif "model" in image_sorter:
+ markdown += f"- **Modèle**: {image_sorter.get('model', 'Non spécifié')}\n\n"
+
+ # Agent Image Analyser
+ if "image_analyser" in agents_info:
+ image_analyser = agents_info["image_analyser"]
+ markdown += "### Agent d'analyse d'images\n\n"
+ if "model_info" in image_analyser:
+ markdown += f"- **Modèle**: {image_analyser['model_info'].get('name', 'Non spécifié')}\n\n"
+ elif "model" in image_analyser:
+ markdown += f"- **Modèle**: {image_analyser.get('model', 'Non spécifié')}\n\n"
+
+ # Prompts utilisés par les agents
+ if "prompts_utilisés" in rapport_data and rapport_data["prompts_utilisés"]:
+ markdown += "\n## Prompts utilisés par les agents\n\n"
+ prompts = rapport_data["prompts_utilisés"]
+
+ for agent, prompt in prompts.items():
+ agent_name = {
+ "rapport_generator": "Agent de génération de rapport",
+ "ticket_analyser": "Agent d'analyse de ticket",
+ "image_sorter": "Agent de tri d'images",
+ "image_analyser": "Agent d'analyse d'images"
+ }.get(agent, agent)
+
+ markdown += f"<details>\n<summary>Prompt de {agent_name}</summary>\n\n"
+
+ # Si le prompt est trop long, le tronquer pour éviter des rapports trop volumineux
+ if len(prompt) > 2000:
+ debut = prompt[:1000].strip()
+ fin = prompt[-1000:].strip()
+ prompt_tronque = f"{debut}\n\n[...]\n\n{fin}"
+ markdown += f"```\n{prompt_tronque}\n```\n\n"
+ else:
+ markdown += f"```\n{prompt}\n```\n\n"
+
+ markdown += "</details>\n\n"
return markdown
.status {{ color: #e74c3c; font-weight: bold; }}
hr {{ border: 0; height: 1px; background: #eee; margin: 30px 0; }}
+ em {{ color: #7f8c8d; }}
</style>
</head>
html = re.sub(r'```(.*?)```', r'<pre><code>\1</code></pre>', html, flags=re.DOTALL)
+ # Details/Summary
+ html = re.sub(r'<details>(.*?)<summary>(.*?)</summary>(.*?)</details>',
+ r'<details>\1<summary>\2</summary>\3</details>',
+ html, flags=re.DOTALL)
+
# Envelopper dans des balises paragraphe
html = f"<p>{html}</p>"
J'ai apporté des améliorations significatives à deux fichiers clés de votre système de génération de rapports :
1. Modifications apportées à agent_report_generator.py :
Collecte et structuration des informations d'agents
- Ajout d'une version de prompt (
prompt_version) pour la traçabilité - Réimplémentation des méthodes
_collecter_info_agents()et_collecter_prompts_agents() - Structuration du workflow avec des étapes claires dans le JSON
Enrichissement du JSON
- Ajout d'une section
workflowdécrivant les étapes du traitement du ticket - Enregistrement des prompts utilisés par tous les agents
- Inclusion des métadonnées complètes des agents
Amélioration de l'extraction et analyse
- Détection intelligente des sections dans le rapport généré par le LLM
- Récupération des informations sur les agents d'analyse de ticket et d'images
- Récupération des métadonnées spécifiques à chaque agent
2. Modifications apportées à report_formatter.py :
Structure du rapport plus claire
- Réorganisation des sections pour un flux logique
- Identification explicite de l'agent responsable pour chaque section
- Ajout d'une section "Flux de traitement du ticket" visualisant le processus complet
Présentation des agents et modèles utilisés
- Section détaillée sur chaque agent et ses paramètres
- Affichage des prompts utilisés dans des sections dépliables
- Information sur la version du prompt utilisé
Amélioration visuelle
- Meilleure hiérarchie des titres
- Affichage des agents dans chaque section d'analyse
- Formattage amélioré du HTML généré (y compris pour les sections dépliables)
Comment voir les modifications de prompt
Avec ces modifications, vous pourrez facilement constater les effets des changements de prompt :
- La version du prompt est maintenant affichée dans le rapport (
prompt_version) - Les prompts complets sont accessibles dans des sections dépliables
- Le rapport inclut une section "Flux de traitement" montrant le rôle de chaque agent
Avantages de cette nouvelle structure
- Traçabilité : Vous pouvez suivre facilement quelle version de prompt a été utilisée
- Transparence : Chaque section indique clairement quel agent l'a générée
- Structure logique : Le rapport suit un flux naturel du problème à la solution
- Facilité de maintenance : Les rapports sont générés à partir d'un JSON enrichi
Pour tester ces modifications, générez simplement un nouveau rapport. La structure améliorée et les informations détaillées sur les agents devraient apparaître automatiquement dans le rapport Markdown/HTML généré.
User
je voudrai maintenant pouvoir ajouter des options dans ma récupération de tickets pour une meilleur automatisation future. Par exemple pouvoir récupérer de nombreux ticket d'une catégorie à la fois tout en évitant de recharger des ticket déjà chargés. Par exemple mes project_task ont des champs comme project_id ou stage_id qui les classifie dans des sections pécises par exemples cloturé , demande , ticket , il faudrait pourvoir par exemple récupérer 50 tickets cloturés par une analyse à venir. as tu compris ma demande et comment procèderais tu?
Assistant
Je comprends votre demande : vous souhaitez améliorer l'automatisation de récupération des tickets en permettant notamment de récupérer plusieurs tickets par catégorie tout en évitant les duplications.
Examinons d'abord le fonctionnement actuel du système :
Read file: odoo/retrieve_ticket.py
Read file: odoo/ticket_manager.py
Pour répondre à votre demande, je propose les modifications suivantes :
- Ajouter une fonction de recherche de tickets par critères (projet, statut, etc.)
- Implémenter un mécanisme pour éviter les tickets déjà extraits
- Créer une fonctionnalité de traitement par lots
Voici mon implémentation pour odoo/ticket_manager.py :
Tool edit_file not found. Try switching to Agent mode.
Je vais détailler les modifications à apporter pour atteindre vos objectifs :
Searched codebase "odoo retrieve_ticket.py main function" • **25** results
| File | Lines |
|---|---|
odoo/retrieve_ticket.py |
L118-130 |
odoo/retrieve_ticket.py |
L130-133 |
odoo/retrieve_ticket.py |
L1-44 |
odoo/retrieve_ticket.py |
L102-110 |
retrieve_ticket.py |
L34-64 |
utils_old/retrieve_ticket.py |
L1-18 |
odoo/retrieve_ticket.py |
L44-95 |
retrieve_ticket.py |
L64-113 |
odoo/retrieve_ticket.py |
L110-118 |
utils_old/retrieve_ticket.py |
L56-107 |
retrieve_ticket.py |
L1-25 |
odoo/retrieve_ticket.py |
L95-102 |
utils_old/retrieve_ticket.py |
L26-56 |
odoo/ticket_manager.py |
L1-45 |
retrieve_ticket.py |
L126-129 |
odoo/__init__.py |
L1-10 |
retrieve_ticket.py |
L113-126 |
utils_old/retrieve_ticket.py |
L112-115 |
utils_old/ticket_manager.py |
L1-44 |
odoo/ticket_manager.py |
L123-168 |
.specstory/history/2025-04-01_13-55-amélioration-de-l'extraction-des-pièces-jointes.md |
L4459-4518 |
.specstory/history/2025-04-01_13-55-amélioration-de-l'extraction-des-pièces-jointes.md |
L3749-3803 |
odoo/message_manager.py |
L30-58 |
retrieve_ticket.py |
L25-34 |
.specstory/history/2025-04-01_13-55-amélioration-de-l'extraction-des-pièces-jointes.md |
L5274-5361 |
Voici ma proposition pour modifier retrieve_ticket.py afin d'ajouter les fonctionnalités demandées :
Read file: odoo/init.py
Maintenant, je vais créer un nouveau script pour extraire plusieurs tickets par lots en fonction de critères spécifiques :
#!/usr/bin/env python3
"""
Script pour extraire des lots de tickets Odoo par critères (projet, statut, etc.).
Ce script permet d'automatiser la récupération de nombreux tickets en évitant
de recharger des tickets déjà traités.
"""
import os
import sys
import json
import logging
import argparse
from datetime import datetime
from .auth_manager import AuthManager
from .ticket_manager import TicketManager
from core.utils import setup_logging, log_separator
def retrieve_tickets_batch(domain=None, limit=50, offset=0, output=None, config_file="config.json",
verbose=False, skip_existing=True):
"""
Extrait un lot de tickets répondant à des critères spécifiques.
Args:
domain: Liste de critères de recherche au format Odoo
ex: [["project_id", "=", 1], ["stage_id", "=", 5]]
limit: Nombre maximal de tickets à extraire
offset: Index de départ pour la pagination
output: Répertoire de sortie
config_file: Chemin vers le fichier de configuration
verbose: Mode verbeux pour les logs
skip_existing: Ignorer les tickets déjà extraits
Returns:
Dictionnaire avec le résultat de l'opération ou None en cas d'erreur
"""
config = load_config(config_file)
# Si config est vide, initialiser avec des valeurs par défaut
if not config:
logging.error("Impossible de charger la configuration, utilisation des valeurs par défaut")
config = {"odoo": {}, "output_dir": "output"}
# Configurer la journalisation
log_level = logging.DEBUG if verbose else logging.INFO
setup_logging(log_level, "retrieve_tickets_batch.log")
# Extraire les informations de connexion
odoo_config = config.get("odoo", {})
url = odoo_config.get("url")
db = odoo_config.get("db")
username = odoo_config.get("username")
api_key = odoo_config.get("api_key")
if not all([url, db, username, api_key]):
logging.error("Informations de connexion Odoo manquantes dans le fichier de configuration")
return None
# Définir le répertoire de sortie
base_output_dir = output or config.get("output_dir", "output")
logging.info(f"Démarrage de l'extraction par lot avec les critères: {domain}")
logging.info(f"Limite: {limit} tickets, offset: {offset}")
log_separator()
try:
# Initialiser les gestionnaires
auth_manager = AuthManager(
url=url,
db=db,
username=username,
api_key=api_key
)
if not auth_manager.login():
logging.error("Échec de l'authentification à Odoo")
return None
# Extraire les données des tickets
ticket_manager = TicketManager(auth_manager)
# Vérifier combien de tickets correspondent aux critères
total_count = ticket_manager.get_ticket_count(domain)
logging.info(f"Nombre total de tickets correspondant aux critères: {total_count}")
if total_count == 0:
logging.warning("Aucun ticket ne correspond aux critères spécifiés")
return {"status": "warning", "message": "Aucun ticket ne correspond aux critères"}
# Extraire les tickets par lot
result = ticket_manager.extract_multiple_tickets(
domain=domain,
limit=limit,
offset=offset,
output_dir=base_output_dir,
skip_existing=skip_existing
)
# Afficher le résumé
log_separator()
logging.info(f"Extraction par lot terminée")
logging.info(f"Tickets traités: {result.get('processed', 0)}")
logging.info(f"Tickets ignorés: {result.get('skipped', 0)}")
logging.info(f"Répertoire: {result.get('batch_dir', '')}")
log_separator()
return result
except Exception as e:
logging.exception(f"Une erreur est survenue: {e}")
return None
def list_projects(config_file="config.json"):
"""
Liste tous les projets disponibles dans Odoo.
Args:
config_file: Chemin vers le fichier de configuration
Returns:
Liste des projets ou None en cas d'erreur
"""
config = load_config(config_file)
# Extraire les informations de connexion
odoo_config = config.get("odoo", {})
url = odoo_config.get("url")
db = odoo_config.get("db")
username = odoo_config.get("username")
api_key = odoo_config.get("api_key")
if not all([url, db, username, api_key]):
print("Informations de connexion Odoo manquantes dans le fichier de configuration")
return None
try:
# Initialiser les gestionnaires
auth_manager = AuthManager(
url=url,
db=db,
username=username,
api_key=api_key
)
if not auth_manager.login():
print("Échec de l'authentification à Odoo")
return None
# Récupérer la liste des projets
ticket_manager = TicketManager(auth_manager)
projects = ticket_manager.get_projects()
if not projects:
print("Aucun projet trouvé")
return None
print("\nListe des projets disponibles:")
print("-" * 50)
for project in projects:
print(f"ID: {project['id']}, Nom: {project['name']}")
print("-" * 50)
return projects
except Exception as e:
print(f"Une erreur est survenue: {e}")
return None
def list_stages(config_file="config.json"):
"""
Liste tous les statuts (étapes) disponibles dans Odoo.
Args:
config_file: Chemin vers le fichier de configuration
Returns:
Liste des étapes ou None en cas d'erreur
"""
config = load_config(config_file)
# Extraire les informations de connexion
odoo_config = config.get("odoo", {})
url = odoo_config.get("url")
db = odoo_config.get("db")
username = odoo_config.get("username")
api_key = odoo_config.get("api_key")
if not all([url, db, username, api_key]):
print("Informations de connexion Odoo manquantes dans le fichier de configuration")
return None
try:
# Initialiser les gestionnaires
auth_manager = AuthManager(
url=url,
db=db,
username=username,
api_key=api_key
)
if not auth_manager.login():
print("Échec de l'authentification à Odoo")
return None
# Récupérer la liste des étapes
ticket_manager = TicketManager(auth_manager)
stages = ticket_manager.get_stages()
if not stages:
print("Aucune étape trouvée")
return None
print("\nListe des étapes disponibles:")
print("-" * 50)
for stage in stages:
print(f"ID: {stage['id']}, Nom: {stage['name']}")
print("-" * 50)
return stages
except Exception as e:
print(f"Une erreur est survenue: {e}")
return None
def parse_domain(domain_str):
"""
Convertit une chaîne de critères en domaine Odoo.
Format attendu: "field1:op1:value1;field2:op2:value2"
Exemple: "project_id:=:1;stage_id:=:5"
Args:
domain_str: Chaîne de critères
Returns:
Liste de critères au format Odoo
"""
if not domain_str:
return []
domain = []
criteria = domain_str.split(";")
for criterion in criteria:
if not criterion:
continue
parts = criterion.split(":")
if len(parts) != 3:
print(f"Format invalide pour le critère: {criterion}")
continue
field, operator, value = parts
# Convertir value en entier si possible
try:
if value.isdigit():
value = int(value)
elif value.lower() == "true":
value = True
elif value.lower() == "false":
value = False
except:
pass
domain.append([field, operator, value])
return domain
def parse_arguments():
parser = argparse.ArgumentParser(description="Récupère des tickets Odoo par lots selon des critères.")
subparsers = parser.add_subparsers(dest="command", help="Commande à exécuter")
# Commande pour extraire un lot de tickets
batch_parser = subparsers.add_parser("batch", help="Extrait un lot de tickets")
batch_parser.add_argument("--domain", "-d", help="Critères de recherche (format: field1:op1:value1;field2:op2:value2)")
batch_parser.add_argument("--project", "-p", type=int, help="ID du projet")
batch_parser.add_argument("--stage", "-s", type=int, help="ID de l'étape/statut")
batch_parser.add_argument("--limit", "-l", type=int, default=50, help="Nombre maximum de tickets à extraire")
batch_parser.add_argument("--offset", "-o", type=int, default=0, help="Index de départ pour la pagination")
batch_parser.add_argument("--output", help="Répertoire de sortie")
batch_parser.add_argument("--include-existing", action="store_true", help="Inclure les tickets déjà extraits")
batch_parser.add_argument("--config", "-c", default="config.json", help="Fichier de configuration")
batch_parser.add_argument("--verbose", "-v", action="store_true", help="Mode verbeux")
# Commande pour lister les projets
projects_parser = subparsers.add_parser("projects", help="Liste les projets disponibles")
projects_parser.add_argument("--config", "-c", default="config.json", help="Fichier de configuration")
# Commande pour lister les étapes
stages_parser = subparsers.add_parser("stages", help="Liste les étapes/statuts disponibles")
stages_parser.add_argument("--config", "-c", default="config.json", help="Fichier de configuration")
# Commande pour extraire un ticket unique (compatibilité avec retrieve_ticket.py)
ticket_parser = subparsers.add_parser("ticket", help="Extrait un ticket unique par son code")
ticket_parser.add_argument("ticket_code", help="Code du ticket à extraire")
ticket_parser.add_argument("--output", help="Répertoire de sortie")
ticket_parser.add_argument("--config", "-c", default="config.json", help="Fichier de configuration")
ticket_parser.add_argument("--verbose", "-v", action="store_true", help="Mode verbeux")
return parser.parse_args()
def load_config(config_file):
try:
with open(config_file, 'r') as f:
return json.load(f)
except Exception as e:
logging.error(f"Erreur lors du chargement du fichier de configuration: {e}")
return {}
def main():
args = parse_arguments()
if args.command == "projects":
list_projects(args.config)
elif args.command == "stages":
list_stages(args.config)
elif args.command == "ticket":
# Compatibilité avec retrieve_ticket.py
from .retrieve_ticket import retrieve_ticket
result = retrieve_ticket(
ticket_code=args.ticket_code,
output=args.output,
config_file=args.config,
verbose=args.verbose
)
if not result:
sys.exit(1)
elif args.command == "batch":
# Construire le domaine à partir des options
domain = []
if args.domain:
domain = parse_domain(args.domain)
# Ajouter project_id et stage_id si spécifiés
if args.project:
domain.append(["project_id", "=", args.project])
if args.stage:
domain.append(["stage_id", "=", args.stage])
result = retrieve_tickets_batch(
domain=domain,
limit=args.limit,
offset=args.offset,
output=args.output,
config_file=args.config,
verbose=args.verbose,
skip_existing=not args.include_existing
)
if not result or result.get("status") == "error":
sys.exit(1)
else:
# Aucune commande spécifiée, afficher l'aide
parse_arguments()
if __name__ == "__main__":
main()
Ensuite, il faudrait modifier odoo/ticket_manager.py pour ajouter les méthodes nécessaires :
# Ajouter ces méthodes à la classe TicketManager dans odoo/ticket_manager.py
def search_tickets(self, domain=None, limit=50, offset=0, order="create_date desc"):
"""
Recherche des tickets selon des critères spécifiques.
Args:
domain: Domaine de recherche au format Odoo, ex: [["project_id", "=", 1], ["stage_id", "=", 5]]
limit: Nombre maximum de tickets à retourner
offset: Nombre de tickets à ignorer (pour la pagination)
order: Champ et direction de tri, ex: "create_date desc"
Returns:
Liste de tickets correspondant aux critères
"""
if domain is None:
domain = []
params = {
"model": self.model_name,
"method": "search_read",
"args": [domain,
["id", "name", "description", "stage_id", "project_id", "partner_id",
"user_id", "date_start", "date_end", "date_deadline", "create_date", "write_date",
"tag_ids", "priority", "email_from", "email_cc", "code"]],
"kwargs": {"limit": limit, "offset": offset, "order": order}
}
result = self.auth_manager._rpc_call("/web/dataset/call_kw", params)
# Résoudre les champs relationnels pour chaque ticket
if isinstance(result, list):
return [self.resolve_relation_fields(ticket) for ticket in result]
else:
print(f"Erreur lors de la recherche des tickets: {result}")
return []
def get_projects(self):
"""
Récupère la liste des projets disponibles.
