src/agent/query_planner.py

"""
MODULE: QUERY PLANNER (OAG)
===========================
Responsabilité : Analyser la question, vérifier le schéma réel, 
et décider de la meilleure stratégie (SPARQL vs FAISS vs Multi-étapes).
"""
import json
import re

class QueryPlanner:
    def __init__(self, rdf_store, schema_info):
        self.rdf = rdf_store
        self.schema = schema_info # Provient de SchemaExtractor.get_real_schema()

    def analyze_and_plan(self, user_query):
        """
        Détermine si la question est :
        1. Sémantique (Recherche d'un dossier client/prêt spécifique)
        2. Analytique (Comptage, Somme, Croisement global)
        3. Invalide (Donnée absente du schéma)
        """
        
        # 1. ANALYSE DES MOTS CLÉS (Simplifiée)
        is_analytical = any(word in user_query.lower() for word in [
            'combien', 'total', 'somme', 'moyenne', 'liste tous', 'liste les', 'nombre'
        ])
        
        # 2. VÉRIFICATION DU SCHÉMA (Prévention d'hallucination)
        # On regarde si les termes de la question match avec nos prédicats réels
        available_preds = self.schema.get("predicates", [])
        found_preds = [p for p in available_preds if p.lower() in user_query.lower()]

        # 3. DÉCISION DE LA STRATÉGIE
        
        # CAS A : Recherche d'un individu ou d'un dossier précis
        if not is_analytical and not found_preds:
            return {
                "strategy": "OG-RAG",
                "tool": "search_semantic",
                "reason": "La question semble porter sur un individu ou un cas spécifique non défini par un prédicat exact.",
                "steps": [f"Rechercher le bloc contextuel pour : {user_query}"]
            }

        # CAS B : Question de masse ou croisement (Analytique)
        if is_analytical:
            return {
                "strategy": "OAG-SPARQL",
                "tool": "execute_sparql",
                "reason": "La question nécessite une agrégation ou un filtrage sur l'ensemble de la base.",
                "steps": ["Traduire en requête SPARQL optimisée", "Valider les prédicats contre le schéma réel"]
            }

        # CAS C : Hybride (Par défaut)
        return {
            "strategy": "HYBRID",
            "tool": "execute_sparql",
            "reason": "Usage de prédicats identifiés dans le schéma réel.",
            "steps": ["Générer SPARQL avec les prédicats validés"]
        }

    def get_planning_logs(self, plan):
        """Génère un affichage propre pour le chat utilisateur"""
        log = f"🎯 **Stratégie adoptée** : `{plan['strategy']}`\n"
        log += f"🤔 **Raisonnement** : {plan['reason']}\n"
        log += "📋 **Plan d'exécution** :\n"
        for i, step in enumerate(plan['steps'], 1):
            log += f"  {i}. {step}\n"
        return log