File size: 105,437 Bytes
94e6e9b 05a40e1 533fa2f 05a40e1 752463d 05a40e1 752463d 05a40e1 752463d 05a40e1 94e6e9b 752463d a5fa270 7e3abcf a5fa270 7e3abcf a5fa270 7e1bd57 95b0887 7e1bd57 a18c52b c44d7ec 1f534a2 244ef7a 803084f 9b10c9d 803084f 54fce0a 803084f 9b10c9d 1f534a2 244ef7a 1f534a2 803084f e189755 803084f f367a6f 803084f f367a6f 803084f e189755 803084f e189755 fa45d53 752463d fa45d53 752463d fa45d53 752463d fa45d53 752463d fa45d53 752463d 789f13c fa45d53 789f13c fa45d53 752463d fa45d53 752463d fa45d53 752463d fa45d53 752463d fa45d53 752463d 94e6e9b e11cc81 8d98a60 118bc82 94e6e9b 118bc82 94e6e9b 118bc82 94e6e9b 118bc82 e11cc81 94e6e9b 8d98a60 ba4948e 227ae8b ba4948e 227ae8b ba4948e 118bc82 ba4948e 118bc82 ba4948e 227ae8b ba4948e 94e6e9b d5c8f22 e11cc81 d5c8f22 e11cc81 d5c8f22 99c2a56 c06116c 99c2a56 c06116c 99c2a56 c06116c 99c2a56 c06116c d5c8f22 e11cc81 94e6e9b e11cc81 94e6e9b 118bc82 94e6e9b 118bc82 94e6e9b 118bc82 94e6e9b 8d98a60 118bc82 e11cc81 94e6e9b 8d98a60 118bc82 94e6e9b 118bc82 e11cc81 94e6e9b 118bc82 94e6e9b 118bc82 94e6e9b 118bc82 94e6e9b 8d98a60 118bc82 94e6e9b 118bc82 94e6e9b e11cc81 94e6e9b 118bc82 94e6e9b f695ef3 94e6e9b 118bc82 94e6e9b 118bc82 94e6e9b 118bc82 94e6e9b 5c31049 94e6e9b 118bc82 94e6e9b 118bc82 94e6e9b 5c31049 94e6e9b 8d98a60 94e6e9b 8d98a60 e11cc81 5c31049 118bc82 f695ef3 94e6e9b f695ef3 94e6e9b 118bc82 ad0cb76 118bc82 ad0cb76 118bc82 ad0cb76 118bc82 ad0cb76 118bc82 ad0cb76 118bc82 ad0cb76 118bc82 abf6044 94e6e9b 118bc82 94e6e9b fb0d1fb a18c52b 7e3abcf 6230c83 94e6e9b 118bc82 94e6e9b 118bc82 94e6e9b 118bc82 94e6e9b 118bc82 94e6e9b 118bc82 94e6e9b 118bc82 94e6e9b 118bc82 94e6e9b efab453 4f3816d 94e6e9b 4f3816d 8e780f6 4f3816d 8e780f6 4f3816d 8e780f6 4f3816d 3ae2099 94e6e9b 118bc82 94e6e9b 27d2c8a 94e6e9b 27d2c8a 533fa2f 82f7fac 533fa2f 82f7fac 1f534a2 82f7fac d04fb1c 82f7fac 4531ded ed11141 27d2c8a 94e6e9b 118bc82 94e6e9b e0f4a42 94e6e9b e0f4a42 6c228bd 118bc82 fbc9866 118bc82 94e6e9b e189755 c85c15a e189755 6230c83 a18c52b 6c228bd 3ae2099 a18c52b b950ff1 7e1bd57 6c228bd 7e3abcf b950ff1 7e3abcf 7e1bd57 a18c52b b950ff1 a18c52b 4f3816d a18c52b e189755 4f3816d e189755 3ae2099 e189755 7e1bd57 a18c52b 27d2c8a c44d7ec add10bd 2c3fd2e add10bd 2c3fd2e add10bd c44d7ec 533fa2f c44d7ec 4531ded 533fa2f 4531ded c44d7ec 58de698 533fa2f 58de698 7709599 58de698 7709599 58de698 7709599 99429fe 533fa2f ad5405a 99429fe 6230c83 c7dd694 652d60b c7dd694 652d60b c7dd694 652d60b 6230c83 652d60b 6230c83 652d60b 6230c83 652d60b ad5405a 27d2c8a 533fa2f 27d2c8a 1f534a2 27d2c8a 1f534a2 27d2c8a 4531ded 533fa2f 4531ded 27d2c8a 803084f 27d2c8a 803084f a18c52b 7e3abcf b950ff1 803084f b950ff1 803084f b950ff1 a18c52b 3ae2099 a18c52b a5fa270 7e1bd57 920d949 87671e9 a18c52b 8e780f6 c85c15a c7dd694 8e780f6 c85c15a a18c52b b9a76b4 a18c52b 7e3abcf a18c52b a5fa270 a18c52b a5fa270 a18c52b a5fa270 7e3abcf a18c52b 7e3abcf a18c52b 94e6e9b e11cc81 e0f4a42 6e60cce d30735b e0f4a42 fbc9866 e0f4a42 d30735b e0f4a42 d30735b e0f4a42 6c228bd e0f4a42 118bc82 e0f4a42 3ae2099 118bc82 94e6e9b 3ae2099 6c228bd 94e6e9b | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538 539 540 541 542 543 544 545 546 547 548 549 550 551 552 553 554 555 556 557 558 559 560 561 562 563 564 565 566 567 568 569 570 571 572 573 574 575 576 577 578 579 580 581 582 583 584 585 586 587 588 589 590 591 592 593 594 595 596 597 598 599 600 601 602 603 604 605 606 607 608 609 610 611 612 613 614 615 616 617 618 619 620 621 622 623 624 625 626 627 628 629 630 631 632 633 634 635 636 637 638 639 640 641 642 643 644 645 646 647 648 649 650 651 652 653 654 655 656 657 658 659 660 661 662 663 664 665 666 667 668 669 670 671 672 673 674 675 676 677 678 679 680 681 682 683 684 685 686 687 688 689 690 691 692 693 694 695 696 697 698 699 700 701 702 703 704 705 706 707 708 709 710 711 712 713 714 715 716 717 718 719 720 721 722 723 724 725 726 727 728 729 730 731 732 733 734 735 736 737 738 739 740 741 742 743 744 745 746 747 748 749 750 751 752 753 754 755 756 757 758 759 760 761 762 763 764 765 766 767 768 769 770 771 772 773 774 775 776 777 778 779 780 781 782 783 784 785 786 787 788 789 790 791 792 793 794 795 796 797 798 799 800 801 802 803 804 805 806 807 808 809 810 811 812 813 814 815 816 817 818 819 820 821 822 823 824 825 826 827 828 829 830 831 832 833 834 835 836 837 838 839 840 841 842 843 844 845 846 847 848 849 850 851 852 853 854 855 856 857 858 859 860 861 862 863 864 865 866 867 868 869 870 871 872 873 874 875 876 877 878 879 880 881 882 883 884 885 886 887 888 889 890 891 892 893 894 895 896 897 898 899 900 901 902 903 904 905 906 907 908 909 910 911 912 913 914 915 916 917 918 919 920 921 922 923 924 925 926 927 928 929 930 931 932 933 934 935 936 937 938 939 940 941 942 943 944 945 946 947 948 949 950 951 952 953 954 955 956 957 958 959 960 961 962 963 964 965 966 967 968 969 970 971 972 973 974 975 976 977 978 979 980 981 982 983 984 985 986 987 988 989 990 991 992 993 994 995 996 997 998 999 1000 1001 1002 1003 1004 1005 1006 1007 1008 1009 1010 1011 1012 1013 1014 1015 1016 1017 1018 1019 1020 1021 1022 1023 1024 1025 1026 1027 1028 1029 1030 1031 1032 1033 1034 1035 1036 1037 1038 1039 1040 1041 1042 1043 1044 1045 1046 1047 1048 1049 1050 1051 1052 1053 1054 1055 1056 1057 1058 1059 1060 1061 1062 1063 1064 1065 1066 1067 1068 1069 1070 1071 1072 1073 1074 1075 1076 1077 1078 1079 1080 1081 1082 1083 1084 1085 1086 1087 1088 1089 1090 1091 1092 1093 1094 1095 1096 1097 1098 1099 1100 1101 1102 1103 1104 1105 1106 1107 1108 1109 1110 1111 1112 1113 1114 1115 1116 1117 1118 1119 1120 1121 1122 1123 1124 1125 1126 1127 1128 1129 1130 1131 1132 1133 1134 1135 1136 1137 1138 1139 1140 1141 1142 1143 1144 1145 1146 1147 1148 1149 1150 1151 1152 1153 1154 1155 1156 1157 1158 1159 1160 1161 1162 1163 1164 1165 1166 1167 1168 1169 1170 1171 1172 1173 1174 1175 1176 1177 1178 1179 1180 1181 1182 1183 1184 1185 1186 1187 1188 1189 1190 1191 1192 1193 1194 1195 1196 1197 1198 1199 1200 1201 1202 1203 1204 1205 1206 1207 1208 1209 1210 1211 1212 1213 1214 1215 1216 1217 1218 1219 1220 1221 1222 1223 1224 1225 1226 1227 1228 1229 1230 1231 1232 1233 1234 1235 1236 1237 1238 1239 1240 1241 1242 1243 1244 1245 1246 1247 1248 1249 1250 1251 1252 1253 1254 1255 1256 1257 1258 1259 1260 1261 1262 1263 1264 1265 1266 1267 1268 1269 1270 1271 1272 1273 1274 1275 1276 1277 1278 1279 1280 1281 1282 1283 1284 1285 1286 1287 1288 1289 1290 1291 1292 1293 1294 1295 1296 1297 1298 1299 1300 1301 1302 1303 1304 1305 1306 1307 1308 1309 1310 1311 1312 1313 1314 1315 1316 1317 1318 1319 1320 1321 1322 1323 1324 1325 1326 1327 1328 1329 1330 1331 1332 1333 1334 1335 1336 1337 1338 1339 1340 1341 1342 1343 1344 1345 1346 1347 1348 1349 1350 1351 1352 1353 1354 1355 1356 1357 1358 1359 1360 1361 1362 1363 1364 1365 1366 1367 1368 1369 1370 1371 1372 1373 1374 1375 1376 1377 1378 1379 1380 1381 1382 1383 1384 1385 1386 1387 1388 1389 1390 1391 1392 1393 1394 1395 1396 1397 1398 1399 1400 1401 1402 1403 1404 1405 1406 1407 1408 1409 1410 1411 1412 1413 1414 1415 1416 1417 1418 1419 1420 1421 1422 1423 1424 1425 1426 1427 1428 1429 1430 1431 1432 1433 1434 1435 1436 1437 1438 1439 1440 1441 1442 1443 1444 1445 1446 1447 1448 1449 1450 1451 1452 1453 1454 1455 1456 1457 1458 1459 1460 1461 1462 1463 1464 1465 1466 1467 1468 1469 1470 1471 1472 1473 1474 1475 1476 1477 1478 1479 1480 1481 1482 1483 1484 1485 1486 1487 1488 1489 1490 1491 1492 1493 1494 1495 1496 1497 1498 1499 1500 1501 1502 1503 1504 1505 1506 1507 1508 1509 1510 1511 1512 1513 1514 1515 1516 1517 1518 1519 1520 1521 1522 1523 1524 1525 1526 1527 1528 1529 1530 1531 1532 1533 1534 1535 1536 1537 1538 1539 1540 1541 1542 1543 1544 1545 1546 1547 1548 1549 1550 1551 1552 1553 1554 1555 1556 1557 1558 1559 1560 1561 1562 1563 1564 1565 1566 1567 1568 1569 1570 1571 1572 1573 1574 1575 1576 1577 1578 1579 1580 1581 1582 1583 1584 1585 1586 1587 1588 1589 1590 1591 1592 1593 1594 1595 1596 1597 1598 1599 1600 1601 1602 1603 1604 1605 1606 1607 1608 1609 1610 1611 1612 1613 1614 1615 1616 1617 1618 1619 1620 1621 1622 1623 1624 1625 1626 1627 1628 1629 1630 1631 1632 1633 1634 1635 1636 1637 1638 1639 1640 1641 1642 1643 1644 1645 1646 1647 1648 1649 1650 1651 1652 1653 1654 1655 1656 1657 1658 1659 1660 1661 1662 1663 1664 1665 1666 1667 1668 1669 1670 1671 1672 1673 1674 1675 1676 1677 1678 1679 1680 1681 1682 1683 1684 1685 1686 1687 1688 1689 1690 1691 1692 1693 1694 1695 1696 1697 1698 1699 1700 1701 1702 1703 1704 1705 1706 1707 1708 1709 1710 1711 1712 1713 1714 1715 1716 1717 1718 1719 1720 1721 1722 1723 1724 1725 1726 1727 1728 1729 1730 1731 1732 1733 1734 1735 1736 1737 1738 1739 1740 1741 1742 1743 1744 1745 1746 1747 1748 1749 1750 1751 1752 1753 1754 1755 1756 1757 1758 1759 1760 1761 1762 1763 1764 1765 1766 1767 1768 1769 1770 1771 1772 1773 1774 1775 1776 1777 1778 1779 1780 1781 1782 1783 1784 1785 1786 1787 1788 1789 1790 1791 1792 1793 1794 1795 1796 1797 1798 1799 1800 1801 1802 1803 1804 1805 1806 1807 1808 1809 1810 1811 1812 1813 1814 1815 1816 1817 1818 1819 1820 1821 1822 1823 1824 1825 1826 1827 1828 1829 1830 1831 1832 1833 1834 1835 1836 1837 1838 1839 1840 1841 1842 1843 1844 1845 1846 1847 1848 1849 1850 1851 1852 1853 1854 1855 1856 1857 1858 1859 1860 1861 1862 1863 1864 1865 1866 1867 1868 1869 1870 1871 1872 1873 1874 1875 1876 1877 1878 1879 1880 1881 1882 1883 1884 1885 1886 1887 1888 1889 1890 1891 1892 1893 1894 1895 1896 1897 1898 1899 1900 1901 1902 1903 1904 1905 1906 1907 1908 1909 1910 1911 1912 1913 1914 1915 1916 1917 1918 1919 1920 1921 1922 1923 1924 1925 1926 1927 1928 1929 1930 1931 1932 1933 1934 1935 1936 1937 1938 1939 1940 1941 1942 1943 1944 1945 1946 1947 1948 1949 1950 1951 1952 1953 1954 1955 1956 1957 1958 1959 1960 1961 1962 1963 1964 1965 1966 1967 1968 1969 1970 1971 1972 1973 1974 1975 1976 1977 1978 1979 1980 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023 2024 2025 2026 2027 2028 2029 2030 2031 2032 2033 2034 2035 2036 2037 2038 2039 2040 2041 2042 2043 2044 2045 2046 2047 2048 2049 2050 2051 2052 2053 2054 2055 2056 2057 2058 2059 2060 2061 2062 2063 2064 2065 2066 2067 2068 2069 2070 2071 2072 2073 2074 2075 2076 2077 2078 2079 2080 2081 2082 2083 2084 2085 2086 2087 2088 2089 2090 2091 2092 2093 2094 2095 2096 2097 2098 2099 2100 2101 2102 2103 2104 2105 2106 2107 2108 2109 2110 2111 2112 2113 2114 2115 2116 2117 2118 2119 2120 2121 2122 2123 2124 2125 2126 2127 2128 2129 2130 2131 2132 2133 2134 2135 2136 2137 2138 2139 2140 2141 2142 2143 2144 2145 2146 2147 2148 2149 2150 2151 2152 2153 2154 2155 2156 2157 2158 2159 2160 2161 2162 2163 2164 2165 2166 2167 2168 2169 2170 2171 2172 2173 2174 2175 2176 2177 | """Helpers Jarvis (Phase 13) — construction de pré-prompts à partir
