Résolution d'un bug de switch entre les PNJ lorsqu'on essai de passer directement de l'un à l'autre

Ajout de dossiers pour la partie PNJ pour qu'on puisse les regrouper par cité par exemple et que ce soit plus lisible

brain/app/application/notebook_deep.py

@@ -63,11 +63,18 @@ class NotebookDeepUseCase:
     async def stream(
         self,
         source_ids: list[str],
-        question: str,
+        messages: list[ChatMessage],
         context: str = "",
+        history_limit: int = 8,
     ) -> AsyncIterator[dict]:
         """Yield des évènements : {type:'progress',current,total}, {type:'token',token},
-        {type:'done'}. (Les erreurs LLM des lots sont tolérées : lot ignoré.)"""
+        {type:'done'}. (Les erreurs LLM des lots sont tolérées : lot ignoré.)
+
+        La dernière question utilisateur sert à la LECTURE du document (map) ; la
+        SYNTHÈSE (reduce) reçoit les `history_limit` derniers messages → les relances
+        conversationnelles (« et pour les autres ? ») fonctionnent aussi en approfondi.
+        """
+        question = next((m.content for m in reversed(messages) if m.role == "user"), "")
         chunks: list[dict] = []
         for sid in source_ids:
             chunks.extend(vector_store.all_chunks(sid))
@@ -102,10 +109,11 @@ class NotebookDeepUseCase:
             if context.strip() else ""
         )
         system_prompt = _REDUCE_SYSTEM.format(context_block=context_block, notes_block=notes_block)
+        # Historique récent pour la cohérence des relances ; on garantit que le
+        # dernier message est bien la question courante.
+        reduce_messages = messages[-history_limit:] if messages else [ChatMessage(role="user", content=question)]
         llm_chat: LLMChatProvider = self._llm  # type: ignore[assignment]
-        async for token in llm_chat.stream_chat(
-            [ChatMessage(role="user", content=question)], system_prompt=system_prompt
-        ):
+        async for token in llm_chat.stream_chat(reduce_messages, system_prompt=system_prompt):
             yield {"type": "token", "token": token}
         yield {"type": "done"}
 

brain/app/main.py

@@ -1100,7 +1100,8 @@ async def chat_notebook_deep_stream(
 ) -> StreamingResponse:
     """Analyse APPROFONDIE (map-reduce sur tout le document). Évènements SSE :
     `progress` {current,total} pendant la lecture, puis `token` {token}, puis `done`."""
-    question = next((m.content for m in reversed(body.messages) if m.role == "user"), "")
+    messages = [ChatMessage(role=m.role, content=m.content) for m in body.messages]
+    question = next((m.content for m in reversed(messages) if m.role == "user"), "")
 
     def _sse(event: str, data: dict) -> str:
         return f"event: {event}\ndata: {json.dumps(data, ensure_ascii=False)}\n\n"
@@ -1110,7 +1111,7 @@ async def chat_notebook_deep_stream(
             yield _sse("error", {"message": "Question vide."})
             return
         try:
-            async for ev in use_case.stream(body.source_ids, question, context=body.context):
+            async for ev in use_case.stream(body.source_ids, messages, context=body.context):
                 ev_type = ev.pop("type")
                 yield _sse(ev_type, ev)
         except (LLMProviderError, EmbeddingError) as exc: