Repository navigation
Expand file tree
/
Copy pathdocs.html
More file actions
1385 lines (1198 loc) · 58.5 KB
/
Copy pathdocs.html
File metadata and controls
1385 lines (1198 loc) · 58.5 KB
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
<!DOCTYPE html>
<html lang="fr">
<head>
<meta charset="UTF-8" />
<meta name="viewport" content="width=device-width, initial-scale=1.0" />
<title>Oracle LoreKeeper — Documentation</title>
<link rel="preconnect" href="https://fonts.googleapis.com" />
<link href="https://fonts.googleapis.com/css2?family=Inter:wght@400;500;600;700&family=JetBrains+Mono:wght@400;500&display=swap" rel="stylesheet" />
<link rel="stylesheet" href="https://cdnjs.cloudflare.com/ajax/libs/highlight.js/11.9.0/styles/github-dark.min.css" />
<script src="https://cdnjs.cloudflare.com/ajax/libs/highlight.js/11.9.0/highlight.min.js"></script>
<style>
*, *::before, *::after { box-sizing: border-box; margin: 0; padding: 0; }
:root {
--amber: #f59e0b;
--amber-light: #fef3c7;
--amber-dark: #d97706;
--sidebar-bg: #0f172a;
--sidebar-text: #94a3b8;
--sidebar-active: #f59e0b;
--sidebar-hover: #1e293b;
--header-h: 60px;
--sidebar-w: 268px;
--toc-w: 220px;
--content-max: 760px;
--slate-50: #f8fafc;
--slate-100: #f1f5f9;
--slate-200: #e2e8f0;
--slate-400: #94a3b8;
--slate-500: #64748b;
--slate-600: #475569;
--slate-700: #334155;
--slate-900: #0f172a;
--green: #10b981;
--blue: #3b82f6;
--purple: #8b5cf6;
--red: #ef4444;
}
html { scroll-behavior: smooth; }
body {
font-family: 'Inter', sans-serif;
background: #fff;
color: var(--slate-700);
font-size: 15px;
line-height: 1.7;
}
/* ─── HEADER ─── */
header {
position: fixed; top: 0; left: 0; right: 0; z-index: 100;
height: var(--header-h);
background: #fff;
border-bottom: 1px solid var(--slate-200);
display: flex; align-items: center; padding: 0 24px;
gap: 24px;
}
.logo {
display: flex; align-items: center; gap: 10px;
font-weight: 700; font-size: 16px; color: var(--slate-900);
text-decoration: none; white-space: nowrap;
}
.logo-icon {
width: 32px; height: 32px;
background: linear-gradient(135deg, #f59e0b, #d97706);
border-radius: 8px;
display: flex; align-items: center; justify-content: center;
font-size: 16px;
}
.logo-sep { color: var(--slate-300); margin: 0 4px; }
nav { display: flex; align-items: center; gap: 4px; margin-left: auto; }
nav a {
font-size: 14px; font-weight: 500;
color: var(--slate-500);
text-decoration: none;
padding: 6px 12px; border-radius: 6px;
transition: background .15s, color .15s;
}
nav a:hover { background: var(--slate-100); color: var(--slate-900); }
.btn-primary {
background: var(--amber); color: #fff !important;
font-weight: 600 !important; border-radius: 6px;
}
.btn-primary:hover { background: var(--amber-dark) !important; }
/* ─── SIDEBAR ─── */
aside {
position: fixed; top: var(--header-h); left: 0; bottom: 0;
width: var(--sidebar-w);
background: var(--sidebar-bg);
overflow-y: auto; overflow-x: hidden;
padding: 20px 0 40px;
scrollbar-width: thin; scrollbar-color: #1e293b transparent;
}
aside::-webkit-scrollbar { width: 4px; }
aside::-webkit-scrollbar-track { background: transparent; }
aside::-webkit-scrollbar-thumb { background: #1e293b; border-radius: 2px; }
.nav-section { margin-bottom: 8px; }
.nav-section-title {
font-size: 11px; font-weight: 700; letter-spacing: .08em;
text-transform: uppercase;
color: #475569;
padding: 12px 20px 4px;
}
.nav-item {
display: block;
font-size: 13.5px; font-weight: 450;
color: var(--sidebar-text);
text-decoration: none;
padding: 5px 20px;
border-left: 2px solid transparent;
transition: all .15s;
}
