Update services/graph_service.py

services/graph_service.py

@@ -7,7 +7,10 @@ from langchain_openai import ChatOpenAI
 from langchain_core.messages import BaseMessage, AIMessage, HumanMessage, SystemMessage
 from langchain.agents import create_openai_tools_agent, AgentExecutor
 from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
+# Nouveaux imports pour la gestion correcte du graphe
 from langgraph.graph import StateGraph, END
+from langgraph.prebuilt import ToolNode
+
 from tools.analysis_tools import trigger_interview_analysis
 
 class AgentState(TypedDict):
@@ -18,11 +21,11 @@ class AgentState(TypedDict):
 class GraphInterviewProcessor:
     """
     Cette classe encapsule la logique d'un entretien en utilisant LangGraph.
-    Elle prépare toutes les données nécessaires à l'initialisation, comme dans votre code original.
+    Elle prépare toutes les données nécessaires à l'initialisation.
     """
     def __init__(self, payload: Dict[str, Any]):
         logging.info("Initialisation de GraphInterviewProcessor...")
-
+        
         self.user_id = payload["user_id"]
         self.job_offer_id = payload["job_offer_id"]
         self.job_offer = payload["job_offer"]
@@ -41,7 +44,6 @@ class GraphInterviewProcessor:
         logging.info("GraphInterviewProcessor initialisé avec succès.")
 
     def _load_prompt_template(self, file_path: str) -> str:
-        """Charge le template du prompt depuis un fichier."""
         try:
             with open(file_path, 'r', encoding='utf-8') as f:
                 return f.read()
@@ -50,26 +52,21 @@ class GraphInterviewProcessor:
             return "Vous êtes un assistant RH."
 
     def _format_cv_for_prompt(self) -> str:
-        """Formate le CV pour l'injecter dans le prompt."""
         return json.dumps(self.cv_data, indent=2, ensure_ascii=False)
 
     def _extract_skills_summary(self) -> str:
-        """Extrait un résumé des compétences avec niveaux."""
         competences = self.cv_data.get('analyse_competences', [])
-        if not competences:
-            return "Aucune analyse de compétences disponible."
+        if not competences: return "Aucune analyse de compétences disponible."
         summary = [f"{comp.get('skill', '')}: {comp.get('level', 'débutant')}" for comp in competences]
         return "Niveaux de compétences du candidat: " + " | ".join(summary)
 
     def _extract_reconversion_info(self) -> str:
-        """Extrait les informations de reconversion."""
         reconversion = self.cv_data.get('reconversion', {})
         if reconversion.get('is_reconversion'):
             return f"CANDIDAT EN RECONVERSION: {reconversion.get('analysis', '')}"
         return "Le candidat n'est pas identifié comme étant en reconversion."
 
     def _create_agent_executor(self) -> AgentExecutor:
-        """Crée l'agent executor avec un prompt minimaliste."""
         prompt = ChatPromptTemplate.from_messages([
             SystemMessage(content="{system_prompt_content}"),
             MessagesPlaceholder(variable_name="messages"),
@@ -81,7 +78,6 @@ class GraphInterviewProcessor:
         return AgentExecutor(agent=agent, tools=tools, verbose=True)
 
     def _agent_node(self, state: AgentState):
-        """Prépare le prompt système dynamiquement et appelle l'agent."""
         system_prompt_content = self.system_prompt_template.format(
             entreprise=self.job_offer.get('entreprise', 'notre entreprise'),
             poste=self.job_offer.get('poste', 'ce poste'),
@@ -102,24 +98,33 @@ class GraphInterviewProcessor:
             "conversation_history": state["messages"]
         })
         return {"messages": [response['output']]}
-
     def _router(self, state: AgentState):
         """Décide du chemin à suivre après la réponse de l'agent."""
         last_message = state["messages"][-1]
-        if hasattr(last_message, 'tool_calls') and last_message.tool_calls:
-            return "end"
-        return "continue"
-
+        if hasattr(last_message, 'tool_calls') and last_message.tool_calls and len(last_message.tool_calls) > 0:
+            return "call_tool"
+        else:
+            return "end_turn"
     def _build_graph(self) -> any:
         """Construit et compile le graphe d'états."""
+        tool_node = ToolNode([trigger_interview_analysis])
+
         graph = StateGraph(AgentState)
         graph.add_node("agent", self._agent_node)
+        graph.add_node("tools", tool_node)
+
+        graph.set_entry_point("agent")
         graph.add_conditional_edges(
             "agent",
             self._router,
-            {"continue": "agent", "end": END}
+            {
+                "call_tool": "tools", 
+                "end_turn": END     
+            }
         )
-        graph.set_entry_point("agent")
+
+        graph.add_edge("tools", "agent")
+
         return graph.compile()
 
     def invoke(self, messages: List[Dict[str, Any]]):
@@ -135,9 +140,12 @@ class GraphInterviewProcessor:
         final_state = self.graph.invoke(initial_state)
         
         last_message = final_state['messages'][-1]
-        status = "finished" if self._router(final_state) == 'end' else "interviewing"
+        
+        # Le statut est 'finished' si le dernier message contient un appel à un outil.
+        # Cela signifie que le graphe a pris le chemin de l'analyse.
+        status = "finished" if hasattr(last_message, 'tool_calls') and last_message.tool_calls else "interviewing"
         
         return {
             "response": last_message.content,
             "status": status
-        }
+        }