de formulaires UI + exécution de flows agent avec budget.
Pour ne pas surcharger app.py, on isole ici :
- les fonctions `build_*_prompt(form_values)` qui composent le
texte d'entrée envoyé à l'agent à partir des champs du formulaire
- le générateur `run_jarvis_flow(prompt, model, api_key, budget_limit,
drops_key)` qui pilote l'agent en mode streaming dans une bulle
de chatbot Gradio (sans saisie utilisateur)
L'agent lui-même est inchangé — c'est juste le harnais d'invocation
qui change : (a) on lui injecte un budget via `budget_context`, (b) on
lui passe un message utilisateur construit du formulaire, (c) on
streame ses étapes dans le Chatbot.
"""
from __future__ import annotations
from typing import Any, Generator, Optional
def _get_app_module():
"""Récupère le module app DÉJÀ chargé via sys.modules. Sur HF
Spaces, app.py tourne comme __main__ (pas 'app'). Faire
`from app import X` re-load app.py SOUS LA CLÉ 'app' et déclenche
un bug Gradio (composants re-créés hors d'un contexte Blocks valide
→ 'Button' object has no attribute '_id'). Le pattern correct :
lire app.X via sys.modules sans jamais ré-importer.
Renvoie None si introuvable (= mode test isolé, p.ex. pytest)."""
import sys
m = sys.modules.get('__main__')
# On vérifie qu'on a bien le bon module — pas par exemple le
# __main__ d'un test pytest qui n'a pas nos symboles.
if m is not None and hasattr(m, 'pick_unblown_gemini_key'):
return m
return sys.modules.get('app')
def _content_to_text(content: Any) -> str:
"""Normalise un `AIMessage.content` LangChain en string plate
(TEXTE PARLÉ uniquement, exclut les blocs thinking/reasoning).
Selon le provider (Anthropic vs Gemini natif vs OpenAI), `m.content`
peut être :
- une str directe (cas le plus simple)
- une liste de blocs dict {type, text, ...} (Anthropic, Gemini SDK
natif quand reasoning_summary ou multimodal)
- une liste de str (rare)
- None (cas vide)
On extrait UNIQUEMENT les blocs de type 'text' — pas les blocs
'thinking'/'reasoning' (cf. `_content_to_thoughts` pour ça).
"""
if content is None:
return ""
if isinstance(content, str):
return content
if isinstance(content, list):
parts: list[str] = []
for block in content:
if isinstance(block, str):
parts.append(block)
elif isinstance(block, dict):
# On accepte UNIQUEMENT les blocs text (pas thinking).
btype = block.get("type")
if btype in (None, "text"):
txt = block.get("text")
if isinstance(txt, str):
parts.append(txt)
return "".join(parts)
# Cas pathologique : on tente str() en garde-fou
return str(content)
def _content_to_thoughts(content: Any) -> str:
"""Extrait UNIQUEMENT le chain-of-thought / raisonnement exposé
par le modèle dans `AIMessage.content`.
Reconnaît les deux formats coexistant dans LangChain :
- {"type": "thinking", "thinking": "..."} (Anthropic Extended
Thinking, Gemini langchain-google-genai v0)
- {"type": "reasoning", "reasoning": "..."} (OpenAI o1/o3,
Gemini langchain-google-genai v1, standard LangChain Core 1.0)
Renvoie "" si pas de thinking exposé (cas normal pour les modèles
sans thinking, ou Gemini sans `include_thoughts=True`).
"""
if content is None or isinstance(content, str):
return ""
if not isinstance(content, list):
return ""
parts: list[str] = []
for block in content:
if not isinstance(block, dict):
continue
btype = block.get("type")
if btype == "thinking":
txt = block.get("thinking")
if isinstance(txt, str) and txt.strip():
parts.append(txt)
elif btype == "reasoning":
txt = block.get("reasoning")
if isinstance(txt, str) and txt.strip():
parts.append(txt)
return "\n".join(parts)
# ---------- Narration lexicalisée des appels d'outils Jarvis ----------
# Pour les outils utilisés couramment dans les flux Jarvis, on remplace
# l'affichage technique « 🔧 tool_name(args) » par une phrase en français
# plus lisible. Fallback : si l'outil n'est pas dans la table, on garde
# l'affichage technique actuel (zéro régression sur les ~30 autres outils).
#
# Chaque entrée : {"start": fn(args)->str, "done": fn(result_str)->str}
# - `start` : phrase affichée AVANT l'exécution du tool (sur le tool_call)
# - `done` : phrase affichée APRÈS (sur le ToolMessage de retour)
# Si une fn lève une exception, on fait gracieusement fallback.
def _truncate(s: str, n: int = 60) -> str:
s = str(s or "").strip()
return s if len(s) <= n else s[:n - 1] + "…"
def strip_thinking_blocks(messages: list, keep_last: bool = True) -> list:
"""Filtre les blocs « thinking » / « reasoning » des AIMessage list-content.
Gemini 3.x avec `include_thoughts=True` produit un content sous forme
de liste `[{"type":"thinking", ...}, {"type":"text", ...}, ...]`.
Ces résumés de raisonnement coûtent 30-50% des tokens accumulés et
ne sont PAS nécessaires pour que l'agent continue son travail —
seuls les tool_calls et tool results comptent pour la continuité
d'action.
`keep_last=True` : garde le DERNIER bloc thinking de la session,
pour préserver le `thought_signature` que Gemini 3.x utilise entre
tours (sans quoi l'API peut rejeter le retour des tool_calls
enchaînés).
"""
if not messages:
return messages
# Trouver l'index du dernier AIMessage avec un thinking block
last_thinking_idx = -1
if keep_last:
for i, m in enumerate(messages):
content = getattr(m, "content", None)
if not isinstance(content, list):
continue
for blk in content:
if isinstance(blk, dict) and blk.get("type") in ("thinking", "reasoning"):
last_thinking_idx = i
break
out: list = []
for i, m in enumerate(messages):
content = getattr(m, "content", None)
if not isinstance(content, list):
out.append(m)
continue
if i == last_thinking_idx:
out.append(m) # garder tel quel pour la signature
continue
# Filtrer
filtered = [
blk for blk in content
if not (isinstance(blk, dict) and blk.get("type") in ("thinking", "reasoning"))
]
if filtered == content:
out.append(m)
continue
# Reconstruire (pydantic v2 model_copy)
try:
out.append(m.model_copy(update={"content": filtered}))
except Exception:
out.append(m) # fallback : on garde tel quel si copy échoue
return out
def build_relance_summary(messages: list, n_done: int, target: int,
relance_num: int,
max_relances: Optional[int] = None) -> str:
"""Construit un résumé condensé pour le HumanMessage de relance.
Au lieu de ré-injecter `accumulated_messages` complet (50-200 messages,
explosion des tokens), on liste :
- les triplets déjà CONSOLIDÉS (à préserver)
- les cibles déjà testées en échec (à ne pas reproposer, top 20)
- les couples (term, relation) déjà pré-fetchés
Le LLM reçoit cette synthèse + l'instruction « continue » et reprend
avec un brief propre, sans bagage cognitif.
"""
consolidated: list[str] = []
failed: list[str] = []
prefetched: set[str] = set()
for m in messages:
name = getattr(m, "name", None) or ""
content_str = str(getattr(m, "content", "") or "")
parsed = _parse_tool_result(content_str)
if not isinstance(parsed, dict):
continue
if name == "validate_candidate":
t = parsed.get("term") or "?"
r = parsed.get("relation") or "?"
tg = parsed.get("target") or "?"
triplet = f"{t} | {r} | {tg}"
if parsed.get("ready_for_submission") is True or parsed.get("consolidation_status") == "consolidated":
consolidated.append(triplet)
else:
failed.append(triplet)
elif name == "list_existing_for_enrichment":
t = parsed.get("term")
r = parsed.get("relation")
if t and r:
prefetched.add(f"{t} | {r}")
lines = [
f"⛔ STOP. Tu as consolidé **{n_done}/{target}** triplet(s) — il en manque "
f"{target - n_done}.",
]
if consolidated:
lines.append("")
lines.append("**Déjà consolidés (PRÉSERVE-les dans le fichier final)** :")
for c in consolidated:
lines.append(f" ✅ {c}")
if failed:
lines.append("")
lines.append("**Cibles déjà testées sans succès** (NE PAS reproposer) :")
cap = 20
for f in failed[:cap]:
lines.append(f" ⏸️ {f}")
if len(failed) > cap:
lines.append(f" … (+ {len(failed) - cap} autres)")
if prefetched:
lines.append("")
lines.append("**Pré-fetchs déjà effectués** (ne PAS rappeler "
"`list_existing_for_enrichment` dessus, le registre "
"côté Python te court-circuitera) :")
for p in sorted(prefetched):
lines.append(f" 📥 {p}")
lines.append("")
lines.append(
f"RECOMMENCE avec de NOUVEAUX candidats sur d'AUTRES relations / "
f"d'AUTRES cibles. Ne rends ta réponse finale QU'APRÈS avoir "
f"atteint le compte cible. (Relance auto {relance_num}"
+ (f"/{max_relances}" if max_relances is not None else "") + ".)"