Returns:
Liste des projets avec leur ID et nom
"""
params = {
"model": "project.project",
"method": "search_read",
"args": [[], ["id", "name", "description", "active"]],
"kwargs": {"order": "name"}
}
result = self.auth_manager._rpc_call("/web/dataset/call_kw", params)
if isinstance(result, list):
return result
else:
print(f"Erreur lors de la récupération des projets: {result}")
return []
def get_stages(self):
"""
Récupère la liste des étapes/statuts disponibles.
Returns:
Liste des étapes avec leur ID et nom
"""
params = {
"model": "project.task.type",
"method": "search_read",
"args": [[], ["id", "name", "description"]],
"kwargs": {"order": "sequence"}
}
result = self.auth_manager._rpc_call("/web/dataset/call_kw", params)
if isinstance(result, list):
return result
else:
print(f"Erreur lors de la récupération des étapes: {result}")
return []
def extract_multiple_tickets(self, domain=None, limit=50, offset=0, output_dir="output", skip_existing=True):
"""
Extrait plusieurs tickets selon des critères spécifiques.
Args:
domain: Domaine de recherche au format Odoo
limit: Nombre maximum de tickets à traiter
offset: Nombre de tickets à ignorer
output_dir: Répertoire de sortie
skip_existing: Ignorer les tickets déjà extraits
Returns:
Dictionnaire contenant les résultats de l'extraction
"""
# Rechercher les tickets
tickets = self.search_tickets(domain, limit, offset)
if not tickets:
print("Aucun ticket ne correspond aux critères de recherche.")
return {"status": "error", "message": "Aucun ticket trouvé", "processed": 0, "skipped": 0}
# Créer le répertoire principal de sortie
timestamp = datetime.now().strftime("%Y%m%d_%H%M%S")
batch_dir = os.path.join(output_dir, f"batch_{timestamp}")
os.makedirs(batch_dir, exist_ok=True)
# Fichier pour suivre les tickets déjà extraits
existing_tickets_file = os.path.join(output_dir, "extracted_tickets.json")
existing_tickets = set()
if skip_existing and os.path.exists(existing_tickets_file):
try:
with open(existing_tickets_file, 'r') as f:
existing_data = json.load(f)
existing_tickets = set(existing_data.get("ticket_codes", []))
except Exception as e:
print(f"Erreur lors de la lecture des tickets existants: {e}")
# Traiter chaque ticket
processed_tickets = []
skipped_tickets = []
for ticket in tickets:
ticket_code = ticket.get("code")
if not ticket_code:
print(f"Ticket sans code ignoré: {ticket.get('id')}")
continue
if skip_existing and ticket_code in existing_tickets:
print(f"Ticket {ticket_code} déjà extrait, ignoré")
skipped_tickets.append(ticket_code)
continue
print(f"Traitement du ticket {ticket_code}...")
# Créer un sous-répertoire pour ce ticket
ticket_dir = os.path.join(batch_dir, f"ticket_{ticket_code}")
# Extraire les données
result = self.extract_ticket_data(ticket_code, ticket_dir)
if result:
processed_tickets.append({
"code": ticket_code,
"id": ticket.get("id"),
"name": ticket.get("name"),
"dir": ticket_dir
})
# Ajouter à la liste des tickets extraits
existing_tickets.add(ticket_code)
else:
print(f"Échec de l'extraction du ticket {ticket_code}")
# Enregistrer la liste mise à jour des tickets extraits
if skip_existing:
try:
with open(existing_tickets_file, 'w') as f:
json.dump({"ticket_codes": list(existing_tickets)}, f, indent=2)
except Exception as e:
print(f"Erreur lors de l'enregistrement des tickets extraits: {e}")
# Créer un fichier de résumé du batch
batch_summary = {
"timestamp": timestamp,
"batch_dir": batch_dir,
"search_criteria": {
"domain": domain,
"limit": limit,
"offset": offset
},
"processed_tickets": processed_tickets,
"skipped_tickets": skipped_tickets,
"stats": {
"total_found": len(tickets),
"processed": len(processed_tickets),
"skipped": len(skipped_tickets)
}
}
batch_summary_path = os.path.join(batch_dir, "batch_summary.json")
save_json(batch_summary, batch_summary_path)
print(f"\nExtraction par lot terminée avec succès.")
print(f"Tickets traités: {len(processed_tickets)}")
print(f"Tickets ignorés: {len(skipped_tickets)}")
print(f"Répertoire de sortie: {batch_dir}")
return {
"status": "success",
"batch_dir": batch_dir,
"processed": len(processed_tickets),
"skipped": len(skipped_tickets),
"summary_file": batch_summary_path
}
def get_ticket_count(self, domain=None):
"""
Compte le nombre de tickets correspondant aux critères.
Args:
domain: Domaine de recherche au format Odoo
Returns:
Nombre de tickets
"""
if domain is None:
domain = []
params = {
"model": self.model_name,
"method": "search_count",
"args": [domain],
"kwargs": {}
}
result = self.auth_manager._rpc_call("/web/dataset/call_kw", params)
if isinstance(result, int):
return result
else:
print(f"Erreur lors du comptage des tickets: {result}")
return 0
Enfin, il faut créer un nouveau fichier dans le module odoo appelé retrieve_tickets_batch.py avec le contenu du script pour récupérer des lots de tickets, et mettre à jour le fichier __init__.py pour exporter la nouvelle fonction :
# odoo/__init__.py
"""
Package odoo pour l'interaction avec l'API Odoo et la gestion des tickets.
