Delete tasks

tasks/worker_celery.py

@@ -1,91 +0,0 @@
-import os
-import json
-from celery import Celery
-from crewai import Crew, Process
-from dotenv import load_dotenv
-
-# Charger les variables d'environnement depuis un fichier .env
-load_dotenv()
-
-# --- Import des modules de votre application ---
-from src.deep_learning_analyzer import MultiModelInterviewAnalyzer
-from src.rag_handler import RAGHandler
-from src.crew.agents import report_generator_agent
-from src.crew.tasks import generate_report_task
-
-# --- Configuration de Celery avec Upstash ---
-# On récupère les URLs et le token depuis les variables d'environnement
-UPSTASH_REDIS_URL = os.environ.get("UPSTASH_REDIS_URL")
-UPSTASH_REDIS_TOKEN = os.environ.get("UPSTASH_REDIS_TOKEN")
-
-# On formate l'URL pour Celery en incluant le token
-# Format: rediss://:<token>@<url_sans_https>
-broker_url = f"rediss://:{UPSTASH_REDIS_TOKEN}@{UPSTASH_REDIS_URL.replace('https://', '')}"
-
-celery_app = Celery(
-    'worker_celery',
-    broker=broker_url,
-    backend=broker_url,
-    broker_connection_retry_on_startup=True,
-    include=['tasks.worker_celery']
-)
-
-celery_app.conf.update(
-    task_serializer='json',
-    result_serializer='json',
-    accept_content=['json'],
-    timezone='Europe/Paris',
-    enable_utc=True,
-    # Configuration SSL nécessaire pour Upstash
-    broker_use_ssl={
-        'ssl_cert_reqs': 'CERT_NONE'
-    },
-    redis_backend_use_ssl={
-        'ssl_cert_reqs': 'CERT_NONE'
-    }
-)
-
-# --- La tâche reste la même ---
-@celery_app.task(name="tasks.run_interview_analysis")
-def run_interview_analysis_task(conversation_history: list, job_description_text: list):
-    """
-    Tâche Celery qui exécute l'analyse complète de l'entretien en arrière-plan.
-    """
-    print("Début de l'analyse via le worker Celery...")
-    
-    # Étape 1: Analyse DL
-    analyzer = MultiModelInterviewAnalyzer()
-    structured_analysis = analyzer.run_full_analysis(conversation_history, job_description_text)
-
-    # Étape 2: Enrichissement RAG
-    rag_handler = RAGHandler()
-    rag_feedback = []
-    if structured_analysis.get("intent_analysis"):
-        for intent in structured_analysis["intent_analysis"]:
-            query = f"Conseils pour un candidat qui cherche à {intent['labels'][0]}"
-            rag_feedback.extend(rag_handler.get_relevant_feedback(query))
-    
-    if structured_analysis.get("sentiment_analysis"):
-        for sentiment_group in structured_analysis["sentiment_analysis"]:
-            for sentiment in sentiment_group:
-                if sentiment['label'] == 'stress' and sentiment['score'] > 0.6:
-                    rag_feedback.extend(rag_handler.get_relevant_feedback("gestion du stress en entretien"))
-
-    unique_feedback = list(set(rag_feedback))
-
-    # Étape 3: Génération du rapport avec CrewAI
-    interview_crew = Crew(
-        agents=[report_generator_agent],
-        tasks=[generate_report_task],
-        process=Process.sequential,
-        verbose=False,
-        telemetry=False
-    )
-
-    final_report = interview_crew.kickoff(inputs={
-        'structured_analysis_data': json.dumps(structured_analysis, indent=2, ensure_ascii=False),
-        'rag_contextual_feedback': "\n- ".join(unique_feedback)
-    })
-    
-    print("Rapport final généré. Tâche terminée.")
-    return final_report