)
return "\n".join(lines)
# Seuil de condensation proactive de l'historique. Au-delà, l'historique
# devient trop coûteux à ré-envoyer à chaque chunk → on remplace par
# [HumanMessage initial, HumanMessage(summary+nudge)] avant que le LLM
# n'explose le contexte. ~230k tokens ≈ 920k chars (heuristique simple
# « 1 token ≈ 4 chars »). On vise 230k au lieu de 240k pour garder une
# marge plus confortable sous le plafond effectif de ~250k tokens souvent
# touché en pratique sur Gemini free tier (limite serveur, pas la limite
# nominale 1M qui n'est pas toujours servie au free tier). Préfère
# condenser un peu plus tôt et plus souvent que rater des appels.
HISTORY_CONDENSE_THRESHOLD_CHARS = 920_000
# Nudges aléatoires injectés après un résumé condensé pour apporter de
# la variété et de la nouveauté entre relances. Trois variantes
# tirées au sort (random.choice) → l'agent ne reproduit pas le même
# ton ni la même stratégie deux fois de suite.
_CONDENSE_NUDGE_VARIANTS = [
"Continue en apportant plus de **variété et de nouveauté** dans tes "
"propositions — change de relation, change d'angle, ne reprends pas "
"ce qui a déjà été tenté.",
"Continue : lorsque tu cibles un terme source ou une cible à "
"**sens spécifique**, désambiguïse (`disambiguate`) puis propose / "
"consolide avec le ou les **raffinements** plutôt qu'avec le "
"terme générique.",
"Continue : tu **n'as pas de limites**. Tu peux utiliser des termes "
"techniques domain-specific, des néologismes, du vocabulaire de "
"niche — la langue n'a pas de cloisons, du moment que tu passes "
"par le flow d'enrichissement.",
]
def _history_total_chars(messages: list) -> int:
"""Estimation grossière du poids de l'historique en chars.
Sum(len(content)) sur tous les messages. Pas un comptage de tokens
précis mais suffisant pour le seuil de condensation (heuristique
1 token ≈ 4 chars)."""
return sum(len(str(getattr(m, "content", "") or "")) for m in messages)
def condense_history_with_nudge(
messages: list,
*,
consolidation_target: Optional[int],
attempt: int = 0,
) -> Optional[list]:
"""Condense `messages` en `[HumanMessage initial, HumanMessage(summary
+ nudge aléatoire)]` SI son poids dépasse `HISTORY_CONDENSE_THRESHOLD_CHARS`.
Retourne la nouvelle liste si la condensation a eu lieu, `None` sinon
(poids sous le seuil ou erreur).
Le summary est 100% déterministe (parcours Python — zéro appel LLM).
Le nudge est tiré aléatoirement parmi `_CONDENSE_NUDGE_VARIANTS` pour
apporter de la variété entre relances. La source de vérité du compteur
est `count_consolidations()` (registry cumulatif, survit aux resets).
Utilisé en DEUX endroits :
1. Après attente PerMinute (cf. except dans run_jarvis_flow)
2. Proactivement en cours de streaming dès que le seuil est atteint
(évite que le contexte LLM n'explose même sans rate-limit)
"""
total_chars = _history_total_chars(messages)
if total_chars <= HISTORY_CONDENSE_THRESHOLD_CHARS:
return None
try:
from langchain_core.messages import HumanMessage as _HM
from jdm_agent.enrich import count_consolidations
import random as _random
n_so_far = count_consolidations()
summary = build_relance_summary(
messages,
n_so_far,
consolidation_target or (n_so_far + 1),
attempt,
None,
)
nudge = _random.choice(_CONDENSE_NUDGE_VARIANTS)
return [
messages[0], # HumanMessage initial (le prompt original)
_HM(content=summary + "\n\n" + nudge),
]
except Exception:
return None
def count_consolidated_in_messages(messages: list) -> int:
"""Compte les triplets consolidés en parcourant les ToolMessages
`validate_candidate` accumulés pendant l'invocation agent.
Un triplet est compté comme consolidé si le retour contient soit
`ready_for_submission=True`, soit `consolidation_status="consolidated"`.
Robuste aux différents formats de sérialisation (JSON / Python repr).
"""
n = 0
for m in messages:
name = getattr(m, "name", None) or ""
if name != "validate_candidate":
continue
content = getattr(m, "content", "") or ""
parsed = _parse_tool_result(str(content))
if not isinstance(parsed, dict):
continue
if parsed.get("ready_for_submission") is True:
n += 1
elif parsed.get("consolidation_status") == "consolidated":
n += 1
return n
def is_invalid_api_key(exc) -> bool:
"""Détecte une clé API invalide (typo, révoquée, jamais activée
pour Gemini, etc.). Google renvoie alors 400 INVALID_ARGUMENT avec
`reason: 'API_KEY_INVALID'`. À traiter comme exclusion permanente
(la clé ne deviendra pas valide en attendant) → bascule de clé."""
msg = str(exc)
return "API_KEY_INVALID" in msg or "API key not valid" in msg
def _extract_quota_model(exc) -> Optional[str]:
"""Extrait l'identifiant du modèle concerné par un quota épuisé,
via `quotaDimensions.model` dans le message d'erreur.
Ex : « 'quotaDimensions': {'location': 'global',
'model': 'gemini-3.1-flash-lite'} » → renvoie 'gemini-3.1-flash-lite'.
Renvoie None si pas trouvé."""
import re
msg = str(exc)
m = re.search(r"'model'\s*:\s*'([^']+)'", msg)
if m:
return m.group(1)
m = re.search(r'"model"\s*:\s*"([^"]+)"', msg)
if m:
return m.group(1)
return None
def is_per_day_quota_exhausted(exc, expected_model: Optional[str] = None) -> bool:
"""Détecte les quotas QUOTIDIENS épuisés sur Gemini.
Logique STRICTE en deux temps :
1. PAS un 429 / RESOURCE_EXHAUSTED → False
2. PAS un PerDay → False :
- si le message contient « PerMinute » sans « PerDay » dans un
quotaId de violation → PerMinute, jamais PerDay.
- on regarde UNIQUEMENT le quotaId à l'intérieur de la première
« violations: [...] » de l'erreur (les autres quotaId qui
pourraient apparaître ailleurs — limits configurées,
messages de doc — sont ignorés).
3. si expected_model fourni : le quota doit cibler exactement
ce modèle (extrait via quotaDimensions).
Cible : éviter les faux positifs PerDay observés quand le payload
PerMinute contenait par ailleurs une mention « PerDay » dans une
description secondaire.
"""
import re
msg = str(exc)
if "RESOURCE_EXHAUSTED" not in msg and "429" not in msg:
return False
# Extrait le bloc 'violations: [...]' si présent. Le quotaId du
# quota EFFECTIVEMENT violé y est. Hors de ce bloc on peut trouver
# des quotaId informatifs (limits configurées, autres infos) qui
# ne doivent PAS déclencher la détection.
m = re.search(r"['\"]?violations['\"]?\s*:\s*\[(.*?)\]", msg, re.DOTALL)
block = m.group(1) if m else msg # fallback : tout le msg si pas trouvé
if not re.search(r"['\"]quotaId['\"]?\s*:\s*['\"][^'\"]*PerDay", block):
return False
# Sanity check final : si le bloc contient AUSSI un PerMinute
# violation mais pas un PerDay isolé → c'est PerMinute, pas PerDay.
has_perminute_violation = bool(re.search(
r"['\"]quotaId['\"]?\s*:\s*['\"][^'\"]*PerMinute", block))
has_perday_violation = bool(re.search(
r"['\"]quotaId['\"]?\s*:\s*['\"][^'\"]*PerDay", block))
if has_perminute_violation and not has_perday_violation:
return False
if not has_perday_violation:
return False
if expected_model is None:
return True
quota_model = _extract_quota_model(exc)
if quota_model is None:
return True # conservateur : on considère que ça concerne le modèle courant
return quota_model == expected_model
def detect_rate_limit_retry(exc) -> Optional[float]:
"""Détecte les erreurs 429 quota PerMinute Gemini (transients) et
extrait le délai de retry recommandé par l'API.
Ne renvoie un délai QUE pour les quotas PerMinute (fenêtres
glissantes qui se régénèrent vite). Les quotas PerDay sont
explicitement exclus → cf. `is_per_day_quota_exhausted` qui les
intercepte en amont pour signaler une exhaustion réelle.
Renvoie None si :
- pas un 429 / RESOURCE_EXHAUSTED
- pas un PerMinute (PerDay traité ailleurs)
- pas de retryDelay parseable
- délai > 120s
"""
import re
msg = str(exc)
if "RESOURCE_EXHAUSTED" not in msg and "429" not in msg:
return None
if "PerMinute" not in msg:
return None # PerDay ou autre → pas de retry ici
m = re.search(r"retry in ([\d.]+)s", msg)
if not m:
m = re.search(r"retryDelay['\"]?\s*:\s*['\"]?(\d+)s", msg)
if not m:
return None
try:
delay = float(m.group(1))
except ValueError:
return None
if delay > 120:
return None
return delay + 1.0
_PARSE_EMPTY = object() # sentinelle : contenu vide / blanc
_PARSE_UNPARSABLE = object() # sentinelle : ni JSON ni Python literal valide
def _parse_tool_result(content: str):
"""Parse défensif d'un retour de tool.
Retourne :
- `_PARSE_EMPTY` si le contenu est vide ou whitespace
- l'objet parsé (dict / list / str / int / float / bool / None) si
le contenu est du JSON valide
- l'objet parsé via `ast.literal_eval` si le contenu est un
Python literal valide (dict-repr avec single quotes, etc. —
LangChain sérialise parfois ainsi)
- `_PARSE_UNPARSABLE` si rien de tout ça ne marche
Note : ne renvoie PLUS de dict vide `{}` pour signaler une erreur ;
on utilise les sentinelles dédiées.
"""
import json
import ast
if not content or not str(content).strip():
return _PARSE_EMPTY
s = str(content).strip()
# 1) JSON canonique
try:
return json.loads(s)
except Exception:
pass
# 2) Python literal (dict-repr avec single quotes, tuples, etc.)
try:
return ast.literal_eval(s)
except Exception:
pass
return _PARSE_UNPARSABLE
def _format_done(content: str, fmt_dict) -> str:
"""Helper commun pour les callbacks 'done' du TOOL_NARRATION.
Parse le contenu, puis dispatche :
- vide → '→ vide'
- non parsable → '→ (résultat non parsable)'
- dict → délègue à `fmt_dict(d)`
- list → '→ N élément(s)'
- autre (str/int) → '→ {valeur tronquée}'
"""
parsed = _parse_tool_result(content)
if parsed is _PARSE_EMPTY:
return "→ vide"
if parsed is _PARSE_UNPARSABLE:
return "→ (résultat non parsable)"
if isinstance(parsed, dict):
try:
return fmt_dict(parsed)
except Exception:
return "→ (format inattendu)"
if isinstance(parsed, list):
return f"→ {len(parsed)} élément(s)"
return f"→ {_truncate(str(parsed), 80)}"
TOOL_NARRATION: dict[str, dict] = {
"list_existing_for_enrichment": {
"start": lambda a: (
f"📥 Je récupère ce qui existe déjà sur "
f"« {_truncate(a.get('term'))} » pour la relation "
f"`{a.get('relation_name') or a.get('relation') or '?'}`…"
),
"done": lambda c: _format_done(c, lambda d: (
f"→ {d.get('count', '?')} triplet(s) existant(s) trouvé(s)."
