IETM_FIXE\ietm6
1fb4563557
On garde malgrès tout les promps à coté des parseurs car ils évoluent généralement ensemble.
90 lines
3.3 KiB
Python
90 lines
3.3 KiB
Python
"""Use case : génération d'une page LoreMind à partir d'un contexte métier.
|
|
|
|
Couche APPLICATION — au-dessus du domaine, en-dessous de l'infra web.
|
|
Orchestre le flux : contexte → prompt → appel LLM → parsing JSON → résultat.
|
|
|
|
Ne dépend que des abstractions du domaine (port `LLMProvider`). C'est ce qui
|
|
permet de tester ce use case avec un FakeLLMProvider, sans Ollama qui tourne.
|
|
"""
|
|
import json
|
|
|
|
from app.application.prompts import generate_page as prompts
|
|
from app.domain.models import PageGenerationContext, PageGenerationResult
|
|
from app.domain.ports import LLMProvider, LLMProviderError
|
|
|
|
# Langue de repli quand le router n'en fournit pas (appel direct / vieux client).
|
|
from app.core.language import DEFAULT as _DEFAULT_LANG
|
|
|
|
|
|
# Température basse : remplissage de champs = tâche factuelle, peu créative.
|
|
# Une valeur trop haute (par défaut Ollama = 0.8) encourage l'IA à broder
|
|
# et à inventer des références à des PNJ/lieux/événements inexistants.
|
|
_DEFAULT_TEMPERATURE = 0.4
|
|
|
|
|
|
class GeneratePageUseCase:
|
|
"""Orchestre la génération d'une page LoreMind via un LLM."""
|
|
|
|
def __init__(self, llm: LLMProvider) -> None:
|
|
self._llm = llm
|
|
|
|
async def execute(
|
|
self,
|
|
context: PageGenerationContext,
|
|
language: str = _DEFAULT_LANG,
|
|
) -> PageGenerationResult:
|
|
prompt = self._build_prompt(context, language)
|
|
raw = await self._llm.generate(
|
|
prompt,
|
|
output_format="json",
|
|
temperature=_DEFAULT_TEMPERATURE,
|
|
)
|
|
values = self._parse_values(raw, context.template_fields)
|
|
return PageGenerationResult(values=values)
|
|
|
|
@staticmethod
|
|
def _build_prompt(context: PageGenerationContext, language: str = _DEFAULT_LANG) -> str:
|
|
fields_block = "\n".join(f'- "{field}"' for field in context.template_fields)
|
|
lore_desc_line = (
|
|
f"\nDescription de l'univers : {context.lore_description}"
|
|
if context.lore_description
|
|
else ""
|
|
)
|
|
|
|
return (
|
|
f"{prompts.system_instructions(language)}\n\n"
|
|
f"Univers : {context.lore_name}"
|
|
f"{lore_desc_line}\n"
|
|
f"Catégorie (dossier) : {context.folder_name}\n"
|
|
f"Gabarit : {context.template_name}\n"
|
|
f"Titre de la page à créer : {context.page_title}\n\n"
|
|
f"Champs à remplir (clés JSON attendues) :\n"
|
|
f"{fields_block}\n\n"
|
|
f"Génère maintenant le JSON."
|
|
)
|
|
|
|
@staticmethod
|
|
def _parse_values(
|
|
raw: str,
|
|
expected_fields: list[str],
|
|
) -> dict[str, str]:
|
|
try:
|
|
parsed = json.loads(raw)
|
|
except json.JSONDecodeError as exc:
|
|
raise LLMProviderError(
|
|
f"Réponse du LLM non parseable en JSON : {exc}"
|
|
) from exc
|
|
|
|
if not isinstance(parsed, dict):
|
|
raise LLMProviderError(
|
|
f"Le LLM a renvoyé un {type(parsed).__name__}, pas un objet JSON."
|
|
)
|
|
|
|
# Filtrage défensif : on ne garde que les champs demandés, cast en str,
|
|
# jamais None. Les champs absents de la réponse deviennent des chaînes vides
|
|
# (l'utilisateur les complètera manuellement dans page-edit).
|
|
return {
|
|
field: str(parsed.get(field, "")).strip()
|
|
for field in expected_fields
|
|
}
|