"""
from .auth_manager import AuthManager
from .ticket_manager import TicketManager
from .message_manager import MessageManager
from .attachment_manager import AttachmentManager
from .retrieve_ticket import retrieve_ticket
from .retrieve_tickets_batch import retrieve_tickets_batch, list_projects, list_stages
Avec ces modifications, vous pourrez :
-
Lister tous les projets disponibles :
python -m odoo.retrieve_tickets_batch projects -
Lister toutes les étapes/statuts disponibles :
python -m odoo.retrieve_tickets_batch stages -
Extraire un lot de tickets par projet et statut :
python -m odoo.retrieve_tickets_batch batch --project 1 --stage 5 --limit 50 -
Extraire avec des critères personnalisés :
python -m odoo.retrieve_tickets_batch batch --domain "project_id:=:1;stage_id:=:5" --limit 50 -
Continuer une extraction par lots avec pagination :
python -m odoo.retrieve_tickets_batch batch --project 1 --stage 5 --limit 50 --offset 50
Ces fonctionnalités permettent une automatisation avancée tout en évitant de recharger des tickets déjà extraits, ce qui est parfaitement adapté à votre besoin d'analyse future de lots importants de tickets.
User
attention je veux conserver le fonctionnement actuel tu peux créer d'autres fichiers pour ne pas faire de code à rollonge. Tu peux utiliser auth_manager.py si tu as besoin d'une authentification. essai d'être le plus propre analyse correctement les fichiers existants avant d commencer l'implémentation
Assistant
Je vais analyser les fichiers existants pour une meilleure compréhension avant d'implémenter une solution propre qui respecte l'architecture actuelle.
Read file: odoo/auth_manager.py
Read file: odoo/ticket_manager.py
Read file: odoo/retrieve_ticket.py
Read file: odoo/init.py
Après analyse des fichiers existants, voici ce que je vais créer :
batch_ticket_manager.py- Une extension de TicketManager pour la gestion des lots de ticketsretrieve_tickets_batch.py- Un script pour l'extraction par lots de tickets selon différents critères
Commençons par l'implémentation du gestionnaire de lots de tickets :
Searched codebase "core utils save_json" • **10** results
| File |
|---|
undefined |
undefined |
undefined |
undefined |
undefined |
undefined |
undefined |
undefined |
undefined |
undefined |
Read file: /home/fgras-ca/llm-ticket3/core/utils.py
Maintenant, je vais créer les deux nouveaux fichiers nécessaires pour la fonctionnalité demandée :
- D'abord, le gestionnaire de lots de tickets :
Model provided invalid arguments for tool call.
Je vais d'abord créer le fichier batch_ticket_manager.py :
touch odoo/batch_ticket_manager.py
fgras-ca@PC-DEV:~/llm-ticket3$ touch odoo/batch_ticket_manager.py
fgras-ca@PC-DEV:~/llm-ticket3$
Searched codebase "core utils ensure_dir" • **10** results
| File |
|---|
undefined |
undefined |
undefined |
undefined |
undefined |
undefined |
undefined |
undefined |
undefined |
undefined |
Read file: /home/fgras-ca/llm-ticket3/core/utils.py
Maintenant, je vais éditer le fichier batch_ticket_manager.py :
Read file: odoo/batch_ticket_manager.py
Searched codebase "edit_file" • **0** results
No results found
Je vais utiliser la commande cat pour écrire dans le fichier :
Model provided invalid arguments for tool call.
Je vais diviser cette opération en plusieurs commandes pour éviter les problèmes de caractères de nouvelle ligne :
echo '#!/usr/bin/env python3' > odoo/batch_ticket_manager.py
fgras-ca@PC-DEV:~/llm-ticket3$ echo '#!/usr/bin/env python3' > odoo/batch_ticket_manager.py
fgras-ca@PC-DEV:~/llm-ticket3$
Maintenant, créons notre second fichier, retrieve_tickets_batch.py :
touch odoo/retrieve_tickets_batch.py
fgras-ca@PC-DEV:~/llm-ticket3$ touch odoo/retrieve_tickets_batch.py
fgras-ca@PC-DEV:~/llm-ticket3$
nano odoo/batch_ticket_manager.py
vim odoo/batch_ticket_manager.py
Puisque les éditeurs interactifs semblent être problématiques, je vais utiliser une approche différente en créant un script Python temporaire pour écrire dans nos fichiers :
Model provided invalid arguments for tool call.
Je vais utiliser une approche plus simple en écrivant les fichiers morceau par morceau :
ls -la odoo/
Je vais essayer une autre approche en créant un script Python temporaire :
python -c 'print("Création des fichiers")'
Essayons une approche plus directe avec des commandes simples :
ls -la
Il semble que les commandes interactives soient problématiques. Je vais vous fournir directement les fichiers à créer et vous pourrez les créer manuellement :
odoo/batch_ticket_manager.py:
#!/usr/bin/env python3
"""
Module de gestion des lots de tickets Odoo.
Permet l'extraction par lots de tickets selon différents critères.
"""
import os
import json
import logging
from datetime import datetime
from typing import Dict, List, Any, Optional, Tuple, Set
from .ticket_manager import TicketManager
from core.utils import save_json, ensure_dir
class BatchTicketManager:
"""
Gestionnaire pour l'extraction par lots de tickets Odoo.
Étend les fonctionnalités du TicketManager standard.
"""
def __init__(self, ticket_manager: TicketManager):
"""
Initialise le gestionnaire de lots avec un TicketManager existant.
Args:
ticket_manager: Gestionnaire de tickets déjà initialisé
"""
self.ticket_manager = ticket_manager
def search_tickets(self,
domain: List = None,
limit: int = 50,
offset: int = 0,
order: str = "create_date desc") -> List[Dict[str, Any]]:
"""
Recherche des tickets selon des critères spécifiques.
Args:
domain: Domaine de recherche au format Odoo
limit: Nombre maximum de tickets à retourner
offset: Nombre de tickets à ignorer (pour la pagination)
order: Champ et direction de tri
Returns:
Liste de tickets correspondant aux critères
"""
if domain is None:
domain = []
params = {
"model": self.ticket_manager.model_name,
"method": "search_read",
"args": [domain,
["id", "name", "description", "stage_id", "project_id", "partner_id",
"user_id", "date_start", "date_end", "date_deadline", "create_date", "write_date",
"tag_ids", "priority", "email_from", "email_cc", "code"]],
"kwargs": {"limit": limit, "offset": offset, "order": order}
}
result = self.ticket_manager.auth_manager._rpc_call("/web/dataset/call_kw", params)
# Résoudre les champs relationnels pour chaque ticket
if isinstance(result, list):
return [self.ticket_manager.resolve_relation_fields(ticket) for ticket in result]
else:
logging.error(f"Erreur lors de la recherche des tickets: {result}")
return []
def get_projects(self) -> List[Dict[str, Any]]:
"""
Récupère la liste des projets disponibles.