.nav-item:hover { color: #e2e8f0; background: var(--sidebar-hover); }
.nav-item.active {
color: var(--amber);
border-left-color: var(--amber);
background: rgba(245,158,11,.08);
font-weight: 500;
}
.nav-sub {
display: block;
font-size: 13px; font-weight: 400;
color: #64748b;
text-decoration: none;
padding: 4px 20px 4px 32px;
border-left: 2px solid transparent;
transition: all .15s;
}
.nav-sub:hover { color: #cbd5e1; background: var(--sidebar-hover); }
.nav-sub.active { color: var(--amber); border-left-color: var(--amber); }
/* ─── MAIN ─── */
main {
margin-left: var(--sidebar-w);
margin-top: var(--header-h);
padding: 48px 40px 80px;
max-width: calc(var(--sidebar-w) + var(--content-max) + var(--toc-w) + 80px);
}
.content-wrap {
max-width: var(--content-max);
}
/* ─── TOC ─── */
.toc {
position: fixed;
top: calc(var(--header-h) + 40px);
right: 0;
width: var(--toc-w);
padding: 0 24px;
max-height: calc(100vh - var(--header-h) - 60px);
overflow-y: auto;
}
.toc-title {
font-size: 11px; font-weight: 700; letter-spacing: .08em;
text-transform: uppercase; color: var(--slate-400);
margin-bottom: 8px;
}
.toc a {
display: block;
font-size: 12.5px; color: var(--slate-500);
text-decoration: none;
padding: 3px 0;
border-left: 2px solid var(--slate-200);
padding-left: 10px;
transition: all .15s;
}
.toc a:hover { color: var(--slate-900); border-left-color: var(--amber); }
.toc a.active { color: var(--amber); border-left-color: var(--amber); font-weight: 500; }
.toc a.toc-sub { padding-left: 22px; font-size: 12px; }
/* ─── CONTENT TYPOGRAPHY ─── */
.section { margin-bottom: 72px; }
h1 {
font-size: 32px; font-weight: 700;
color: var(--slate-900); line-height: 1.25;
margin-bottom: 16px;
}
h2 {
font-size: 24px; font-weight: 700;
color: var(--slate-900); line-height: 1.3;
margin-top: 56px; margin-bottom: 16px;
padding-top: 8px;
border-top: 1px solid var(--slate-200);
scroll-margin-top: 80px;
}
h3 {
font-size: 18px; font-weight: 600;
color: var(--slate-800); line-height: 1.4;
margin-top: 32px; margin-bottom: 12px;
scroll-margin-top: 80px;
}
h4 {
font-size: 15px; font-weight: 600;
color: var(--slate-700);
margin-top: 20px; margin-bottom: 8px;
}
p { margin-bottom: 16px; color: var(--slate-600); }
a { color: var(--amber-dark); text-decoration: none; }
a:hover { text-decoration: underline; }
ul, ol { margin: 0 0 16px 20px; color: var(--slate-600); }
li { margin-bottom: 4px; }
strong { color: var(--slate-800); font-weight: 600; }
/* ─── CODE ─── */
pre {
background: #0d1117;
border-radius: 10px;
padding: 20px;
overflow-x: auto;
margin: 16px 0 24px;
font-size: 13px;
line-height: 1.6;
border: 1px solid #1e293b;
}
code {
font-family: 'JetBrains Mono', monospace;
font-size: 13px;
}
p code, li code, td code {
background: var(--slate-100);
color: #c7254e;
padding: 2px 6px;
border-radius: 4px;
font-size: 12.5px;
}
/* ─── TABLES ─── */
.table-wrap { overflow-x: auto; margin: 16px 0 24px; }
table {
width: 100%; border-collapse: collapse;
font-size: 14px;
}
th {
background: var(--slate-50);
text-align: left; font-weight: 600;
color: var(--slate-700);
padding: 10px 14px;
border-bottom: 2px solid var(--slate-200);
}
td {
padding: 9px 14px;
border-bottom: 1px solid var(--slate-100);
color: var(--slate-600);
vertical-align: top;
}
tr:last-child td { border-bottom: none; }
tr:hover td { background: var(--slate-50); }
/* ─── BADGES ─── */
.badge {
display: inline-block;
font-size: 11px; font-weight: 600;
padding: 2px 8px; border-radius: 4px;
text-transform: uppercase; letter-spacing: .04em;
}
.badge-get { background: #dbeafe; color: #1d4ed8; }
.badge-post { background: #dcfce7; color: #15803d; }