)),
},
"validate_candidate": {
"start": lambda a: (
f"🧪 Je teste le candidat « {_truncate(a.get('term'))} | "
f"{a.get('relation', '?')} | {_truncate(a.get('target'))} »…"
),
# Cascade d'affichage du verdict :
# 1. consolidation_status (résultat de l'inférence) prime
# 2. sinon validation_status (résultat de la validation structurelle)
# Note : `not_consolidated` est la VRAIE valeur renvoyée par
# consolidate_candidate quand l'inférence est silencieuse — l'ancien
# `silent` ne matchait jamais et tombait dans le fallback `→ ok`.
"done": lambda c: _format_done(c, lambda d: (
"✅ consolidé par inférence"
if d.get("consolidation_status") == "consolidated"
else "⏸️ non inférable à partir de JDM"
if d.get("consolidation_status") in ("not_consolidated", "silent")
else "❌ rejeté par inférence"
if d.get("consolidation_status") == "rejected"
# Pas de consolidation tentée → on lit le validation_status seul.
else "❌ doublon"
if d.get("validation_status") == "duplicate"
else "❌ cible inconnue de JDM"
if d.get("validation_status") == "unknown_term"
else "❌ contradiction directe dans JDM"
if d.get("validation_status") == "inconsistent"
else "⏸️ non inférable à partir de JDM"
if d.get("validation_status") == "ok"
else f"→ {d.get('validation_status', '?')}"
)),
},
"disambiguate": {
"start": lambda a: f"🔎 Je cherche les sens de « {_truncate(a.get('term'))} »…",
"done": lambda c: _format_done(c, lambda d: (
f"→ {len(d.get('senses') or d.get('refinements') or []) or '?'} sens trouvés."
)),
},
"lookup_term": {
"start": lambda a: f"📖 Je vérifie l'existence de « {_truncate(a.get('term'))} » dans JDM…",
"done": lambda c: _format_done(c, lambda d: (
"→ trouvé." if d.get("found") or d.get("id") else "→ inconnu."
)),
},
"get_relations_of_type": {
"start": lambda a: (
f"🔗 Je regarde les triplets « {_truncate(a.get('term'))} | "
f"{a.get('relation_name') or a.get('relation') or '?'} »…"
),
"done": lambda c: _format_done(c, lambda d: (
f"→ {d.get('count', len(d.get('triplets', [])) or '?')} relation(s) trouvée(s)."
)),
},
"write_submission_file": {
"start": lambda a: (
f"💾 J'écris le fichier de soumission ({len(a.get('triplets') or [])} item(s))"
+ (" et je le pousse à JDM…" if a.get("upload") else "…")
),
"done": lambda c: _format_done(c, lambda d: (
f"❌ {d['error']}" if d.get("error")
else f"→ écrit dans `{d.get('path', '?')}` ({d.get('count', '?')} ligne(s))."
)),
},
}
def _narrate_tool_call(name: str, args: dict) -> Optional[str]:
"""Renvoie une phrase narrative pour un tool_call si l'outil est
connu de TOOL_NARRATION, sinon None (le caller fera fallback sur
l'affichage technique)."""
spec = TOOL_NARRATION.get(name)
if not spec:
return None
try:
return spec["start"](args or {})
except Exception:
return None
def _narrate_tool_result(name: str, content: str) -> Optional[str]:
"""Renvoie une phrase narrative pour un ToolMessage si l'outil est
connu, sinon None."""
spec = TOOL_NARRATION.get(name)
if not spec:
return None
try:
return spec["done"](content)
except Exception:
return None
# ---------- Construction des pré-prompts ----------
def _is_bounded_budget(budget_label: str) -> bool:
"""True si le label correspond à une limite finie (et donc qu'il
faut prévenir le LLM du sentinel BUDGET_EXHAUSTED). Évite de
polluer le prompt quand l'utilisateur a choisi 'illimité'."""
if not budget_label:
return False
s = str(budget_label).strip().lower()
if s in ("illimité", "illimite", "unlimited", "none", "0", ""):
return False
return s.isdigit() and int(s) > 0
_RANDOM_TERM_INSTRUCTION = (
"Je n'ai pas précisé de terme — TIRE toi-même un mot français au "
"hasard et VARIÉ (varie domaine, registre, longueur, niveau "
"d'abstraction d'un essai à l'autre et d'une session à l'autre). "
"Évite les taxonomies scolaires (animaux, plantes) où JDM est "
"déjà dense. Vérifie d'abord qu'il existe via `lookup_term` ; "
"si non, recommence avec un autre — jusqu'à un terme exploitable."
)
def _norm_relations(rels) -> list[str]:
"""Normalise une entrée 'relations' qui peut être None, str ou liste."""
if rels is None:
return []
if isinstance(rels, str):
rels = [rels]
return [str(r).strip() for r in rels if r and str(r).strip()]
def build_enrich_prompt(
term: str,
relation=None,
target_count: int = 10,
vary_relations: bool = False,
iterate: bool = False,
budget_label: str = "25",
upload: bool = False,
) -> str:
"""Compose le pré-prompt d'enrichissement à partir du formulaire.
`relation` accepte str (rétro-compat), list ou None.
"""
term = (term or "").strip()
rels = _norm_relations(relation)
bounded = _is_bounded_budget(budget_label)
parts: list[str] = []
if term:
parts.append(f"Je veux ENRICHIR le terme « {term} » dans JDM.")
else:
parts.append("Je veux ENRICHIR un terme dans JDM.")
parts.append(_RANDOM_TERM_INSTRUCTION)
# Contrainte de portée selon ce que l'utilisateur a fourni :
# - term + rels → tous les triplets ont CE terme et UNE de CES
# relations ; seule la cible varie. (cas A)
# - term seul → CE terme reste fixe ; relation ET cible varient. (cas B)
# - rels seules → CES relations restent fixes ; le terme (source)
# varie pour produire des triplets variés. (cas C)
# - rien → tout est libre, comportement par défaut. (cas D)
if term and rels:
rel_str = ", ".join(f"`{r}`" for r in rels)
parts.append(
f"⚠️ IMPÉRATIF : tous les triplets proposés DOIVENT avoir "
f"« {term} » comme SOURCE et l'une des relations {rel_str} "
"comme PRÉDICAT. Tu varies les CIBLES uniquement. NE propose "
"AUCUN triplet sur un autre terme ou une autre relation — "
"même si elles paraissent intéressantes."
)
elif term and not rels:
parts.append(
f"⚠️ IMPÉRATIF : tous les triplets proposés DOIVENT avoir "
f"« {term} » comme SOURCE. Tu varies les RELATIONS et les "
"CIBLES, mais pas le terme."
)
elif rels and not term:
rel_str = ", ".join(f"`{r}`" for r in rels)
if len(rels) == 1:
parts.append(
f"⚠️ IMPÉRATIF : tous les triplets proposés DOIVENT "
f"utiliser la relation {rel_str} comme PRÉDICAT. Tu "
"varies les TERMES sources (et les cibles)."
)
else:
parts.append(
f"⚠️ IMPÉRATIF : tous les triplets proposés DOIVENT "
f"utiliser l'une des relations {rel_str} comme PRÉDICAT. "
"Tu varies les TERMES sources (et les cibles)."
)
# Cas D (ni term ni rels) : aucune contrainte injectée — l'agent
# est libre, _RANDOM_TERM_INSTRUCTION (plus haut) suffit pour
# orienter le tirage.
if vary_relations and not rels:
# 'Varier les relations' ne s'applique que si l'utilisateur n'a
# PAS imposé de relations spécifiques (sinon contradictoire).
parts.append(
"Varie explicitement les TYPES de relations explorées — "
"pas une seule, plusieurs angles."
)
parts.append(
f"Objectif : produire {int(target_count)} triplets candidats "
"CONSOLIDÉS (ready_for_submission=true)."
)
if iterate:
# Persistance EXPLICITE : sans ce paragraphe, les LLM abandonnent
# après 2-3 « non inférable » consécutifs en concluant que rien
# n'est consolidable. Or c'est NORMAL d'en avoir beaucoup (le
# moteur d'inférence est strict). La règle : tant que budget
# restant, GÉNÉRER d'autres candidats avec d'AUTRES relations.
if bounded:
parts.append(
"PERSISTANCE OBLIGATOIRE : itère jusqu'à atteindre le "
"nombre cible OU jusqu'à épuisement du budget. Recevoir "
"plusieurs « non inférable à partir de JDM » de suite "
"est NORMAL — le moteur d'inférence est strict et ne "
"consolide que ce qu'il peut prouver. Dans ce cas : "
"essaie d'AUTRES relations, d'AUTRES cibles, ne te "
"résigne pas. N'abandonne JAMAIS avant d'avoir épuisé "
"le budget ou atteint le nombre cible de consolidés."
)
else:
parts.append(
"PERSISTANCE ABSOLUE — N'ABANDONNE JAMAIS.\n"
"Tu es en BUDGET ILLIMITÉ. La valeur de ce que tu "
"produis est PROPORTIONNELLE au nombre de tentatives "
"que tu endures avant de trouver des candidats "
"consolidés. Recevoir 20, 50, 100 « non inférable à "
"partir de JDM » consécutifs est NORMAL et ATTENDU — "
"le moteur d'inférence est strict par construction.\n"
"RÈGLES :\n"
"1. NE JAMAIS s'arrêter après quelques échecs. Un "
"résultat à 0 consolidé après 20 essais n'est PAS "
"un échec : c'est la BASELINE attendue.\n"
"2. Tant que le nombre cible de consolidés n'est PAS "
"atteint, GÉNÈRE encore et encore des candidats — "
"varie systématiquement les relations, varie les "
"cibles, explore des angles obliques (relations "
"moins évidentes, sens raffinés, inverses).\n"
"3. Un seul triplet réellement consolidé après 50 "
"tentatives vaut INFINIMENT plus qu'une réponse "
"rapide « rien trouvé ». L'utilisateur a coché "
"« itérer » EXPRÈS pour que tu persistes.\n"
"4. NE rends ta réponse finale QUE quand tu as atteint "
"le nombre cible de consolidés."
)
if bounded:
parts.append(
f"Budget : {budget_label} appels d'outils maximum. Au-delà, "
"tu recevras un sentinel BUDGET_EXHAUSTED — arrête alors "
"immédiatement et compose ta réponse finale avec ce qui est "
"déjà consolidé."
)
if upload:
parts.append(
"Soumets directement le fichier d'enrichissement au "
"endpoint LLMDrops à la fin (write_submission_file avec "
"upload=True). La clé est dans l'env JDM_DROPS_API_KEY."
)
else:
parts.append(
"Écris le fichier d'enrichissement à la fin "
"(write_submission_file SANS upload=True) — l'utilisateur "
"décidera ensuite de le soumettre ou non."
)
parts.append(
"Tu SUIVRAS `enrichment_workflow()` en TOUT PREMIER pour le "
"flux canonique — c'est obligatoire."
)
return "\n".join(parts)
def build_audit_prompt(
term: str,
relation=None,
budget_label: str = "50",
upload: bool = False,
) -> str:
"""Compose le pré-prompt d'audit à partir du formulaire.
`relation` accepte str (rétro-compat), list ou None.
"""
term = (term or "").strip()
rels = _norm_relations(relation)
parts: list[str] = []
if term:
parts.append(f"Je veux AUDITER le terme « {term} » dans JDM.")
else:
parts.append(
"Je veux AUDITER un terme POLYSÉMIQUE dans JDM (chercher des "
"contaminations du générique par des sens non-premiers)."
)
parts.append(_RANDOM_TERM_INSTRUCTION + (
" IMPORTANT : pour l'audit, le terme tiré doit être "
"POLYSÉMIQUE (plusieurs sens dans disambiguate) ; sinon "
"retire un autre mot."
))
if len(rels) == 1:
parts.append(f"Restreins l'audit à la relation `{rels[0]}`.")
elif len(rels) > 1:
parts.append(
"Restreins l'audit à ces relations : "
+ ", ".join(f"`{r}`" for r in rels) + "."
)
else:
parts.append(
"Pas de relation imposée : couvre un nombre suffisant de "
"types de relations (variées) pour faire un audit représentatif."
)
if _is_bounded_budget(budget_label):
parts.append(
f"Budget : {budget_label} appels d'outils maximum. Au-delà, "
"arrête et compose ta synthèse avec ce que tu as déjà examiné."
