Update src/agents/cv_agents.py

src/agents/cv_agents.py

@@ -1,251 +1,252 @@
-import json
-import logging
-from typing import Dict, Any, List
-from crewai import Agent, Task, Crew, Process
-
-logger = logging.getLogger(__name__)
-
-class CVAgentOrchestrator:
-    def __init__(self, llm):
-        self.llm = llm
-        self._create_agents()
-    
-    def _create_agents(self):
-        self.section_splitter = Agent(
-            role="Analyseur de Structure de CV",
-            goal="Découper intelligemment un CV en sections thématiques",
-            backstory="Expert en analyse documentaire spécialisé dans la reconnaissance de structures de CV.",
-            verbose=False,
-            llm=self.llm
-        )
-        
-        self.contact_extractor = Agent(
-            role="Extracteur d'informations de contact",
-            goal="Extraire les coordonnées du candidat",
-            backstory="Expert en extraction d'informations de contact avec précision.",
-            verbose=False,
-            llm=self.llm
-        )
-        
-        self.skills_extractor = Agent(
-            role="Extracteur de compétences",
-            goal="Identifier hard skills et soft skills",
-            backstory="Spécialiste en identification de compétences techniques et comportementales.",
-            verbose=False,
-            llm=self.llm
-        )
-        
-        self.experience_extractor = Agent(
-            role="Extracteur d'expériences",
-            goal="Extraire les expériences professionnelles",
-            backstory="Expert en analyse de parcours professionnels.",
-            verbose=False,
-            llm=self.llm
-        )
-        
-        self.project_extractor = Agent(
-            role="Extracteur de projets",
-            goal="Identifier projets professionnels et personnels",
-            backstory="Spécialiste en identification de projets significatifs.",
-            verbose=False,
-            llm=self.llm
-        )
-        
-        self.education_extractor = Agent(
-            role="Extracteur de formations",
-            goal="Extraire formations et diplômes",
-            backstory="Expert en analyse de parcours académiques.",
-            verbose=False,
-            llm=self.llm
-        )
-        
-        self.reconversion_detector = Agent(
-            role="Détecteur de reconversion",
-            goal="Analyser les changements de carrière",
-            backstory="Conseiller d'orientation expert en transitions de carrière.",
-            verbose=False,
-            llm=self.llm
-        )
-        
-        self.profile_builder = Agent(
-            role="Constructeur de profil",
-            goal="Assembler le profil candidat final",
-            backstory="Expert en structuration de données JSON.",
-            verbose=False,
-            llm=self.llm
-        )
-    
-    def split_cv_sections(self, cv_content: str) -> Dict[str, str]:
-        task = Task(
-            description=f"Analyser ce CV et l'organiser en sections: {cv_content}",
-            expected_output="""JSON avec sections: contact, experiences, projects, education, skills, other""",
-            agent=self.section_splitter
-        )
-        
-        crew = Crew(
-            agents=[self.section_splitter],
-            tasks=[task],
-            process=Process.sequential,
-            verbose=False,
-            telemetry=False
-        )
-        
-        result = crew.kickoff()
-        return self._parse_sections_result(result)
-    
-    def extract_all_sections(self, sections: Dict[str, str]) -> Dict[str, Any]:
-        # Créer les tâches avec les sections en input
-        tasks = self._create_extraction_tasks(sections)
-        
-        crew = Crew(
-            agents=[
-                self.contact_extractor,
-                self.skills_extractor,
-                self.experience_extractor,
-                self.project_extractor,
-                self.education_extractor,
-                self.reconversion_detector,
-                self.profile_builder
-            ],
-            tasks=tasks,
-            process=Process.sequential,
-            verbose=True,  # Activer pour debug
-            telemetry=False
-        )
-        
-        # Passer les sections comme inputs
-        inputs = {
-            "contact": sections.get("contact", ""),
-            "experiences": sections.get("experiences", ""),
-            "projects": sections.get("projects", ""),
-            "education": sections.get("education", ""),
-            "skills": sections.get("skills", ""),
-            "other": sections.get("other", "")
-        }
-        
-        logger.info(f"Starting crew with inputs: {list(inputs.keys())}")
-        result = crew.kickoff(inputs=inputs)
-        logger.info(f"Crew completed. Raw result: {result.raw if hasattr(result, 'raw') else str(result)[:200]}...")
-        
-        return self._parse_final_result(result)
-    
-    def _create_extraction_tasks(self, sections: Dict[str, str]) -> List[Task]:
-        contact_task = Task(
-            description=(
-                "Voici la section contact du CV : {contact}\n"
-                "Extraire précisément le nom, email, téléphone et localisation du candidat."