.badge-delete { background: #fee2e2; color: #b91c1c; }
.badge-opt { background: var(--slate-100); color: var(--slate-500); }
.badge-required { background: #fef3c7; color: #92400e; }
/* ─── CALLOUTS ─── */
.callout {
display: flex; gap: 12px;
padding: 14px 16px; border-radius: 8px;
margin: 16px 0;
font-size: 14px;
}
.callout-icon { flex-shrink: 0; font-size: 16px; margin-top: 1px; }
.callout-info { background: #eff6ff; border-left: 3px solid #3b82f6; }
.callout-info .callout-body { color: #1e40af; }
.callout-warn { background: #fffbeb; border-left: 3px solid #f59e0b; }
.callout-warn .callout-body { color: #92400e; }
.callout-tip { background: #f0fdf4; border-left: 3px solid #10b981; }
.callout-tip .callout-body { color: #065f46; }
/* ─── PIPELINE DIAGRAM ─── */
.pipeline {
background: #0d1117;
border: 1px solid #1e293b;
border-radius: 10px;
padding: 20px 24px;
font-family: 'JetBrains Mono', monospace;
font-size: 12.5px;
color: #e2e8f0;
line-height: 1.8;
overflow-x: auto;
margin: 16px 0 24px;
}
.pipeline .comment { color: #6b7280; }
.pipeline .step { color: #f59e0b; font-weight: 500; }
.pipeline .arrow { color: #64748b; }
.pipeline .sub { color: #94a3b8; padding-left: 16px; }
/* ─── STACK GRID ─── */
.stack-grid {
display: grid;
grid-template-columns: repeat(auto-fill, minmax(200px, 1fr));
gap: 12px; margin: 16px 0 24px;
}
.stack-card {
background: var(--slate-50);
border: 1px solid var(--slate-200);
border-radius: 8px;
padding: 14px 16px;
}
.stack-card-label {
font-size: 11px; font-weight: 700;
text-transform: uppercase; letter-spacing: .06em;
color: var(--slate-400); margin-bottom: 6px;
}
.stack-card-value {
font-size: 13.5px; font-weight: 500;
color: var(--slate-800);
}
.stack-card-sub { font-size: 12px; color: var(--slate-500); margin-top: 2px; }
/* ─── FEATURE LIST ─── */
.feature-list { list-style: none; margin: 0 0 24px; padding: 0; }
.feature-list li {
display: flex; align-items: flex-start; gap: 10px;
padding: 8px 0;
border-bottom: 1px solid var(--slate-100);
font-size: 14px; color: var(--slate-600);
}
.feature-list li:last-child { border-bottom: none; }
.feature-check { color: var(--green); font-size: 15px; flex-shrink: 0; margin-top: 1px; }
/* ─── ENDPOINT CARD ─── */
.endpoint-card {
border: 1px solid var(--slate-200);
border-radius: 10px;
overflow: hidden;
margin: 20px 0;
}
.endpoint-header {
background: var(--slate-50);
padding: 14px 18px;
display: flex; align-items: center; gap: 12px;
border-bottom: 1px solid var(--slate-200);
}
.endpoint-path {
font-family: 'JetBrains Mono', monospace;
font-size: 14px; font-weight: 600;
color: var(--slate-800);
}
.endpoint-desc { font-size: 13px; color: var(--slate-500); margin-left: auto; }
.endpoint-body { padding: 18px; }
/* ─── PROFILE CARDS ─── */
.profiles { display: grid; grid-template-columns: repeat(3, 1fr); gap: 12px; margin: 16px 0 24px; }
.profile-card {
border: 1px solid var(--slate-200);
border-radius: 10px; padding: 16px;
text-align: center;
}
.profile-card.recommended {
border-color: var(--amber);
background: #fffbeb;
}
.profile-name {
font-family: 'JetBrains Mono', monospace;
font-size: 15px; font-weight: 600;
color: var(--slate-800); margin-bottom: 8px;
}
.profile-tag {
font-size: 11px; font-weight: 600;
text-transform: uppercase; letter-spacing: .04em;
color: var(--amber-dark); margin-bottom: 8px;
}
.profile-desc { font-size: 12.5px; color: var(--slate-500); }
/* ─── TEAM ─── */
.team-grid { display: grid; grid-template-columns: repeat(auto-fill, minmax(180px, 1fr)); gap: 16px; margin: 20px 0; }
.team-card {
background: var(--slate-50);
border: 1px solid var(--slate-200);