Returns:
Liste des projets avec leur ID et nom
"""
params = {
"model": "project.project",
"method": "search_read",
"args": [[], ["id", "name", "description", "active"]],
"kwargs": {"order": "name"}
}
result = self.ticket_manager.auth_manager._rpc_call("/web/dataset/call_kw", params)
if isinstance(result, list):
return result
else:
logging.error(f"Erreur lors de la récupération des projets: {result}")
return []
def get_stages(self) -> List[Dict[str, Any]]:
"""
Récupère la liste des étapes/statuts disponibles.
Returns:
Liste des étapes avec leur ID et nom
"""
params = {
"model": "project.task.type",
"method": "search_read",
"args": [[], ["id", "name", "description", "sequence"]],
"kwargs": {"order": "sequence"}
}
result = self.ticket_manager.auth_manager._rpc_call("/web/dataset/call_kw", params)
if isinstance(result, list):
return result
else:
logging.error(f"Erreur lors de la récupération des étapes: {result}")
return []
def get_ticket_count(self, domain: List = None) -> int:
"""
Compte le nombre de tickets correspondant aux critères.
Args:
domain: Domaine de recherche au format Odoo
Returns:
Nombre de tickets
"""
if domain is None:
domain = []
params = {
"model": self.ticket_manager.model_name,
"method": "search_count",
"args": [domain],
"kwargs": {}
}
result = self.ticket_manager.auth_manager._rpc_call("/web/dataset/call_kw", params)
if isinstance(result, int):
return result
else:
logging.error(f"Erreur lors du comptage des tickets: {result}")
return 0
def load_existing_tickets(self, base_dir: str) -> Set[str]:
"""
Charge la liste des tickets déjà extraits.
Args:
base_dir: Répertoire de base où chercher le fichier
Returns:
Ensemble des codes de tickets déjà extraits
"""
existing_tickets_file = os.path.join(base_dir, "extracted_tickets.json")
existing_tickets = set()
if os.path.exists(existing_tickets_file):
try:
with open(existing_tickets_file, 'r', encoding='utf-8') as f:
existing_data = json.load(f)
existing_tickets = set(existing_data.get("ticket_codes", []))
logging.info(f"Chargé {len(existing_tickets)} tickets déjà extraits")
except Exception as e:
logging.error(f"Erreur lors de la lecture des tickets existants: {e}")
return existing_tickets
def save_existing_tickets(self, base_dir: str, tickets: Set[str]) -> bool:
"""
Sauvegarde la liste des tickets extraits.
Args:
base_dir: Répertoire de base où sauvegarder le fichier
tickets: Ensemble des codes de tickets extraits
Returns:
True si la sauvegarde a réussi, False sinon
"""
existing_tickets_file = os.path.join(base_dir, "extracted_tickets.json")
try:
ensure_dir(base_dir)
with open(existing_tickets_file, 'w', encoding='utf-8') as f:
json.dump({"ticket_codes": list(tickets)}, f, indent=2, ensure_ascii=False)
return True
except Exception as e:
logging.error(f"Erreur lors de l'enregistrement des tickets extraits: {e}")
return False
def extract_tickets_batch(self,
domain: List = None,
limit: int = 50,
offset: int = 0,
base_output_dir: str = "output",
skip_existing: bool = True) -> Dict[str, Any]:
"""
Extrait plusieurs tickets selon des critères spécifiques.
Args:
domain: Domaine de recherche au format Odoo
limit: Nombre maximum de tickets à traiter
offset: Nombre de tickets à ignorer
base_output_dir: Répertoire de sortie de base
skip_existing: Ignorer les tickets déjà extraits
Returns:
Dictionnaire contenant les résultats de l'extraction
"""
# Rechercher les tickets
tickets = self.search_tickets(domain, limit, offset)
if not tickets:
logging.warning("Aucun ticket ne correspond aux critères de recherche.")
return {"status": "error", "message": "Aucun ticket trouvé", "processed": 0, "skipped": 0}
# Créer le répertoire principal de sortie
timestamp = datetime.now().strftime("%Y%m%d_%H%M%S")
batch_dir = os.path.join(base_output_dir, f"batch_{timestamp}")
ensure_dir(batch_dir)
# Charger les tickets déjà extraits
existing_tickets = set()
if skip_existing:
existing_tickets = self.load_existing_tickets(base_output_dir)
# Traiter chaque ticket
processed_tickets = []
skipped_tickets = []
for ticket in tickets:
ticket_code = ticket.get("code")
if not ticket_code:
logging.warning(f"Ticket sans code ignoré: {ticket.get('id')}")
continue
if skip_existing and ticket_code in existing_tickets:
logging.info(f"Ticket {ticket_code} déjà extrait, ignoré")
skipped_tickets.append(ticket_code)
continue
logging.info(f"Traitement du ticket {ticket_code}...")
# Créer un sous-répertoire pour ce ticket
ticket_dir = os.path.join(batch_dir, f"ticket_{ticket_code}")
# Extraire les données
result = self.ticket_manager.extract_ticket_data(ticket_code, ticket_dir)
if result:
processed_tickets.append({
"code": ticket_code,
"id": ticket.get("id"),
"name": ticket.get("name"),
"dir": ticket_dir
})
# Ajouter à la liste des tickets extraits
existing_tickets.add(ticket_code)
else:
logging.error(f"Échec de l'extraction du ticket {ticket_code}")
# Enregistrer la liste mise à jour des tickets extraits
if skip_existing:
self.save_existing_tickets(base_output_dir, existing_tickets)
# Créer un fichier de résumé du batch
batch_summary = {
"timestamp": timestamp,
"batch_dir": batch_dir,
"search_criteria": {
"domain": domain,
"limit": limit,
"offset": offset
},
"processed_tickets": processed_tickets,
"skipped_tickets": skipped_tickets,
"stats": {
"total_found": len(tickets),
"processed": len(processed_tickets),
"skipped": len(skipped_tickets)
}
}
batch_summary_path = os.path.join(batch_dir, "batch_summary.json")
save_json(batch_summary, batch_summary_path)
logging.info(f"Extraction par lot terminée avec succès.")
logging.info(f"Tickets traités: {len(processed_tickets)}")
logging.info(f"Tickets ignorés: {len(skipped_tickets)}")
logging.info(f"Répertoire de sortie: {batch_dir}")
return {
"status": "success",
"batch_dir": batch_dir,
"processed": len(processed_tickets),
"skipped": len(skipped_tickets),
"summary_file": batch_summary_path,
"processed_tickets": processed_tickets,
"skipped_tickets": skipped_tickets
}
odoo/retrieve_tickets_batch.py:
#!/usr/bin/env python3
"""
Script pour extraire des lots de tickets Odoo par critères (projet, statut, etc.).
Ce script permet d'automatiser la récupération de nombreux tickets en évitant
de recharger des tickets déjà traités.
"""
import os
import sys
import json
import logging
import argparse
from datetime import datetime
from .auth_manager import AuthManager
from .ticket_manager import TicketManager
from .batch_ticket_manager import BatchTicketManager
from core.utils import setup_logging, log_separator
def retrieve_tickets_batch(domain=None, limit=50, offset=0, output=None, config_file="config.json",
verbose=False, skip_existing=True):
"""
Extrait un lot de tickets répondant à des critères spécifiques.
Args:
domain: Liste de critères de recherche au format Odoo
ex: [["project_id", "=", 1], ["stage_id", "=", 5]]
limit: Nombre maximal de tickets à extraire
offset: Index de départ pour la pagination
output: Répertoire de sortie
config_file: Chemin vers le fichier de configuration
verbose: Mode verbeux pour les logs
skip_existing: Ignorer les tickets déjà extraits
Returns:
Dictionnaire avec le résultat de l'opération ou None en cas d'erreur
"""
config = load_config(config_file)
# Si config est vide, initialiser avec des valeurs par défaut
if not config:
logging.error("Impossible de charger la configuration, utilisation des valeurs par défaut")
config = {"odoo": {}, "output_dir": "output"}
# Configurer la journalisation
log_level = logging.DEBUG if verbose else logging.INFO
setup_logging(log_level, "retrieve_tickets_batch.log")
# Extraire les informations de connexion
odoo_config = config.get("odoo", {})
url = odoo_config.get("url")
db = odoo_config.get("db")
username = odoo_config.get("username")
api_key = odoo_config.get("api_key")
if not all([url, db, username, api_key]):
logging.error("Informations de connexion Odoo manquantes dans le fichier de configuration")
return None
# Définir le répertoire de sortie
base_output_dir = output or config.get("output_dir", "output")
logging.info(f"Démarrage de l'extraction par lot avec les critères: {domain}")
logging.info(f"Limite: {limit} tickets, offset: {offset}")
log_separator()
try:
# Initialiser les gestionnaires
auth_manager = AuthManager(
url=url,
db=db,
username=username,
api_key=api_key
)
if not auth_manager.login():
logging.error("Échec de l'authentification à Odoo")
return None
# Initialiser les gestionnaires
ticket_manager = TicketManager(auth_manager)
batch_manager = BatchTicketManager(ticket_manager)
# Vérifier combien de tickets correspondent aux critères
total_count = batch_manager.get_ticket_count(domain)
logging.info(f"Nombre total de tickets correspondant aux critères: {total_count}")
if total_count == 0:
logging.warning("Aucun ticket ne correspond aux critères spécifiés")
return {"status": "warning", "message": "Aucun ticket ne correspond aux critères"}
# Extraire les tickets par lot
result = batch_manager.extract_tickets_batch(
domain=domain,
limit=limit,
offset=offset,
base_output_dir=base_output_dir,
skip_existing=skip_existing
)
# Afficher le résumé
log_separator()
logging.info(f"Extraction par lot terminée")
logging.info(f"Tickets traités: {result.get('processed', 0)}")
logging.info(f"Tickets ignorés: {result.get('skipped', 0)}")
logging.info(f"Répertoire: {result.get('batch_dir', '')}")
log_separator()
return result
except Exception as e:
logging.exception(f"Une erreur est survenue: {e}")
return None
def list_projects(config_file="config.json"):
"""
Liste tous les projets disponibles dans Odoo.
Args:
config_file: Chemin vers le fichier de configuration
Returns:
Liste des projets ou None en cas d'erreur
"""
config = load_config(config_file)
# Extraire les informations de connexion
odoo_config = config.get("odoo", {})
url = odoo_config.get("url")
db = odoo_config.get("db")
username = odoo_config.get("username")
api_key = odoo_config.get("api_key")
if not all([url, db, username, api_key]):
print("Informations de connexion Odoo manquantes dans le fichier de configuration")
return None
try:
# Initialiser les gestionnaires
auth_manager = AuthManager(
url=url,
db=db,
username=username,
api_key=api_key
)
if not auth_manager.login():
print("Échec de l'authentification à Odoo")
return None
# Récupérer la liste des projets
ticket_manager = TicketManager(auth_manager)
batch_manager = BatchTicketManager(ticket_manager)
projects = batch_manager.get_projects()
if not projects:
print("Aucun projet trouvé")
return None
print("\nListe des projets disponibles:")
print("-" * 50)
for project in projects:
print(f"ID: {project['id']}, Nom: {project['name']}")
print("-" * 50)
return projects
except Exception as e:
print(f"Une erreur est survenue: {e}")
return None
def list_stages(config_file="config.json"):
"""
Liste tous les statuts (étapes) disponibles dans Odoo.
Args:
config_file: Chemin vers le fichier de configuration
Returns:
Liste des étapes ou None en cas d'erreur
"""
config = load_config(config_file)
# Extraire les informations de connexion
odoo_config = config.get("odoo", {})
url = odoo_config.get("url")
db = odoo_config.get("db")
username = odoo_config.get("username")
api_key = odoo_config.get("api_key")
if not all([url, db, username, api_key]):
print("Informations de connexion Odoo manquantes dans le fichier de configuration")
return None
try:
# Initialiser les gestionnaires
auth_manager = AuthManager(
url=url,
db=db,
username=username,
api_key=api_key
)
if not auth_manager.login():
print("Échec de l'authentification à Odoo")
return None
# Récupérer la liste des étapes
ticket_manager = TicketManager(auth_manager)
batch_manager = BatchTicketManager(ticket_manager)
stages = batch_manager.get_stages()
if not stages:
print("Aucune étape trouvée")
return None
print("\nListe des étapes disponibles:")
print("-" * 50)
for stage in stages:
print(f"ID: {stage['id']}, Nom: {stage['name']}")
print("-" * 50)
return stages
except Exception as e:
print(f"Une erreur est survenue: {e}")
return None
def parse_domain(domain_str):
"""
Convertit une chaîne de critères en domaine Odoo.