-            ),
-            expected_output='{"nom": "...", "email": "...", "numero_de_telephone": "...", "localisation": "..."}',
-            agent=self.contact_extractor
-        )
-        
-        skills_task = Task(
-            description=(
-                "Voici les sections pertinentes du CV :\n"
-                "Expériences: {experiences}\n"
-                "Projets: {projects}\n"
-                "Compétences: {skills}\n"
-                "Extraire toutes les compétences techniques (hard skills) et comportementales (soft skills) mentionnées."
-            ),
-            expected_output='{"hard_skills": ["compétence1", "compétence2"], "soft_skills": ["compétence1", "compétence2"]}',
-            agent=self.skills_extractor
-        )
-        
-        experience_task = Task(
-            description=(
-                "Voici la section expériences du CV : {experiences}\n"
-                "Extraire toutes les expériences professionnelles avec poste, entreprise, dates et responsabilités."
-            ),
-            expected_output='[{"Poste": "titre", "Entreprise": "nom", "start_date": "date", "end_date": "date", "responsabilités": ["resp1", "resp2"]}]',
-            agent=self.experience_extractor
-        )
-        
-        project_task = Task(
-            description=(
-                "Voici les sections projets et expériences du CV :\n"
-                "Projets: {projects}\n"
-                "Identifier et extraire les projets professionnels et personnels distincts des responsabilités générales."
-            ),
-            expected_output='{"professional": [{"title": "titre", "technologies": ["tech1"], "outcomes": ["résultat1"]}], "personal": []}',
-            agent=self.project_extractor
-        )
-        
-        education_task = Task(
-            description=(
-                "Voici la section formations du CV : {education}\n"
-                "Extraire toutes les formations, diplômes et certifications avec institution et dates."
-            ),
-            expected_output='[{"degree": "diplôme", "institution": "établissement", "start_date": "date", "end_date": "date"}]',
-            agent=self.education_extractor
-        )
-        
-        reconversion_task = Task(
-            description=(
-                "En analysant les expériences extraites précédemment, déterminer si le candidat est en reconversion professionnelle. "
-                "Chercher des changements de secteur, de type de poste ou des transitions significatives."
-            ),
-            expected_output='{"reconversion_analysis": {"is_reconversion": true, "analysis": "Explication détaillée..."}}',
-            agent=self.reconversion_detector,
-            context=[experience_task]
-        )
-        
-        profile_task = Task(
-            description=(
-                "Assembler toutes les informations extraites des tâches précédentes en un profil candidat complet. "
-                "Créer un JSON valide avec une clé 'candidat' contenant toutes les sections."
-            ),
-            expected_output=(
-                '{"candidat": {'
-                '"informations_personnelles": {...}, '
-                '"compétences": {...}, '
-                '"expériences": [...], '
-                '"projets": {...}, '
-                '"formations": [...], '
-                '"reconversion": {...}'
-                '}}'
-            ),
-            agent=self.profile_builder,
-            context=[contact_task, skills_task, experience_task, project_task, education_task, reconversion_task]
-        )
-        
-        return [contact_task, skills_task, experience_task, project_task, education_task, reconversion_task, profile_task]
-    
-    def _parse_sections_result(self, result) -> Dict[str, str]:
-        result_str = result.raw if hasattr(result, 'raw') else str(result)
-        
-        if '```json' in result_str:
-            result_str = result_str.split('```json')[1].split('```')[0].strip()
-        elif '```' in result_str:
-            parts = result_str.split('```')
-            if len(parts) >= 3:
-                result_str = parts[1].strip()
-        
-        parsed = json.loads(result_str)
-        
-        # Assurer que toutes les sections nécessaires existent
-        default_sections = {
-            "contact": "",
-            "experiences": "",
-            "projects": "",
-            "education": "",
-            "skills": "",
-            "other": ""
-        }
-        
-        for key in default_sections:
-            if key not in parsed:
-                parsed[key] = default_sections[key]
-        
-        return parsed
-    
-    def _parse_final_result(self, result) -> Dict[str, Any]:
-        result_str = result.raw if hasattr(result, 'raw') else str(result)
-        
-        if '```json' in result_str:
-            result_str = result_str.split('```json')[1].split('```')[0].strip()
-        elif '```' in result_str:
-            parts = result_str.split('```')
-            if len(parts) >= 3:
-                result_str = parts[1].strip()
-        
+import json
+import logging
+from typing import Dict, Any, List
