llm_ticket3/agents/agent_filtre_images.py

#!/usr/bin/env python3
# -*- coding: utf-8 -*-

"""
Agent pour filtrer les images non pertinentes dans un contexte de support technique.
"""

import os
import json
import re
from typing import Dict, Any, Optional

from .agent_base import Agent
from llm import Pixtral

class AgentFiltreImages(Agent):
    """
    Agent qui détermine si une image est pertinente dans un contexte de support technique.
    Filtre les logos, signatures, icônes, etc.
    """
    def __init__(self, api_key: Optional[str] = None):
        """
        Initialise l'agent de filtrage d'images.
        
        Args:
            api_key: Clé API pour le LLM
        """
        super().__init__("AgentFiltreImages")
        self.llm = Pixtral(api_key=api_key)
        
        # Configuration par défaut du LLM
        default_system_prompt = """
Vous êtes un expert en analyse d'images techniques. Votre mission est de déterminer
si une image est pertinente dans un contexte de support technique ou non.

Images PERTINENTES:
- Captures d'écran montrant des problèmes, erreurs, bugs
- Photos d'équipements avec problèmes visibles
- Schémas techniques ou diagrammes
- Graphiques de données techniques

Images NON PERTINENTES:
- Logos d'entreprise
- Signatures ou avatars
- Icônes ou boutons isolés
- Bannières décoratives, séparateurs
- Images génériques sans information technique
"""
        self.configurer_llm(
            system_prompt=default_system_prompt,
            temperature=0.2,  # Basse température pour des réponses précises
            max_tokens=500    # Réponses courtes pour le filtrage
        )
    
    def executer(self, image_path: str) -> Dict[str, Any]:
        """
        Détermine si une image est pertinente pour l'analyse technique.
        
        Args:
            image_path: Chemin vers l'image à analyser
            
        Returns:
            Dictionnaire contenant le résultat du filtrage avec au minimum
            {'pertinente': True/False}
        """
        # Vérifier que l'image existe
        if not os.path.exists(image_path):
            erreur = f"L'image {image_path} n'existe pas"
            self.ajouter_historique("filtre_image_erreur", image_path, erreur)
            return {"pertinente": False, "error": erreur}
        
        # Construire le prompt pour la classification
        prompt = """
Analysez cette image et déterminez si elle est PERTINENTE ou NON PERTINENTE dans un contexte de support technique.

Répondez au format JSON suivant:
{
    "pertinente": true/false,
    "type_image": "capture_ecran|photo_equipement|schema|graphique|logo|icone|decorative|autre",
    "description": "Brève description du contenu",
    "confiance": "valeur de 0 à 100",
    "justification": "Explication de votre décision"
}
"""
        
        # Enregistrer l'action dans l'historique
        self.ajouter_historique("filtre_image", image_path, "Filtrage en cours...")
        
        # Appel au LLM
        try:
            # Pour les cas complexes, augmenter légèrement la température
            if "complexe" in image_path or os.path.getsize(image_path) > 500000:
                self.configurer_llm(temperature=0.4)
                self.ajouter_historique("ajustement_temperature", "Augmentation pour image complexe", "temperature=0.4")
            
            resultat_brut = self.llm.analyze_image(image_path, prompt)
            
            # Essayer d'extraire le JSON de la réponse
            try:
                content = resultat_brut.get("content", "")
                
                # Si le contenu est déjà au format JSON correctement formaté
                if content.strip().startswith("{") and content.strip().endswith("}"):
                    try:
                        resultat_json = json.loads(content)
                    except json.JSONDecodeError:
                        # Si le contenu a la structure JSON mais ne peut pas être décodé
                        # nettoyer et réessayer
                        content_cleaned = content.replace("```json", "").replace("```", "").strip()
                        resultat_json = json.loads(content_cleaned)
                else:
                    # Chercher un bloc JSON dans la réponse
                    json_match = re.search(r'```json\s*(.*?)\s*```', content, re.DOTALL)
                    if json_match:
                        json_str = json_match.group(1).strip()
                    else:
                        # Essayer d'extraire un objet JSON sans les blocs de code
                        json_match = re.search(r'(\{.*?\})', content, re.DOTALL)
                        if json_match:
                            json_str = json_match.group(1).strip()
                        else:
                            # Sinon, prendre tout le contenu comme JSON potentiel
                            json_str = content.strip()
                
                    # Parser le JSON
                    resultat_json = json.loads(json_str)
                
                # S'assurer que le champ 'pertinente' existe
                if "pertinente" not in resultat_json:
                    resultat_json["pertinente"] = False
                    resultat_json["error"] = "Format de réponse incorrect"
                
                # Ajouter les paramètres LLM utilisés
                resultat_json["parametres_llm"] = self.generer_rapport_parametres()
                
                self.ajouter_historique("filtre_image_resultat", "Filtrage terminé", 
                                      f"Pertinente: {resultat_json.get('pertinente', False)}")
                return resultat_json
                
            except Exception as e:
                # Pour les modules en mode simulation, utiliser directement la réponse
                if "pertinente" in resultat_brut.get("content", ""):
                    try:
                        resultat_json = json.loads(resultat_brut.get("content", ""))
                        resultat_json["parametres_llm"] = self.generer_rapport_parametres()
                        self.ajouter_historique("filtre_image_resultat", "Filtrage terminé", 
                                              f"Pertinente: {resultat_json.get('pertinente', False)}")
                        return resultat_json
                    except:
                        pass
                
                # En cas d'erreur de parsing, retourner un résultat par défaut
                resultat = {
                    "pertinente": False,
                    "error": f"Erreur de parsing JSON: {str(e)}",
                    "response_raw": resultat_brut.get("content", "")[:200],
                    "parametres_llm": self.generer_rapport_parametres()
                }
                self.ajouter_historique("filtre_image_parsing_erreur", "Erreur de parsing", str(e))
                return resultat
                
        except Exception as e:
            erreur = f"Erreur lors du filtrage: {str(e)}"
            self.ajouter_historique("filtre_image_erreur", image_path, erreur)
            return {
                "pertinente": False, 
                "error": erreur,
                "parametres_llm": self.generer_rapport_parametres()
            }