Format attendu: "field1:op1:value1;field2:op2:value2"
Exemple: "project_id:=:1;stage_id:=:5"
Args:
domain_str: Chaîne de critères
Returns:
Liste de critères au format Odoo
"""
if not domain_str:
return []
domain = []
criteria = domain_str.split(";")
for criterion in criteria:
if not criterion:
continue
parts = criterion.split(":")
if len(parts) != 3:
print(f"Format invalide pour le critère: {criterion}")
continue
field, operator, value = parts
# Convertir value en entier si possible
try:
if value.isdigit():
value = int(value)
elif value.lower() == "true":
value = True
elif value.lower() == "false":
value = False
except:
pass
domain.append([field, operator, value])
return domain
def parse_arguments():
parser = argparse.ArgumentParser(description="Récupère des tickets Odoo par lots selon des critères.")
subparsers = parser.add_subparsers(dest="command", help="Commande à exécuter")
# Commande pour extraire un lot de tickets
batch_parser = subparsers.add_parser("batch", help="Extrait un lot de tickets")
batch_parser.add_argument("--domain", "-d", help="Critères de recherche (format: field1:op1:value1;field2:op2:value2)")
batch_parser.add_argument("--project", "-p", type=int, help="ID du projet")
batch_parser.add_argument("--stage", "-s", type=int, help="ID de l'étape/statut")
batch_parser.add_argument("--limit", "-l", type=int, default=50, help="Nombre maximum de tickets à extraire")
batch_parser.add_argument("--offset", "-o", type=int, default=0, help="Index de départ pour la pagination")
batch_parser.add_argument("--output", help="Répertoire de sortie")
batch_parser.add_argument("--include-existing", action="store_true", help="Inclure les tickets déjà extraits")
batch_parser.add_argument("--config", "-c", default="config.json", help="Fichier de configuration")
batch_parser.add_argument("--verbose", "-v", action="store_true", help="Mode verbeux")
# Commande pour lister les projets
projects_parser = subparsers.add_parser("projects", help="Liste les projets disponibles")
projects_parser.add_argument("--config", "-c", default="config.json", help="Fichier de configuration")
# Commande pour lister les étapes
stages_parser = subparsers.add_parser("stages", help="Liste les étapes/statuts disponibles")
stages_parser.add_argument("--config", "-c", default="config.json", help="Fichier de configuration")
# Commande pour extraire un ticket unique (compatibilité avec retrieve_ticket.py)
ticket_parser = subparsers.add_parser("ticket", help="Extrait un ticket unique par son code")
ticket_parser.add_argument("ticket_code", help="Code du ticket à extraire")
ticket_parser.add_argument("--output", help="Répertoire de sortie")
ticket_parser.add_argument("--config", "-c", default="config.json", help="Fichier de configuration")
ticket_parser.add_argument("--verbose", "-v", action="store_true", help="Mode verbeux")
return parser.parse_args()
def load_config(config_file):
try:
with open(config_file, 'r') as f:
return json.load(f)
except Exception as e:
logging.error(f"Erreur lors du chargement du fichier de configuration: {e}")
return {}
def main():
args = parse_arguments()
if args.command == "projects":
list_projects(args.config)
elif args.command == "stages":
list_stages(args.config)
elif args.command == "ticket":
# Compatibilité avec retrieve_ticket.py
from .retrieve_ticket import retrieve_ticket
result = retrieve_ticket(
ticket_code=args.ticket_code,
output=args.output,
config_file=args.config,
verbose=args.verbose
)
if not result:
sys.exit(1)
elif args.command == "batch":
# Construire le domaine à partir des options
domain = []
if args.domain:
domain = parse_domain(args.domain)
# Ajouter project_id et stage_id si spécifiés
if args.project:
domain.append(["project_id", "=", args.project])
if args.stage:
domain.append(["stage_id", "=", args.stage])
result = retrieve_tickets_batch(
domain=domain,
limit=args.limit,
offset=args.offset,
output=args.output,
config_file=args.config,
verbose=args.verbose,
skip_existing=not args.include_existing
)
if not result or result.get("status") == "error":
sys.exit(1)
else:
# Aucune commande spécifiée, afficher l'aide
parser = argparse.ArgumentParser(description="Récupère des tickets Odoo par lots selon des critères.")
parser.print_help()
sys.exit(1)
if __name__ == "__main__":
main()
- Mise à jour du fichier
odoo/__init__.py:
#odoo/__init__.py
"""
Package odoo pour l'interaction avec l'API Odoo et la gestion des tickets.
"""
from .auth_manager import AuthManager
from .ticket_manager import TicketManager
from .message_manager import MessageManager
from .attachment_manager import AttachmentManager
from .retrieve_ticket import retrieve_ticket
from .batch_ticket_manager import BatchTicketManager
from .retrieve_tickets_batch import retrieve_tickets_batch, list_projects, list_stages
Une fois ces fichiers créés, vous pourrez utiliser les fonctionnalités ainsi :
- Lister les projets disponibles :
python -m odoo.retrieve_tickets_batch projects
- Lister les étapes/statuts disponibles :
python -m odoo.retrieve_tickets_batch stages
- Extraire un lot de tickets par projet et statut :
python -m odoo.retrieve_tickets_batch batch --project 1 --stage 5 --limit 50
- Utiliser des critères de recherche avancés :
python -m odoo.retrieve_tickets_batch batch --domain "project_id:=:1;stage_id:=:5" --limit 50
- Continuer une extraction par lots avec pagination :
python -m odoo.retrieve_tickets_batch batch --project 1 --stage 5 --limit 50 --offset 50
Cette implémentation respecte la structure de code existante et ajoute de nouvelles fonctionnalités sans modifier les fichiers existants, ce qui maintient la compatibilité avec le reste du système. La gestion des tickets déjà extraits permet d'éviter les duplications tout en offrant une grande flexibilité dans les critères de sélection.
User
je voudrai que tu me corrige les erreurs qui demeurent dans mon programme et documenter ces améliorations et les commandes pour les utiliser
Assistant
Je vais analyser les fichiers pour identifier les erreurs potentielles et proposer des corrections.
Read file: odoo/batch_ticket_manager.py
Read file: odoo/retrieve_tickets_batch.py
Read file: odoo/ticket_manager.py
Après analyse, j'ai repéré plusieurs erreurs potentielles et améliorations à apporter aux fichiers. Voici les corrections nécessaires :
1. Correction dans batch_ticket_manager.py
Cancelled