+from crewai import Agent, Task, Crew, Process
+from src.config import crew_openai
+logger = logging.getLogger(__name__)
+
+
+class CVAgentOrchestrator:
+    def __init__(self, llm):
+        self.llm = crew_openai()
+        self._create_agents()
+    
+    def _create_agents(self):
+        self.section_splitter = Agent(
+            role="Analyseur de Structure de CV",
+            goal="Découper intelligemment un CV en sections thématiques",
+            backstory="Expert en analyse documentaire spécialisé dans la reconnaissance de structures de CV.",
+            verbose=False,
+            llm=self.llm
+        )
+        
+        self.contact_extractor = Agent(
+            role="Extracteur d'informations de contact",
+            goal="Extraire les coordonnées du candidat",
+            backstory="Expert en extraction d'informations de contact avec précision.",
+            verbose=False,
+            llm=self.llm
+        )
+        
+        self.skills_extractor = Agent(
+            role="Extracteur de compétences",
+            goal="Identifier hard skills et soft skills",
+            backstory="Spécialiste en identification de compétences techniques et comportementales.",
+            verbose=False,
+            llm=self.llm
+        )
+        
+        self.experience_extractor = Agent(
+            role="Extracteur d'expériences",
+            goal="Extraire les expériences professionnelles",
+            backstory="Expert en analyse de parcours professionnels.",
+            verbose=False,
+            llm=self.llm
+        )
+        
+        self.project_extractor = Agent(
+            role="Extracteur de projets",
+            goal="Identifier projets professionnels et personnels",
+            backstory="Spécialiste en identification de projets significatifs.",
+            verbose=False,
+            llm=self.llm
+        )
+        
+        self.education_extractor = Agent(
+            role="Extracteur de formations",
+            goal="Extraire formations et diplômes",
+            backstory="Expert en analyse de parcours académiques.",
+            verbose=False,
+            llm=self.llm
+        )
+        
+        self.reconversion_detector = Agent(
+            role="Détecteur de reconversion",
+            goal="Analyser les changements de carrière",
+            backstory="Conseiller d'orientation expert en transitions de carrière.",
+            verbose=False,
+            llm=self.llm
+        )
+        
+        self.profile_builder = Agent(
+            role="Constructeur de profil",
+            goal="Assembler le profil candidat final",
+            backstory="Expert en structuration de données JSON.",
+            verbose=False,
+            llm=self.llm
+        )
+    
+    def split_cv_sections(self, cv_content: str) -> Dict[str, str]:
+        task = Task(
+            description=f"Analyser ce CV et l'organiser en sections: {cv_content}",
+            expected_output="""JSON avec sections: contact, experiences, projects, education, skills, other""",
+            agent=self.section_splitter
+        )
+        
+        crew = Crew(
+            agents=[self.section_splitter],
+            tasks=[task],
+            process=Process.sequential,
+            verbose=False,
+            telemetry=False
+        )
+        
+        result = crew.kickoff()
+        return self._parse_sections_result(result)
+    
+    def extract_all_sections(self, sections: Dict[str, str]) -> Dict[str, Any]:
+        # Créer les tâches avec les sections en input
+        tasks = self._create_extraction_tasks(sections)
+        
+        crew = Crew(
+            agents=[
+                self.contact_extractor,
+                self.skills_extractor,
+                self.experience_extractor,
+                self.project_extractor,
+                self.education_extractor,
+                self.reconversion_detector,
+                self.profile_builder
+            ],
+            tasks=tasks,
+            process=Process.sequential,
+            verbose=True,  # Activer pour debug
+            telemetry=False
+        )
+        
+        # Passer les sections comme inputs
+        inputs = {
+            "contact": sections.get("contact", ""),
+            "experiences": sections.get("experiences", ""),
+            "projects": sections.get("projects", ""),
+            "education": sections.get("education", ""),
+            "skills": sections.get("skills", ""),
+            "other": sections.get("other", "")
+        }
+        
+        logger.info(f"Starting crew with inputs: {list(inputs.keys())}")
+        result = crew.kickoff(inputs=inputs)
+        logger.info(f"Crew completed. Raw result: {result.raw if hasattr(result, 'raw') else str(result)[:200]}...")
+        
+        return self._parse_final_result(result)
+    
+    def _create_extraction_tasks(self, sections: Dict[str, str]) -> List[Task]:
+        contact_task = Task(
+            description=(
+                "Voici la section contact du CV : {contact}\n"
+                "Extraire précisément le nom, email, téléphone et localisation du candidat."
