Agents

Module ai/agents — Système Multi-Agents Neuro-Symbolique

Ce module implémente la logique exécutive de l’IA de RAISE. Il transforme des requêtes en langage naturel (floues) en artefacts d’ingénierie formels (stricts, validés et persistés) selon la méthodologie Arcadia.

🧠 Architecture Globale

Le système repose sur un pipeline Comprendre → Décider → Agir orchestré par un Dispatcher central.

graph TD
    User[Utilisateur] -->|Prompt| Dispatcher[Dispatcher / ai_chat]
    Dispatcher -->|Classify| Intent[Intent Classifier]
    Intent -->|EngineeringIntent| Router{Router}
    subgraph "Squad d'Agents Spécialisés"
        Router -->|OA| Business[Business Agent]
        Router -->|SA| System[System Agent]
        Router -->|LA| Software[Software Agent]
        Router -->|PA| Hardware[Hardware Agent]
        Router -->|EPBS| Epbs[Epbs Agent]
        Router -->|DATA| Data[Data Agent]
        Router -->|TRANSVERSE| Transverse[Transverse Agent]
    end
    subgraph "Agent Toolbox (Shared Utils)"
        Business & System & Software & Hardware & Epbs & Data & Transverse -->|1. Extract JSON| ToolJson[Tools: JSON Extractor]
        Business & System & Software & Hardware & Epbs & Data & Transverse -->|2. Save File| ToolSave[Tools: Save Artifact]
    end
    ToolSave -->|Write JSON| FS[File System / JSON DB]
    ToolSave -->|Return| Result[AgentResult]

👥 La “Squad” d’Agents

Chaque agent est expert dans sa couche d’abstraction Arcadia, mais partage désormais la même infrastructure technique (AgentToolbox).

🛠️ Refactoring & Optimisation (AgentToolbox)

Le module a été massivement optimisé pour éliminer la duplication de code et garantir la robustesse.

1. Centralisation I/O (tools::save_artifact)

Les agents ne gèrent plus manuellement les chemins de fichiers ou la création de dossiers. Ils délèguent cette tâche à la Toolbox (mod.rs).

• Avantage : Si la structure des dossiers change (un2/sa/...), il suffit de modifier une seule fonction pour mettre à jour les 7 agents.
• Standardisation : Garantie que tous les artefacts ont un ID, un nom et sont stockés au bon endroit.

2. Parsing Robuste (tools::extract_json_from_llm)

Une fonction centralisée nettoie les réponses des LLM (qui sont souvent “bavards” en local).

• Ignore le Markdown (````json`).
• Trouve les accolades {} même s’il y a du texte avant/après.
• Validé par des tests unitaires dédiés.

📦 Sortie Structurée

Pour permettre une UI riche, les agents renvoient une structure AgentResult standardisée :

pub struct AgentResult {
    pub message: String,                 // Feedback textuel (Markdown)
    pub artifacts: Vec<CreatedArtifact>, // Liste des objets créés (ID, Path, Layer...)
}

Cela permet au Frontend d’afficher des “Cartes d’Artefacts” cliquables directement dans le chat.

🚀 Tests Unitaires (Colocation)

Les tests sont désormais colocalisés (situés dans les mêmes fichiers que le code) pour faciliter la maintenance.

Lancer les tests du module

cargo test ai::agents -- --nocapture

Couverture actuelle (15 tests passants)

• Toolbox : Validation du parsing JSON (cas nominaux, markdown, bruit).
• Identity : Vérification que chaque agent s’identifie correctement (id()).
• Logique Métier : Tests spécifiques (ex: catégorisation Matériel “Electronics” vs “Infrastructure”).
• Intent Classifier : Validation des heuristiques de secours (heuristic_fallback).

🔮 Roadmap Technique

• Intégration GraphStore : Connecter save_artifact pour qu’il indexe aussi directement dans SurrealDB (en plus du fichier JSON).
• Multi-Artefacts : Permettre à un agent de générer une hiérarchie complète (ex: Un système + ses sous-fonctions) en une seule passe.
• Validation Schéma : Intégrer une validation JSON Schema stricte avant sauvegarde.