)
if upload:
parts.append("Soumets ensuite le fichier .audit à JDM (LLMDrops).")
else:
parts.append(
"Écris le fichier .audit (sans upload) — l'utilisateur "
"décidera ensuite de la soumission."
)
parts.append(
"Tu SUIVRAS `audit_workflow()` en TOUT PREMIER. C'est obligatoire."
)
return "\n".join(parts)
def build_gap_prompt(
term: str,
relations: Optional[list[str]] = None,
budget_label: str = "25",
) -> str:
"""Compose le pré-prompt de détection de trous à partir du formulaire."""
term = (term or "").strip()
parts: list[str] = []
if term:
parts.append(f"Je veux DÉTECTER les trous de JDM pour le terme « {term} ».")
else:
parts.append("Je veux DÉTECTER les trous de JDM pour un terme.")
parts.append(_RANDOM_TERM_INSTRUCTION)
rels = _norm_relations(relations)
if rels:
parts.append(
"Relations cibles : " + ", ".join(f"`{r}`" for r in rels) + "."
)
else:
parts.append(
"Pas de relation imposée : choisis-les toi-même (variées, "
"couvre un nombre suffisant de types)."
)
if _is_bounded_budget(budget_label):
parts.append(
f"Budget : {budget_label} appels d'outils maximum."
)
parts.append(
"Pour chaque gap identifié, propose explicitement les 3 actions "
"(Enrichir / Auditer / Stats) avec le format `term | relation | "
"type_de_gap` pour que je puisse les router."
)
parts.append(
"Tu SUIVRAS `gap_detection_workflow()` en TOUT PREMIER. Obligatoire."
)
return "\n".join(parts)
def build_signalement_prompt(
term: str,
relation=None,
budget_label: str = "50",
upload: bool = False,
) -> str:
"""Compose le pré-prompt de signalement à partir du formulaire.
`relation` accepte str (rétro-compat), list ou None.
"""
term = (term or "").strip()
rels = _norm_relations(relation)
parts: list[str] = []
if term:
parts.append(
f"Je veux SIGNALER les triplets suspects de JDM pour « {term} »."
)
else:
parts.append("Je veux SIGNALER les triplets suspects de JDM pour un terme.")
parts.append(_RANDOM_TERM_INSTRUCTION)
if len(rels) == 1:
parts.append(f"Restreins le scan à la relation `{rels[0]}` seule.")
elif len(rels) > 1:
parts.append(
"Restreins le scan à ces relations : "
+ ", ".join(f"`{r}`" for r in rels) + "."
)
else:
parts.append(
"Pas de relation imposée : choisis-les toi-même (variées, "
"couvre un nombre suffisant de types)."
)
parts.append(
"Utilise TON JUGEMENT linguistique de francophone — pas besoin "
"de vérifier chaque suspect par un outil, ta suspicion vaut. "
"Suis la grille de signaux du workflow (sémantiques + structurels)."
)
if _is_bounded_budget(budget_label):
parts.append(
f"Budget : {budget_label} appels d'outils maximum. Limite à ~20 "
"suspects max pour éviter le bruit."
)
else:
parts.append("Limite à ~20 suspects max pour éviter le bruit.")
if upload:
parts.append("Soumets ensuite le fichier .err à JDM (LLMDrops).")
else:
parts.append("Écris le fichier .err sans upload.")
parts.append(
"Tu SUIVRAS `signalement_workflow()` en TOUT PREMIER. Obligatoire."
)
return "\n".join(parts)
def build_stats_prompt(
term: str = "",
relation=None,
budget_label: str = "50",
upload: bool = False,
) -> str:
"""Compose le pré-prompt de stats à partir du formulaire.
`relation` accepte str, list ou None. Une seule relation passée →
mode PAR_RELATION focalisé ; plusieurs → mode PAR_RELATION sur
chacune ; aucune + terme → mode PAR_TERME (relations choisies par
le LLM).
"""
term = (term or "").strip()
rels = _norm_relations(relation)
rel_label = (
f"`{rels[0]}`" if len(rels) == 1
else (", ".join(f"`{r}`" for r in rels) if rels else "")
)
parts: list[str] = []
if term and rels:
parts.append(
f"Je veux des STATISTIQUES JDM sur le terme « {term} », "
f"RESTREINTES à la/aux relation(s) {rel_label}."
)
parts.append(
"⚠️ Limite-toi STRICTEMENT à cette/ces relation(s) — n'en "
"examine aucune autre, même par souci de couverture."
)
elif term:
parts.append(
f"Je veux des STATISTIQUES JDM sur le terme « {term} » "
"(mode PAR_TERME : couverture relation par relation)."
)
elif rels:
parts.append(
f"Je veux des STATISTIQUES JDM sur la/les relation(s) "
f"{rel_label} (mode PAR_RELATION : distribution sur "
"termes-pivots variés)."
)
parts.append(
"⚠️ Limite-toi STRICTEMENT à cette/ces relation(s) — "
"n'en examine aucune autre."
)
else:
parts.append(
"Je veux des STATISTIQUES JDM mais je n'ai pas précisé "
"le terme ni la relation — exécute le mode PAR_TERME sur "
"un terme tiré au hasard."
)
parts.append(_RANDOM_TERM_INSTRUCTION)
if _is_bounded_budget(budget_label):
parts.append(
f"Budget : {budget_label} appels d'outils maximum."
)
# La consigne 'couvre N types' ne s'applique QUE si aucune relation
# n'est imposée — sinon contradictoire avec la restriction stricte.
if not rels:
parts.append(
"Couvre un nombre SUFFISANT de types de relations (au moins "
"8-12 différents) — qualité statistique."
)
parts.append(
"Rends DEUX vues complémentaires :\n"
" 1) TABLEAU par RELATION : une ligne par relation (n_total, "
"n_pos, n_neg, max_w, min_w, mean_w).\n"
" 2) TABLEAU par TERMES RENCONTRÉS : agrège les cibles "
"(targets) toutes relations confondues — top 20 par "
"occurrence/poids — avec nb_relations_distinctes et "
"poids_total. Permet de voir quels termes reviennent souvent.\n"
"Plus 3-5 observations BRÈVES et FACTUELLES après les tableaux."
)
if upload:
parts.append(
"Soumets directement le fichier `.stat` à JDM (LLMDrops) à "
"la fin (`write_submission_file(..., upload=True)`)."
)
else:
parts.append(
"Écris le fichier `.stat` à la fin "
"(`write_submission_file(..., upload=False)`) — l'utilisateur "
"décidera ensuite de le soumettre ou non."
)
parts.append(
"Tu SUIVRAS `stats_workflow()` en TOUT PREMIER. Obligatoire."
)
return "\n".join(parts)
# ---------- Exécution de flow agent (avec budget) ----------
# Mapping label dropdown → limite numérique. `"illimité"` → None.
BUDGET_LABEL_TO_LIMIT: dict[str, Optional[int]] = {
"10": 10, "25": 25, "50": 50, "100": 100, "illimité": None,
}
def _extract_submission_path(tool_message_content: str) -> Optional[str]:
"""Extrait le chemin du fichier produit par write_submission_file.
Le ToolMessage contient un dict sérialisé en JSON (ou en repr Python).
On regarde la clé `path` MAIS on retourne None si :
- `error` est présent dans le dict (l'écriture a échoué)
- `path` est vide
- le fichier n'existe pas physiquement (filet anti-régression
contre les chemins valides retournés sans fichier derrière)
"""
import json
import re
from pathlib import Path
if not tool_message_content:
return None
def _validate(p: str) -> Optional[str]:
if not p:
return None
try:
if Path(p).exists():
return p
except Exception:
pass
return None
try:
d = json.loads(tool_message_content)
if isinstance(d, dict):
if d.get("error"):
return None
p = d.get("path")
if p:
return _validate(str(p))
except Exception:
pass
# Fallback regex : si on ne peut pas parser le JSON, on extrait la
# valeur de path mais on valide quand même l'existence du fichier.
if "'error'" in tool_message_content or '"error"' in tool_message_content:
return None
m = re.search(r"['\"]path['\"]\s*:\s*['\"]([^'\"]+)['\"]", tool_message_content)
if m:
return _validate(m.group(1))
return None
def _read_file_preview(path: Optional[str], max_chars: int = 6000) -> str:
"""Lit le contenu d'un fichier produit, tronqué à `max_chars` pour le preview UI."""
if not path:
return ""
try:
from pathlib import Path
text = Path(path).read_text(encoding="utf-8")
except Exception as e:
return f"⚠️ Impossible de lire {path} : {e}"
if len(text) > max_chars:
return text[:max_chars] + f"\n\n… [{len(text) - max_chars} caractères supplémentaires non affichés — télécharge le fichier pour tout voir]"
return text
def submit_existing_file(
file_path: Optional[str],
drops_key: str,
model_name: str,
current_chat: Optional[list[dict]] = None,
) -> list[dict]:
"""Soumet un fichier .enrich/.audit/.err déjà produit au LLMDrops JDM.
À utiliser pour le bouton « 📤 Soumettre » post-hoc des sous-onglets
Jarvis. Si une clé est fournie côté UI (`drops_key`), elle override
temporairement `JDM_DROPS_API_KEY` le temps de l'appel.
Renvoie la liste de messages mise à jour pour le `gr.Chatbot` (append
d'un message assistant avec le verdict).
"""
import os
from jdm_agent.enrich.uploader import submit_to_jdm
chat = list(current_chat) if current_chat else []
if not file_path:
chat.append({
"role": "assistant",
"content": "⚠️ Aucun fichier produit à soumettre."
})
return chat
saved = os.environ.get("JDM_DROPS_API_KEY")
if drops_key and drops_key.strip():
os.environ["JDM_DROPS_API_KEY"] = drops_key.strip()
try:
result = submit_to_jdm(file_path, model_name=(model_name or "").strip() or None)
finally:
if drops_key and drops_key.strip():
if saved is None:
os.environ.pop("JDM_DROPS_API_KEY", None)
else:
os.environ["JDM_DROPS_API_KEY"] = saved
if result.get("ok"):
chat.append({
"role": "assistant",
"content": (
f"✅ Fichier soumis à JDM (status {result.get('status_code')}) — "
f"uploadé sous le nom `{result.get('uploaded_as')}`.\n\n"
f"Réponse serveur : `{result.get('response')}`"
)
})
else:
chat.append({
"role": "assistant",
"content": f"❌ Échec de soumission : {result.get('error', 'inconnu')}"
})
return chat
def has_drops_key(ui_key: str = "") -> bool:
"""True si une clé LLMDrops est disponible (UI override OU env)."""
import os
if ui_key and ui_key.strip():
return True
return bool(os.environ.get("JDM_DROPS_API_KEY", "").strip())
def run_jarvis_flow(
prompt: str,
*,
headline: str = "",
model: str,
api_key: str,
budget_label: str,
drops_key: str,
build_llm_fn,
build_agent_fn,
get_client_fn,
use_thinking: bool = True,
consolidation_target: Optional[int] = None,
max_persistence_relances: Optional[int] = None,
auto_switch_on_perday: bool = False,
resume_state: Optional[dict] = None,
) -> Generator[tuple, None, None]:
"""Générateur qui pilote un agent avec budget pour un sous-onglet
Jarvis, et yield des tuples (messages_chatbot, file_path, file_preview)
compatibles avec 3 composants Gradio :
- `gr.Chatbot(type="messages")`
- `gr.File`
- `gr.Code`/`gr.Markdown`/`gr.Textbox`
Le messaging modèle :
- message 1 : user → headline court (PAS le prompt complet)
- message 2 : assistant → contenu progressivement mis à jour
pendant le streaming (tool calls + résultats partiels + réponse)
`file_path` reste None jusqu'à ce qu'un `write_submission_file` soit
détecté dans le stream, puis pointe sur le fichier produit. La 3e
valeur est le preview texte (lecture tronquée) ou "" si pas de fichier.