+            ),
+            expected_output='{"nom": "...", "email": "...", "numero_de_telephone": "...", "localisation": "..."}',
+            agent=self.contact_extractor
+        )
+        
+        skills_task = Task(
+            description=(
+                "Voici les sections pertinentes du CV :\n"
+                "Expériences: {experiences}\n"
+                "Projets: {projects}\n"
+                "Compétences: {skills}\n"
+                "Extraire toutes les compétences techniques (hard skills) et comportementales (soft skills) mentionnées."
+            ),
+            expected_output='{"hard_skills": ["compétence1", "compétence2"], "soft_skills": ["compétence1", "compétence2"]}',
+            agent=self.skills_extractor
+        )
+        
+        experience_task = Task(
+            description=(
+                "Voici la section expériences du CV : {experiences}\n"
+                "Extraire toutes les expériences professionnelles avec poste, entreprise, dates et responsabilités."
+            ),
+            expected_output='[{"Poste": "titre", "Entreprise": "nom", "start_date": "date", "end_date": "date", "responsabilités": ["resp1", "resp2"]}]',
+            agent=self.experience_extractor
+        )
+        
+        project_task = Task(
+            description=(
+                "Voici les sections projets et expériences du CV :\n"
+                "Projets: {projects}\n"
+                "Identifier et extraire les projets professionnels et personnels distincts des responsabilités générales."
+            ),
+            expected_output='{"professional": [{"title": "titre", "technologies": ["tech1"], "outcomes": ["résultat1"]}], "personal": []}',
+            agent=self.project_extractor
+        )
+        
+        education_task = Task(
+            description=(
+                "Voici la section formations du CV : {education}\n"
+                "Extraire toutes les formations, diplômes et certifications avec institution et dates."
+            ),
+            expected_output='[{"degree": "diplôme", "institution": "établissement", "start_date": "date", "end_date": "date"}]',
+            agent=self.education_extractor
+        )
+        
+        reconversion_task = Task(
+            description=(
+                "En analysant les expériences extraites précédemment, déterminer si le candidat est en reconversion professionnelle. "
+                "Chercher des changements de secteur, de type de poste ou des transitions significatives."
+            ),
+            expected_output='{"reconversion_analysis": {"is_reconversion": true, "analysis": "Explication détaillée..."}}',
+            agent=self.reconversion_detector,
+            context=[experience_task]
+        )
+        
+        profile_task = Task(
+            description=(
+                "Assembler toutes les informations extraites des tâches précédentes en un profil candidat complet. "
+                "Créer un JSON valide avec une clé 'candidat' contenant toutes les sections."
+            ),
+            expected_output=(
+                '{"candidat": {'
+                '"informations_personnelles": {...}, '
+                '"compétences": {...}, '
+                '"expériences": [...], '
+                '"projets": {...}, '
+                '"formations": [...], '
+                '"reconversion": {...}'
+                '}}'
+            ),
+            agent=self.profile_builder,
+            context=[contact_task, skills_task, experience_task, project_task, education_task, reconversion_task]
+        )
+        
+        return [contact_task, skills_task, experience_task, project_task, education_task, reconversion_task, profile_task]
+    
+    def _parse_sections_result(self, result) -> Dict[str, str]:
+        result_str = result.raw if hasattr(result, 'raw') else str(result)
+        
+        if '```json' in result_str:
+            result_str = result_str.split('```json')[1].split('```')[0].strip()
+        elif '```' in result_str:
+            parts = result_str.split('```')
+            if len(parts) >= 3:
+                result_str = parts[1].strip()
+        
+        parsed = json.loads(result_str)
+        
+        # Assurer que toutes les sections nécessaires existent
+        default_sections = {
+            "contact": "",
+            "experiences": "",
+            "projects": "",
+            "education": "",
+            "skills": "",
+            "other": ""
+        }
+        
+        for key in default_sections:
+            if key not in parsed:
+                parsed[key] = default_sections[key]
+        
+        return parsed
+    
+    def _parse_final_result(self, result) -> Dict[str, Any]:
+        result_str = result.raw if hasattr(result, 'raw') else str(result)
+        
+        if '```json' in result_str:
+            result_str = result_str.split('```json')[1].split('```')[0].strip()
+        elif '```' in result_str:
+            parts = result_str.split('```')
+            if len(parts) >= 3:
+                result_str = parts[1].strip()
+        
         return json.loads(result_str)