llm_ticket3/agents/pixtral_large/agent_image_analyser.py

from ..base_agent import BaseAgent
import logging
import os
from typing import Dict, Any
from PIL import Image
from ..utils.pipeline_logger import sauvegarder_donnees

logger = logging.getLogger("AgentImageAnalyser")

class AgentImageAnalyser(BaseAgent):
    """
    Agent pour analyser les images et extraire les informations pertinentes.
    """
    def __init__(self, llm):
        super().__init__("AgentImageAnalyser", llm)
        
        # Configuration personnalisable
        self.params = {
            "temperature": 0.2,
            "top_p": 0.9,
            "max_tokens": 3000
        }
        
        self.instructions_analyse = (
            """
            1. Description objective  
               Décris précisément ce que montre l'image :  
               - Interface logicielle, menus, fenêtres, onglets  
               - Messages d'erreur, messages système, code ou script  
               - Nom ou titre du logiciel ou du module si visible  

            2. Éléments techniques clés  
               Identifie :  
               - Versions logicielles ou modules affichés  
               - Codes d'erreur visibles  
               - Paramètres configurables (champs de texte, sliders, dropdowns, cases à cocher)  
               - Valeurs affichées ou préremplies dans les champs  
               - Éléments désactivés, grisés ou masqués (souvent non modifiables)  
               - Boutons actifs/inactifs  

            3. Éléments mis en évidence  
               - Recherche les zones entourées, encadrées, surlignées ou fléchées  
               - Ces éléments sont souvent importants pour le client ou le support  
               - Mentionne explicitement leur contenu et leur style de mise en valeur  

            4. Relation avec le problème  
               - Établis le lien entre les éléments visibles et le problème décrit dans le ticket  
               - Indique si des composants semblent liés à une mauvaise configuration ou une erreur  

            5. Réponses potentielles  
               - Détermine si l'image apporte des éléments de réponse à une question posée dans :  
                 - Le titre du ticket  
                 - La description du problème  

            6. Lien avec la discussion  
               - Vérifie si l'image fait écho à une étape décrite dans le fil de discussion  
               - Note les correspondances (ex: même module, même message d'erreur que précédemment mentionné)  

            Règles importantes :
            - Ne fais AUCUNE interprétation ni diagnostic
            - Ne propose PAS de solution ou recommandation
            - Reste strictement factuel et objectif
            - Concentre-toi uniquement sur ce qui est visible dans l'image
            - Reproduis les textes exacts(ex : messages d'erreur, libellés de paramètres)
            - Prête une attention particulière aux éléments modifiables (interactifs) et non modifiables (grisés)
            """
        )

        self.system_prompt = (
            """
            Tu es un expert en analyse d'images pour le support technique de BRG-Lab pour la société CBAO.
            Ta mission est d'analyser des captures d'écran en lien avec le contexte du ticket de support.

            Structure ton analyse d'image de façon factuelle:
            {instructions}

            Ton analyse sera utilisée comme élément factuel pour un rapport technique plus complet.
            """
        ).format(
            instructions=self.instructions_analyse
        )

        self._appliquer_config_locale()
        logger.info("AgentImageAnalyser initialisé")
    
    def _appliquer_config_locale(self) -> None:
        """
        Applique la configuration locale au modèle LLM.
        """
        if hasattr(self.llm, "prompt_system"):
            self.llm.prompt_system = self.system_prompt
        
        if hasattr(self.llm, "configurer"):
            self.llm.configurer(**self.params)
            
    def _verifier_image(self, image_path: str) -> bool:
        """
        Vérifie si l'image existe et est accessible
        """
        try:
            if not os.path.exists(image_path) or not os.access(image_path, os.R_OK):
                return False
            
            with Image.open(image_path) as img:
                width, height = img.size
                return width > 0 and height > 0
        except Exception as e:
            logger.error(f"Vérification impossible pour {image_path}: {e}")
            return False
    
    def _generer_prompt_analyse(self, contexte: str, prefix: str = "") -> str:
        """
        Génère le prompt d'analyse d'image
        """
        return f"""{prefix}

CONTEXTE DU TICKET:
{contexte}

Fournis une analyse STRICTEMENT FACTUELLE de l'image avec les sections suivantes:
{self.instructions_analyse}"""
        
    def executer(self, image_path: str, contexte: str = "") -> Dict[str, Any]:
        """
        Analyse une image en tenant compte du contexte du ticket
        """
        image_name = os.path.basename(image_path)
        print(f"  AgentImageAnalyser: Analyse de {image_name}")
        
        if not self._verifier_image(image_path):
            return self._erreur("Erreur d'accès ou image invalide", image_path)
            
        try:
            prompt = self._generer_prompt_analyse(contexte, "Analyse cette image en tenant compte du contexte suivant:")
            
            if hasattr(self.llm, "interroger_avec_image"):
                response = self.llm.interroger_avec_image(image_path, prompt)
            elif hasattr(self.llm, "_encoder_image_base64"):
                img_base64 = self.llm._encoder_image_base64(image_path)
                if img_base64:
                    prompt_base64 = self._generer_prompt_analyse(contexte, f"Analyse cette image:\n{img_base64}")
                    response = self.llm.interroger(prompt_base64)
                else:
                    return self._erreur("Impossible d'encoder l'image en base64", image_path)
            else:
                return self._erreur("Le modèle ne supporte pas l'analyse d'images", image_path)
            
            # Vérifier si la réponse contient des indications que le modèle ne peut pas analyser l'image
            error_phrases = [
                "je ne peux pas directement visualiser",
                "je n'ai pas accès à l'image",
                "je ne peux pas voir l'image",
                "sans accès direct à l'image",
                "je n'ai pas la possibilité de voir",
                "je ne peux pas accéder directement",
                "erreur: impossible d'analyser l'image"
            ]
            
            if any(phrase in response.lower() for phrase in error_phrases):
                return self._erreur("Le modèle n'a pas pu analyser l'image correctement", image_path, raw=response)
            
            result = {
                "analyse": response,
                "raw_response": response,
                "metadata": {
                    "image_path": image_path,
                    "image_name": image_name,
                    "timestamp": self._get_timestamp(),
                    "model_info": {
                        "model": getattr(self.llm, "modele", str(type(self.llm))),
                        **getattr(self.llm, "params", {})
                    },
                    "source_agent": self.nom
                }
            }
            
            # Sauvegarder les données dans le fichier
            sauvegarder_donnees(None, "analyse_image", result, base_dir="reports", is_resultat=True)
            
            # Enregistrer l'analyse dans l'historique
            self.ajouter_historique(
                "analyse_image", 
                {"image_path": image_path, "contexte": contexte, "prompt": prompt}, 
                result
            )
            
            return result
            
        except Exception as e:
            return self._erreur(str(e), image_path)
    
    def _erreur(self, message: str, path: str, raw: str = "") -> Dict[str, Any]:
        """
        Crée un dictionnaire de réponse en cas d'erreur
        """
        return {
            "analyse": f"ERREUR: {message}",
            "raw_response": raw,
            "error": True,
            "metadata": {
                "image_path": path,
                "image_name": os.path.basename(path),
                "timestamp": self._get_timestamp(),
                "error": True,
                "source_agent": self.nom
            }
        }
    
    def _get_timestamp(self) -> str:
        """Retourne un timestamp au format YYYYMMDD_HHMMSS"""
        from datetime import datetime
        return datetime.now().strftime("%Y%m%d_%H%M%S")