Args:
prompt : pré-prompt construit par `build_*_prompt` (envoyé
au LLM mais NON affiché à l'utilisateur)
headline : résumé court 1-ligne affiché dans la bulle « user »
model : modèle LLM
api_key : clé visiteur (vide si modèle hébergé Space)
budget_label : "10" / "25" / "50" / "100" / "illimité"
drops_key : clé LLMDrops (override env)
build_llm_fn : `_build_llm` (injection pour éviter import circulaire)
build_agent_fn: `build_jdm_agent` idem
get_client_fn : `get_client` idem
Yields:
(messages, file_path, file_preview)
"""
# Bulle user affichée — résumé léger, JAMAIS le prompt technique
user_display = headline.strip() or "🚀 Demande envoyée."
import os
from jdm_agent.tools.budget import budget_context
from jdm_agent.enrich.validators import exclusion_context
from jdm_agent.enrich import count_consolidations
from langchain_core.messages import AIMessage, HumanMessage, ToolMessage
def _pending_line() -> str:
"""Ligne « génération en cours ». Le compteur cumulatif des
triplets consolidés est affiché UNIQUEMENT pour l'enrichissement
(= seul flow où consolidation_target est défini). Les autres
flows (audit, gap, signalement, stats) n'ont pas la sémantique
de « consolidation » → on n'expose pas un compteur trompeur.
"""
if consolidation_target:
n = count_consolidations()
return f"*⏳ Génération en cours… ({n}/{consolidation_target} consolidés)*"
return "*⏳ Génération en cours…*"
def _current_file_path() -> Optional[str]:
"""Renvoie canonical_path dès qu'il existe sur disque (auto-append
l'aura créé au 1er triplet consolidé) — priorité absolue car
c'est CE fichier qui contient l'historique complet du run en
temps réel. Sinon fallback sur last_file_path (path écrit par
le LLM via write_submission_file) qui peut être un .audit/.err
legitimately différent."""
try:
from pathlib import Path as _PathCheck
if _PathCheck(canonical_path).exists():
return canonical_path
except Exception:
pass
return last_file_path
# Override env var pour LLMDrops si une clé est fournie côté UI
saved_drops_key: Optional[str] = None
if drops_key and drops_key.strip():
saved_drops_key = os.environ.get("JDM_DROPS_API_KEY")
os.environ["JDM_DROPS_API_KEY"] = drops_key.strip()
last_file_path: Optional[str] = None
try:
# LLM + agent — pool Gemini : on track la clé courante pour
# pouvoir basculer sur quota PerDay (cf. retry plus bas).
current_gemini_key: Optional[str] = None
try:
# Si modèle Gemini natif, on pick une clé du pool en explicite
# pour pouvoir la marquer "blown" plus tard si nécessaire.
try:
_app = _get_app_module()
if _app is None:
raise RuntimeError("app module unavailable")
GEMINI_MODELS = _app.GEMINI_MODELS
pick_unblown_gemini_key = _app.pick_unblown_gemini_key
_set_current_key = _app.set_current_gemini_key
_set_current_model = _app.set_current_model
# Pick pour TOUS les Gemini (3.1, 3.5, 2.5…), pas seulement
# NATIVE_REQUIRED. Sinon 2.5 (qui passe par l'endpoint
# OpenAI-compat) ne reçoit pas la clé du pool et tombe
# sur l'env GOOGLE_API_KEY brut = CSV des 4 clés non
# parsé = INVALID_KEY garanti.
if model in GEMINI_MODELS:
current_gemini_key = pick_unblown_gemini_key(model)
# Fallback : pool vide → env GOOGLE_API_KEY (mais
# _parse_google_keys → 1ère du CSV, pas CSV brut).
if not current_gemini_key:
keys = _app._parse_google_keys()
if keys:
current_gemini_key = keys[0]
_set_current_key(current_gemini_key)
# Annonce le modèle actif → préfixe ✅ dans le dropdown.
_set_current_model(model)
except Exception:
pass # app pas importable (test mode) → comportement standard
llm = build_llm_fn(model, api_key, use_thinking=use_thinking,
gemini_key_override=current_gemini_key)
except ValueError as e:
yield (
[{"role": "user", "content": user_display},
{"role": "assistant", "content": f"⚠️ {e}"}],
None, "",
)
return
agent = build_agent_fn(client=get_client_fn(), llm=llm)
limit = BUDGET_LABEL_TO_LIMIT.get(budget_label, 25)
# Deux listes parallèles :
# - progress_live : affichée pendant le streaming, thinking tronqué
# pour éviter les blocs de texte massifs qui noient l'UI.
# - progress_full : version complète sans troncature, montrée à la
# FIN dans un <details> collapsible « Voir le raisonnement ».
progress_live: list[str] = ["*🧠 Réflexion en cours…*"]
progress_full: list[str] = []
final_answer: str = ""
def _add_line(live: str, full: Optional[str] = None) -> None:
"""Ajoute une ligne aux 2 listes (full = live par défaut)."""
progress_live.append(live)
progress_full.append(full if full is not None else live)
# OPTION C — path canonique unique pour CE run.
# Timestamp + 6 premiers chars du hash du prompt → unicité même
# si même prompt re-lancé. Tout va dans /tmp/jdm_outputs (la
# seule destination fiable sur HF Spaces).
# OPTION B — à la fin du flow on dumpe TOUT le registry de
# consolidation dans ce path. Garantit que le fichier final
# contient toutes les consolidations du run, même si le LLM
# a écrit dans plusieurs paths intermédiaires ou si rien.
import hashlib
import time as _time_mod
_ts = _time_mod.strftime("%Y%m%d_%H%M%S")
_hash = hashlib.sha1((prompt or "").encode("utf-8")).hexdigest()[:6]
canonical_path = f"/tmp/jdm_outputs/jdm_{_ts}_{_hash}.enrich"
# Yield initial : user message + assistant placeholder, pas encore de fichier
yield (
[{"role": "user", "content": user_display},
{"role": "assistant", "content": "\n\n".join(progress_live)}],
None, "",
)
# Retry sur quota PerMinute Gemini : on attend le délai annoncé
# par l'API et on CONTINUE le travail en cours — on ne repart
# PAS de zéro. Les messages déjà produits (HumanMessage,
# AIMessage avec tool_calls, ToolMessage de retour) sont
# accumulés et passés tel quel à la nouvelle invocation
# agent.stream(), qui reprend là où la précédente s'est arrêtée
# (langgraph create_agent supporte le restart par history).
#
# Le budget_context et exclusion_context vivent À L'EXTÉRIEUR
# de la boucle de retry → compteur d'outils et registry
# d'exclusion MAINTENUS à travers la pause.
import time as _time
# Si on est en mode RESUME (l'utilisateur a cliqué « Continuer
# avec 3.1 » après un PerDay), on restaure l'état sauvé au lieu
# de partir d'un HumanMessage frais. accumulated_messages a déjà
# été passé par strip_thinking_blocks dans le state.
if resume_state is not None and resume_state.get("accumulated_messages"):
accumulated_messages = list(resume_state["accumulated_messages"])
if resume_state.get("progress_live"):
progress_live = list(resume_state["progress_live"])
if resume_state.get("progress_full"):
progress_full = list(resume_state["progress_full"])
if resume_state.get("last_file_path"):
last_file_path = resume_state["last_file_path"]
_add_line(
"*▶️ Reprise du flow interrompu (PerDay) sur "
f"`{model}` — l'agent continue exactement où il s'était arrêté.*"
)
else:
accumulated_messages = [HumanMessage(content=prompt)]
# `persistence_relances` : nombre de relances déjà tentées via
# nudge. Fix structurel du biais d'abandon du LLM — si le LLM
# finalise prématurément (= consolidés < target alors qu'on a
# demandé iterate), on injecte un HumanMessage qui le force à
# reprendre, et on relance le streaming. Cap à
# `max_persistence_relances` pour éviter les boucles infinies.
# NB : chaque relance ouvre un NOUVEAU budget_context (compteur
# reset par relance) — c'est volontaire : le budget label est
# interprété « par session de streaming », pas « total absolu ».
persistence_relances = 0
persistence_done = False
budget = None # accessible hors du with pour le compteur final
# exclusion_context AUTOUR du while persistance : sans ça le
# registry de consolidation est wipé entre chaque relance car
# le with exit + re-enter à chaque tour → count_consolidations()
# repartirait de 0 et le fix cumulatif serait inopérant. Avec
# exclusion_context ici, le registry persiste sur TOUT le run.
# budget_context reste dans la boucle (compteur reset par relance
# = comportement actuel volontaire, budget interprété par session
# de streaming).
# Entrée MANUELLE du context manager (__enter__/__exit__) pour
# ne pas re-indenter tout le while → fermé dans le finally du try
# principal (cf. plus bas).
_excl_ctx = exclusion_context()
_excl_ctx.__enter__()
# Active l'auto-append : chaque register_consolidation écrit
# immédiatement la ligne dans canonical_path. L'UI verra le
# fichier grossir EN TEMPS RÉEL sans dépendre du LLM appelant
# write_submission_file. Désactivé dans le finally.
from jdm_agent.enrich import set_consolidation_output_path
set_consolidation_output_path(canonical_path)
while not persistence_done:
rate_limit_attempts = 0
# Hits de rate limit CONSÉCUTIFS sans aucun chunk reçu
# entre. Cap dur à 3 = quotas Google croisés bloqués,
# inutile de boucler. Reset à 0 dès qu'on reçoit un chunk
# (= du vrai progrès LLM s'est produit).
consecutive_rate_limit_hits = 0
MAX_CONSECUTIVE_RATE_LIMIT = 3
proactive_condense_count = 0
with budget_context(limit=limit) as budget:
# boucle retry quota : ILLIMITÉ tant que le délai
# retry est court (cf. detect_rate_limit_retry, cap
# interne à 120s par hit) ET qu'on fait du progrès
# entre deux hits. Si quotas croisés (3 hits sans
# progrès), on tombe en erreur finale.
while True:
_need_restart_after_condense = False
try:
for chunk in agent.stream(
{"messages": accumulated_messages},
stream_mode="updates",
):
# Reset du compteur de rate limit consécutifs :
# on a reçu un chunk = vrai progrès LLM, donc
# le quota a libéré quelque chose entre temps.
consecutive_rate_limit_hits = 0
# chunk = dict {node_name: {"messages": [msg, ...]}}
for _node, payload in chunk.items():
msgs = (payload or {}).get("messages") or []
for m in msgs:
# Accumulation pour permettre la reprise
# après pause quota (cf. retry plus bas).
accumulated_messages.append(m)
if isinstance(m, AIMessage):
tcs = getattr(m, "tool_calls", []) or []
# 1) Chain-of-thought (Anthropic Extended,
# Gemini avec include_thoughts, o1/o3).
# Style : blockquote + <small> + couleur
# grisée + italique pour le distinguer
# nettement des outils et du texte parlé,
# et signaler son statut « pensée » plutôt
# qu'action. Pas de troncature : Gemini
# renvoie déjà une SYNTHÈSE côté API
# (jamais les raw thoughts), inutile de
# re-raboter.
thoughts = _content_to_thoughts(m.content)
if thoughts.strip():
t = thoughts.strip()
# Le thinking contient souvent des
# newlines markdown (\n\n) qui REFERMENT
# le span/div HTML — d'où le bug observé
# où seule la 1re ligne avait le style.
# Fix : on convertit tous les retours en
# <br> HTML pour rester inline-block, et
# on enveloppe dans un <div> bloc (les
# styles bloc s'appliquent au tout).
# Markdown interne au thinking (genre
# `code` ou *italique*) ne sera pas
# rendu — acceptable pour un bloc déjà
# marqué comme « discret ».
t_html = (
t.replace("&", "&")
.replace("<", "<")
.replace(">", ">")
.replace("\n", "<br>")
)
line = (
f"<div class=\"jdm-thinking\">"
f"💭 {t_html}</div>"
)
_add_line(line)
# 2) Texte parlé entre 2 tool_calls (Claude/
# GPT le font ; Gemini souvent vide).
# Blockquote normal pour le distinguer du
# thinking (qui est plus discret).
spoken = _content_to_text(m.content)
if tcs and spoken.strip():
_add_line(f"> 💬 {spoken.strip()}")
if tcs:
for tc in tcs:
name = tc.get("name", "?")
tc_args = tc.get("args") or {}
narrated = _narrate_tool_call(name, tc_args)
if narrated:
_add_line(
f'<div class="jdm-narration">'
f'{narrated}</div>'
)
else:
args_str = ", ".join(
f"{k}={v!r}"
for k, v in tc_args.items()
)
_add_line(
f'<div class="jdm-narration">'
f'🔧 `{name}({args_str})`</div>'
)
# Ajoute en bas un indicateur fugace
# « génération en cours » pour qu'on
# sache que ça tourne (le LLM peut
# tarder à produire sa réponse finale
# ou son prochain tool_call). Cette
# ligne disparaît au prochain yield
# ou au yield final.
live_with_pending = (
"\n\n".join(progress_live)
+ "\n\n" + _pending_line()
)
yield (
[{"role": "user", "content": user_display},
{"role": "assistant",
"content": live_with_pending}],
last_file_path,
_read_file_preview(last_file_path),
)
else:
# Pas de tool_calls → réponse finale
final_answer = spoken
elif isinstance(m, ToolMessage):
content = _content_to_text(m.content)
if m.name == "write_submission_file":
p = _extract_submission_path(content)
if p:
last_file_path = p
narrated_done = _narrate_tool_result(m.name, content)
if narrated_done:
_add_line(
f'<div class="jdm-narration">'
f'{narrated_done}</div>'
)
else:
preview = content[:120].replace("\n", " ")
if len(content) > 120:
preview += "…"
_add_line(
f'<div class="jdm-narration">'
f'✓ *{m.name}* renvoie {len(content)} chars : `{preview}`'
f'</div>'
)
live_with_pending = (
"\n\n".join(progress_live)
+ "\n\n" + _pending_line()
)
yield (
[{"role": "user", "content": user_display},
{"role": "assistant",
"content": live_with_pending}],
_current_file_path(),
_read_file_preview(_current_file_path()),
)
# FIN DE CHUNK : check si historique
# dépasse le seuil → condensation proactive
# (mêmes conditions que post-PerMinute :
# build_relance_summary + nudge random).
# Si condensé, on BREAK le for chunk et on
# CONTINUE le while True pour relancer
# agent.stream avec les messages condensés.
chars_before = _history_total_chars(accumulated_messages)
if chars_before > HISTORY_CONDENSE_THRESHOLD_CHARS:
condensed = condense_history_with_nudge(
accumulated_messages,
consolidation_target=consolidation_target,
attempt=proactive_condense_count,
)
if condensed is not None:
proactive_condense_count += 1
accumulated_messages = condensed
_add_line(
f"*🗜️ Historique condensé "
f"({chars_before // 1000}k chars → résumé, "
f"relance {proactive_condense_count}) — "
f"l'agent reprend avec un nudge frais.*"
)
yield (
[{"role": "user", "content": user_display},
{"role": "assistant",
"content": "\n\n".join(progress_live)}],
last_file_path,
_read_file_preview(last_file_path),
)
_need_restart_after_condense = True
break # sort du for chunk
if _need_restart_after_condense:
continue # relance agent.stream avec accumulated_messages condensé
# Sortie normale de la boucle for chunk → quitter while
break
except Exception as e:
# Quota PerMinute Gemini ET premier essai : on attend
# le délai, on AFFICHE un message d'attente, et on
# CONTINUE le travail en cours — on ne reset PAS les
# progress lists, et on relance agent.stream() en
# passant les `accumulated_messages` pour que langgraph
# reprenne là où il en était (les messages déjà
# produits = HumanMessage + AIMessages + ToolMessages).
# 1) Quota QUOTIDIEN épuisé.
# Si on a un POOL de clés (GOOGLE_API_KEYS CSV),
# on marque la clé courante comme blown et on
# tente de basculer sur la suivante non-blown.
# Sinon (pool vide / toutes blown), on signale
# et on stop.
# 0) Clé API invalide (typo, révoquée). Marquer
# la clé courante comme invalide pour la session
# et basculer sur la suivante du pool. Même
# logique que PerDay (rebuild LLM + agent +
# continue), mais marquage différent (permanent).
if is_invalid_api_key(e):
# On NE MARQUE INVALIDE que si c'est le modèle
# protégé (3.1) qui rejette la clé. Pour les
# autres modèles (2.5, 3.5), un INVALID_KEY
# peut être trompeur (endpoint OpenAI-compat
# qui retourne ce code pour d'autres raisons
# — modèle non dispo, version, etc.). Marquer
# globalement invalide pourrait gâcher une
# clé pourtant valide pour 3.1.
_app = _get_app_module()
_PROTECTED = (getattr(_app, 'GEMINI_POOL_PROTECTED_MODEL',
"gemini-3.1-flash-lite")
if _app else "gemini-3.1-flash-lite")
if model != _PROTECTED:
# Abort + DIAG complet pour pouvoir tracer
# honnêtement (cas 2.5 qui renvoie INVALID
# alors que clé valide pour 3.1).
diag_lines = [
f"⚠️ **`API_KEY_INVALID` pour `{model}`** "
f"alors que clé attendue valide pour `{_PROTECTED}`."
f"\n\n**Diagnostic du dernier build LLM** :",
]
try:
db = getattr(_app, '_DEBUG_LAST_BUILD', {}) or {}
if not db:
diag_lines.append("- *(_DEBUG_LAST_BUILD vide)*")
for k, v in db.items():
diag_lines.append(f"- `{k}` : `{v}`")
except Exception as _ex:
diag_lines.append(f"- *(diag indisponible : {_ex})*")
diag_lines.append(
"\n**Exception brute Gemini** (premiers 1500 chars) :"
)
diag_lines.append(f"```\n{str(e)[:1500]}\n```")
diag_lines.append(
f"\n➡️ Pour l'instant, bascule sur "
f"`{_PROTECTED}` ou un BYOK. La clé n'est "
f"PAS marquée invalide globalement."
)
yield (
[{"role": "user", "content": user_display},
{"role": "assistant",
"content": "\n".join(diag_lines)}],
last_file_path,
_read_file_preview(last_file_path),
)
return
switched = False
try:
if _app is None:
raise RuntimeError("app module unavailable")
mark_gemini_key_invalid = _app.mark_gemini_key_invalid
pick_unblown_gemini_key = _app.pick_unblown_gemini_key
gemini_pool_size = _app.gemini_pool_size
if current_gemini_key:
mark_gemini_key_invalid(current_gemini_key)
next_key = pick_unblown_gemini_key(
model, skip=current_gemini_key
)
if next_key:
pool_n = gemini_pool_size()
current_gemini_key = next_key
try:
_app.set_current_gemini_key(current_gemini_key)
except Exception:
pass
llm = build_llm_fn(
model, api_key,
use_thinking=use_thinking,
gemini_key_override=current_gemini_key,
)
agent = build_agent_fn(
client=get_client_fn(), llm=llm
)
_add_line(
f"*🔑 Clé Google invalide détectée — "
f"bascule sur une autre clé du pool "
f"(pool : {pool_n} clés).*"
)
yield (
[{"role": "user", "content": user_display},
{"role": "assistant",
"content": "\n\n".join(progress_live)}],
last_file_path,
_read_file_preview(last_file_path),
)
switched = True
except Exception:
pass
if switched:
continue
# Yield au chatbot avec DIAGNOSTIC : ce qui
# a été parsé depuis GOOGLE_API_KEYS (4 chars
# début + 4 chars fin + longueur de chaque
# clé) pour vérifier que le parsing CSV
# n'a rien tronqué.
try:
_app = _get_app_module()
if _app is None:
raise RuntimeError("app module unavailable")
_parse_keys = _app._parse_google_keys
_masked_key = _app._masked_key
parsed = _parse_keys()
diag = "\n".join(
f" - {i+1}. {_masked_key(k)}"
for i, k in enumerate(parsed)
) or " (aucune clé parsée)"
except Exception:
parsed = []
diag = " (diagnostic indisponible)"
err_msg = (
"❌ **Toutes les clés Google du pool ont "
"échoué**.\n\n"
f"**Diagnostic** : {len(parsed)} clé(s) "
f"parsée(s) depuis `GOOGLE_API_KEYS` :\n"
f"{diag}\n\n"
"Vérifie ci-dessus que chaque clé a la "
"**longueur attendue (~39 chars)** et "
"commence par `AIza`. Si une clé est "
"tronquée → problème de parsing CSV.\n\n"
"Sinon, causes possibles côté Google :\n"
"1. Clés non activées pour l'**API "
"Generative Language** (Google Cloud "
"Console).\n"
"2. Clés d'un projet sans accès aux "
"modèles Gemini 3.x.\n"
"3. Quotas PerDay tous épuisés (reset "
"à minuit UTC).\n\n"
"Bascule sur un modèle BYOK Claude / GPT."
)
yield (
[{"role": "user", "content": user_display},
{"role": "assistant", "content": err_msg}],
last_file_path,
_read_file_preview(last_file_path),
)
return
# PerDay : on TRACE TOUJOURS la clé courante
# comme blown pour ce modèle (visuel dropdown
# « épuisé »). On ne BASCULE de clé que si on
# est sur le modèle protégé (gemini-3.1-flash-
# lite, 500 req/jour). Pour les autres (quotas
# ~20 req/jour), on remonte l'erreur après le
# marquage.
_app = _get_app_module()
if _app is not None:
_PROTECTED = getattr(_app, 'GEMINI_POOL_PROTECTED_MODEL', "gemini-3.1-flash-lite")
_mark_blown_fn = getattr(_app, 'mark_gemini_key_blown', None)
else:
_PROTECTED = "gemini-3.1-flash-lite"
_mark_blown_fn = None
if is_per_day_quota_exhausted(e, expected_model=model):
if _mark_blown_fn and current_gemini_key:
_mark_blown_fn(current_gemini_key, model)
# PerDay sur modèle non-protégé.
# Deux modes :
# - auto_switch_on_perday=True (option C) : on
# bascule silencieusement sur _PROTECTED et
# on continue le flow (state préservé via
# accumulated_messages, strip_thinking pour
# les tokens).
# - sinon (option B, défaut) : ABORT, save
# state stripped, yield un 5-tuple avec
# state + marker → le wrapper affiche un
# bouton « Continuer avec 3.1 ».
if (model != _PROTECTED
and is_per_day_quota_exhausted(e, expected_model=model)
and _app is not None):
try:
_app.set_current_model(_PROTECTED)
except Exception:
pass
if auto_switch_on_perday and current_gemini_key:
# Option C : auto-retry silencieux
try:
accumulated_messages = strip_thinking_blocks(
accumulated_messages, keep_last=True
)
model = _PROTECTED
llm = build_llm_fn(
model, api_key,
use_thinking=use_thinking,
gemini_key_override=current_gemini_key,
)
agent = build_agent_fn(
client=get_client_fn(), llm=llm
)
_add_line(
f"*🔄 Quota épuisé — bascule auto "
f"sur `{_PROTECTED}`, je continue.*"
)
yield (
[{"role": "user", "content": user_display},
{"role": "assistant",
"content": "\n\n".join(progress_live)}],
last_file_path,
_read_file_preview(last_file_path),
)
continue
except Exception:
pass # fallback sur abort si erreur
# Option B (défaut) : abort + save state +
# yield 5-tuple pour activer bouton continuer.
try:
stripped = strip_thinking_blocks(
accumulated_messages, keep_last=True
)
except Exception:
stripped = accumulated_messages
saved_state = {
"accumulated_messages": stripped,
"progress_full": list(progress_full),
"progress_live": list(progress_live),
"last_file_path": last_file_path,
"user_display": user_display,
}
switch_msg = (
f"⚠️ **Modèle `{model}` épuisé pour "
f"aujourd'hui** (quota quotidien).\n\n"
f"Le sélecteur est passé sur "
f"`{_PROTECTED}` (500 req/j).\n\n"
f"➡️ Clique sur **« ▶️ Continuer avec "
f"`{_PROTECTED}` »** pour reprendre EXACTEMENT "
f"où l'agent s'est arrêté (state préservé), "
f"ou re-clique « Lancer » pour repartir de "
f"zéro."
