Version 1.5RC

src/mcp_server/server.py

@@ -2,6 +2,7 @@ import gradio as gr
 import os
 import sys
 import json
+from typing import List, Dict, Any
 
 # Ajout du répertoire racine au path pour permettre les imports absolus 'src.xxx'
 sys.path.append(os.path.abspath(os.path.join(os.path.dirname(__file__), "../..")))
@@ -31,7 +32,7 @@ PROVIDER_MODELS = {
 # --- Wrappers pour Gradio UI (Exposed as MCP Tools) ---
 # Ces wrappers permettent d'avoir une UI conviviale tout en exposant les fonctions via MCP avec des noms explicites pour les agents.
 
-def step_1_initialisation_and_proposal(project_name, description, type, model_id, provider_id):
+def step_1_initialisation_and_proposal(project_name, description, model_id, provider_id):
     """
     STEP 1: Starts a new tool project and uses AI to propose code.
     
@@ -40,12 +41,11 @@ def step_1_initialisation_and_proposal(project_name, description, type, model_id
     Args:
         project_name: The technical name of the tool (e.g., 'weather-fetcher').
         description: A natural language description of what the tool should do, or a raw Swagger/OpenAPI JSON specification.
-        type: The type of tool pattern (e.g., 'adhoc' for custom logic, 'api_wrapper' for REST clients).
         model_id: The LLM model to use for code generation (default: Qwen/Qwen2.5-Coder-32B-Instruct).
         provider_id: The inference provider to use. Options: 'together', 'fal-ai', 'replicate', 'sambanova', 'hyperbolic', or None (auto).
     """
-    # 1. Initialisation du projet
-    init_result = tools.init_project(project_name, description, type)
+    # 1. Initialisation du projet (type 'adhoc' par défaut)
+    init_result = tools.init_project(project_name, description, type="adhoc")
     draft_id = init_result.get("draft_id", "")
     
     # 2. Génération de la proposition par LLM
@@ -70,7 +70,7 @@ def step_1_initialisation_and_proposal(project_name, description, type, model_id
         out_comp                    # output_component_ui (Dropdown)
     )
 
-def step_2_logic_definition(draft_id, python_code, inputs, output_desc, requirements, output_component):
+def step_2_logic_definition(draft_id: str, python_code: str, inputs: Dict[str, Any], output_desc: str, requirements: List[str], output_component: str = "text"):
     """
     STEP 2: Validates and saves the tool code.
     
@@ -289,9 +289,6 @@ with gr.Blocks(title="Meta-MCP Fractal") as demo:
             placeholder="Décrivez ce que doit faire l'outil, ou collez ici le contenu d'un fichier swagger.json pour générer un client API automatiquement."
         )
         
-        with gr.Row():
-            project_type = gr.Dropdown(choices=["adhoc", "api_wrapper"], value="adhoc", label="Type")
-        
         with gr.Accordion("Paramètres IA (Avancé)", open=False):
             provider_id = gr.Dropdown(
                 label="Provider d'Inférence", 
@@ -413,8 +410,8 @@ with gr.Blocks(title="Meta-MCP Fractal") as demo:
     # 1. Init -> Remplissage auto de l'onglet 2 (Logic) et copie de l'ID vers onglet 3 (Deploy)
     btn_init.click(
         step_1_initialisation_and_proposal, 
-        inputs=[project_name, project_desc, project_type, model_id, provider_id], 
-        outputs=[out_init, draft_id_logic, python_code, inputs_dict, output_desc, requirements_box, output_component_ui],
+        inputs=[project_name, project_desc, model_id, provider_id], 
+        outputs=[out_init, draft_id_logic, python_code, inputs_dict, output_desc, requirements_box],
         api_name="step_1_initialisation_and_proposal"
     ).then(
         fn=lambda x: x,