)
yield (
[{"role": "user", "content": user_display},
{"role": "assistant", "content": switch_msg}],
last_file_path,
_read_file_preview(last_file_path),
saved_state,
"show_continue_btn",
)
return
if (model == _PROTECTED
and is_per_day_quota_exhausted(e, expected_model=model)):
switched = False
try:
_app = _get_app_module()
if _app is None:
raise RuntimeError("app module unavailable")
mark_gemini_key_blown = _app.mark_gemini_key_blown
pick_unblown_gemini_key = _app.pick_unblown_gemini_key
gemini_pool_size = _app.gemini_pool_size
if current_gemini_key:
mark_gemini_key_blown(current_gemini_key, model)
next_key = pick_unblown_gemini_key(
model, skip=current_gemini_key
)
if next_key:
# Rebuild LLM + agent avec la nouvelle clé.
pool_n = gemini_pool_size()
current_gemini_key = next_key
try:
_app.set_current_gemini_key(current_gemini_key)
except Exception:
pass
llm = build_llm_fn(
model, api_key,
use_thinking=use_thinking,
gemini_key_override=current_gemini_key,
)
agent = build_agent_fn(
client=get_client_fn(), llm=llm
)
_add_line(
f"*🔄 Quota quotidien atteint sur "
f"cette clé Google — bascule sur "
f"une autre clé du pool "
f"(pool : {pool_n} clés).*"
)
yield (
[{"role": "user", "content": user_display},
{"role": "assistant",
"content": "\n\n".join(progress_live)}],
last_file_path,
_read_file_preview(last_file_path),
)
switched = True
except Exception:
pass # bascule indisponible → on raise comme avant
if switched:
continue # reprend la boucle avec la nouvelle clé
raise RuntimeError(
"Quota quotidien Gemini free tier épuisé sur "
"TOUTES les clés du pool (ou pool vide). Le "
"quota se réinitialise à minuit UTC. Réessaie "
"demain ou bascule sur un modèle BYOK "
"(Claude / GPT)."
) from e
# 2) Rate limit PerMinute → retry avec attente
retry_delay = detect_rate_limit_retry(e)
if retry_delay is not None:
consecutive_rate_limit_hits += 1
# Filet : 3 hits PerMinute consécutifs sans
# progrès = quotas glissants croisés bloqués.
if consecutive_rate_limit_hits >= MAX_CONSECUTIVE_RATE_LIMIT:
raise RuntimeError(
f"Quotas Gemini free tier croisés "
f"({consecutive_rate_limit_hits} hits "
f"PerMinute consécutifs sans progrès). "
f"Les fenêtres glissantes ne s'ouvrent "
f"jamais en même temps. Réessaie dans "
f"quelques minutes ou bascule sur un "
f"modèle BYOK (Claude / GPT)."
) from e
rate_limit_attempts += 1
wait_msg = (
f"*⏳ Quota Gemini free tier atteint — j'attends "
f"{retry_delay:.0f}s puis je CONTINUE le travail "
f"en cours (pas de redémarrage).*"
)
current_progress = "\n\n".join(progress_live)
yield (
[{"role": "user", "content": user_display},
{"role": "assistant",
"content": current_progress + "\n\n" + wait_msg}],
_current_file_path(), _read_file_preview(_current_file_path()),
)
_time.sleep(retry_delay)
# PAS de reset des progress / last_file_path.
# MAIS strip des blocs thinking pour réduire
# massivement les tokens ré-envoyés (le LLM
# n'a pas besoin de ses propres pensées pour
# continuer — juste des tool_calls et résultats).
# On garde le DERNIER thinking pour préserver
# le thought_signature Gemini 3.x.
accumulated_messages = strip_thinking_blocks(
accumulated_messages, keep_last=True
)
# Condensation proactive si APRÈS strip
# l'historique reste massif (>seuil). Le
# helper renvoie None si pas nécessaire,
# ou la nouvelle liste [initial, summary
# + nudge random] sinon. Logique identique
# à la condensation proactive en cours de
# streaming (cf. fin du for chunk).
chars_before = _history_total_chars(accumulated_messages)
condensed = condense_history_with_nudge(
accumulated_messages,
consolidation_target=consolidation_target,
attempt=rate_limit_attempts,
)
if condensed is not None:
accumulated_messages = condensed
_add_line(
f"*🗜️ Historique condensé "
f"({chars_before // 1000}k chars → résumé) — "
f"l'agent reprend avec un nudge frais.*"
)
# Yield immédiat — sans ça la ligne n'est
# poussée à Gradio QU'AU PROCHAIN chunk,
# qui peut tarder (PerMinute en boucle) →
# l'utilisateur ne voyait jamais le message
# condensé, juste « j'attends Xs ».
yield (
[{"role": "user", "content": user_display},
{"role": "assistant",
"content": "\n\n".join(progress_live)}],
last_file_path,
_read_file_preview(last_file_path),
)
continue
# Pas un quota retryable, ou déjà tenté : erreur finale
err_block = ""
if progress_full:
err_block = (
f"\n\n<details><summary>🧠 Voir les étapes avant erreur "
f"({len(progress_full)})</summary>\n\n"
f"{(chr(10)*2).join(progress_full)}\n\n</details>"
)
# PRÉSERVATION DU FICHIER SUR ERREUR : on yield
# _current_file_path() (priorité canonical_path
# si auto-append a écrit quelque chose) pour
# que l'utilisateur garde son fichier de
# consolidation même quand l'API LLM crashe.
yield (
[{"role": "user", "content": user_display},
{"role": "assistant",
"content": f"❌ Erreur agent : {e}" + err_block}],
_current_file_path(), _read_file_preview(_current_file_path()),
)
return
# Sortie normale du with → check persistance.
# Si le LLM a finalisé prématurément (consolidés < target)
# et qu'on a encore des relances disponibles, on injecte un
# nudge et on relance le with (= nouveau budget_context,
# mais accumulated_messages conservé donc l'agent reprend
# avec tout son contexte).
if consolidation_target is None:
persistence_done = True
continue
# Source de vérité = registry GLOBAL des consolidations
# (cumulatif depuis l'entrée dans exclusion_context, survit
# aux RESET de accumulated_messages opérés par les relances
# persistance). count_consolidated_in_messages() était
# défaillant ici car il ne voyait que les ToolMessages du
# tour COURANT — chaque relance était comptée from scratch
# → boucle infinie possible si le LLM consolide < target
# par tour. Cf. bug observé : « il a déjà ses 15 mais il
# pense être à deux ».
from jdm_agent.enrich import count_consolidations
n_done = count_consolidations()
if n_done >= consolidation_target:
persistence_done = True
continue
# Pas de cap dur sur les relances persistance — on continue
# tant que le LLM finalise sans avoir atteint le target.
# Si l'utilisateur veut un cap, il passe max_persistence_relances
# (par défaut None = illimité).
if max_persistence_relances is not None and persistence_relances >= max_persistence_relances:
persistence_done = True
continue
# On relance avec un nudge fort.
persistence_relances += 1
# Construit un résumé condensé (consolidés / échecs / pré-fetchs)
# à partir des accumulated_messages, PUIS reset à juste :
# [HumanMessage initial, HumanMessage du résumé+nudge]
# → drop massif des tokens (de ~50k à ~2k typiquement).
# Le LLM reprend frais avec un état explicite plutôt que de
# devoir digérer 50+ messages avec leurs raisonnements.
summary = build_relance_summary(
accumulated_messages, n_done, consolidation_target,
persistence_relances, max_persistence_relances,
)
initial_human = accumulated_messages[0] # HumanMessage(prompt)
accumulated_messages = [
initial_human,
HumanMessage(content=summary),
]
_cap_label = (
f"/{max_persistence_relances}"
if max_persistence_relances is not None else ""
)
_add_line(
f"*🔁 Relance automatique {persistence_relances}{_cap_label} — "
f"{n_done}/{consolidation_target} consolidés, on continue.*"
)
yield (
[{"role": "user", "content": user_display},
{"role": "assistant", "content": "\n\n".join(progress_live)}],
last_file_path, _read_file_preview(last_file_path),
)
# Boucle continue → nouveau with budget_context + nouvelle
# invocation agent.stream avec accumulated_messages enrichi.
# Réponse finale : on remplace les progress_lines par la réponse
# définitive du modèle, suivie d'un footer avec compteur (limite
# n'est mentionnée que si elle est bornée).
n = budget.count
if budget.limit:
footer = (
f"\n\n---\n*Budget : {n} appel{'s' if n > 1 else ''} "
f"d'outils consommé{'s' if n > 1 else ''} / {budget.limit}.*"
)
if budget.exhausted:
footer += " ⚠️ **Budget atteint** — relance avec un budget plus large si besoin."
else:
footer = (
f"\n\n---\n*Budget illimité — {n} appel{'s' if n > 1 else ''} "
f"d'outils consommé{'s' if n > 1 else ''}.*"
)
# Bloc collapsible <details> avec la trace complète : résumé de
# raisonnement (le « thought summary » de Gemini, déjà condensé
# côté API — pas de version raw exposée) + texte parlé +
# tool_calls + retours, dans l'ordre chronologique. Replié par
# défaut pour ne pas polluer la réponse.
#
# Libellé adaptatif :
# - raisonnement ON → « Voir le résumé du raisonnement (N étapes) »
# - raisonnement OFF → « Voir les étapes (N étapes) »
# (pas de raisonnement LLM dans le bloc, juste la narration des
# appels d'outils et leurs résultats)
reasoning_block = ""
if progress_full:
full_text = "\n\n".join(progress_full)
n_steps = len(progress_full)
plural = "s" if n_steps > 1 else ""
if use_thinking:
summary_label = (
f"🧠 Voir le résumé du raisonnement "
f"({n_steps} étape{plural})"
)
else:
summary_label = f"🧠 Voir les étapes ({n_steps} étape{plural})"
reasoning_block = (
f"\n\n<details><summary>{summary_label}</summary>\n\n"
f"{full_text}\n\n</details>"
)
# OPTION B — FUSION FINALE depuis le registry de consolidation.
# On dumpe TOUS les triplets consolidés du run (cumulatif via le
# registry survivant grâce à exclusion_context wrappant le while
# persistance) dans canonical_path. Garantit que le fichier
# affiché contient TOUT, peu importe ce que le LLM a écrit dans
# des paths intermédiaires ou si certaines écritures ont été
# écrasées par des appels successifs.
try:
from jdm_agent.enrich import list_consolidations
from jdm_agent.enrich.pipeline import write_submission as _write_sub
from jdm_agent.enrich import Candidate as _Candidate
from pathlib import Path as _Path
entries = list_consolidations()
if entries:
_Path(canonical_path).parent.mkdir(parents=True, exist_ok=True)
cands = [
_Candidate(
term=e["term"], relation=e["relation"], target=e["target"],
annotation="",
consolidation_explanation=e.get("explanation") or "",
confidence=0.8, source="agent",
validation_status="ok",
consolidation_status="consolidated",
)
for e in entries
]
_write_sub(canonical_path, cands, client=get_client_fn())
last_file_path = canonical_path
_add_line(
f"*📦 Fichier final fusionné : {len(entries)} triplets "
f"consolidés écrits dans `{canonical_path}` "
f"(garantit que rien n'est perdu).*"
)
except Exception as _e:
# Safety : si la fusion finale foire, on ne casse pas le flow,
# on garde last_file_path tel que la dernière écriture LLM
# l'avait laissé.
_add_line(
f"*⚠️ Fusion finale impossible : {_e}. Le fichier affiché "
f"correspond à la dernière écriture du LLM.*"
)
final_content = (
(final_answer or "*(réponse vide)*")
+ footer
+ reasoning_block
)
yield (
[{"role": "user", "content": user_display},
{"role": "assistant", "content": final_content}],
_current_file_path(), _read_file_preview(_current_file_path()),
)
finally:
# Désactive l'auto-append (path persistait globalement)
try:
from jdm_agent.enrich import set_consolidation_output_path
set_consolidation_output_path(None)
except Exception:
pass
# Ferme manuellement l'exclusion_context ouvert avant le
# while persistance (cf. __enter__ plus haut). Try/except pour
# supporter le cas où _excl_ctx n'a pas été initialisé (erreur
# tres precoce dans le run).
try:
_excl_ctx.__exit__(None, None, None)
except Exception:
pass
# Restore env var si on l'avait modifiée
if drops_key and drops_key.strip():
if saved_drops_key is None:
os.environ.pop("JDM_DROPS_API_KEY", None)
else:
os.environ["JDM_DROPS_API_KEY"] = saved_drops_key
|