border-radius: 10px; padding: 20px 16px;
text-align: center;
}
.team-avatar {
width: 48px; height: 48px; border-radius: 50%;
background: linear-gradient(135deg, var(--amber), #d97706);
display: flex; align-items: center; justify-content: center;
font-size: 20px; font-weight: 700; color: #fff;
margin: 0 auto 10px;
}
.team-name { font-size: 14px; font-weight: 600; color: var(--slate-800); }
.team-role { font-size: 12px; color: var(--slate-500); margin-top: 2px; }
/* ─── FOOTER ─── */
footer {
margin-left: var(--sidebar-w);
padding: 20px 40px;
border-top: 1px solid var(--slate-200);
font-size: 13px; color: var(--slate-400);
}
/* ─── RESPONSIVE ─── */
@media (max-width: 1200px) {
.toc { display: none; }
}
@media (max-width: 768px) {
aside { transform: translateX(-100%); transition: transform .25s; z-index: 50; }
aside.open { transform: translateX(0); }
main { margin-left: 0; padding: 24px 20px 60px; }
footer { margin-left: 0; }
.profiles { grid-template-columns: 1fr; }
}
</style>
</head>
<body>
<!-- ═══════════════════════════ HEADER ═══════════════════════════ -->
<header>
<a href="#" class="logo">
<div class="logo-icon">⚡</div>
Oracle LoreKeeper
<span class="logo-sep">/</span>
<span style="font-weight:400;color:#64748b;">Docs</span>
</a>
<nav>
<a href="#vue-ensemble">Vue d'ensemble</a>
<a href="#architecture">Architecture</a>
<a href="#api">API</a>
<a href="#deploiement">Déploiement</a>
<a href="#" class="btn-primary">Accéder au Chat →</a>
</nav>
</header>
<!-- ═══════════════════════════ SIDEBAR ═══════════════════════════ -->
<aside id="sidebar">
<div class="nav-section">
<div class="nav-section-title">Démarrage</div>
<a class="nav-item active" href="#vue-ensemble">Vue d'ensemble</a>
<a class="nav-sub" href="#intro">Introduction</a>
<a class="nav-sub" href="#rag">Qu'est-ce qu'un RAG ?</a>
</div>
<div class="nav-section">
<div class="nav-section-title">Architecture</div>
<a class="nav-item" href="#architecture">Architecture globale</a>
<a class="nav-sub" href="#pipeline">Pipeline complet</a>
<a class="nav-sub" href="#stack">Stack technique</a>
</div>
<div class="nav-section">
<div class="nav-section-title">Composants</div>
<a class="nav-item" href="#ingestion">Ingestion</a>
<a class="nav-item" href="#recherche">Recherche Hybride</a>
<a class="nav-item" href="#cache">Cache Sémantique</a>
<a class="nav-item" href="#generation">Génération LLM</a>
<a class="nav-item" href="#securite">Sécurité</a>
<a class="nav-sub" href="#validation">Validation & Injection</a>
<a class="nav-sub" href="#pii">Masquage PII</a>
<a class="nav-item" href="#memoire">Mémoire Utilisateur</a>
</div>
<div class="nav-section">
<div class="nav-section-title">Observabilité</div>
<a class="nav-item" href="#monitoring">Monitoring</a>
<a class="nav-sub" href="#dashboard">Dashboard React</a>
<a class="nav-sub" href="#langfuse">Langfuse (LLM Tracing)</a>
<a class="nav-sub" href="#events">Événements & Logs</a>
</div>
<div class="nav-section">
<div class="nav-section-title">API Reference</div>
<a class="nav-item" href="#api">Endpoints</a>
<a class="nav-sub" href="#api-ask">POST /api/ask</a>
<a class="nav-sub" href="#api-feedback">POST /api/feedback</a>
<a class="nav-sub" href="#api-health">GET /health</a>
<a class="nav-sub" href="#api-monitoring">GET /api/monitoring/*</a>
</div>
<div class="nav-section">
<div class="nav-section-title">Déploiement</div>
<a class="nav-item" href="#deploiement">Docker</a>
<a class="nav-item" href="#env">Variables d'environnement</a>
<a class="nav-item" href="#tests">Tests</a>
</div>
<div class="nav-section">
<div class="nav-section-title">Intégrations</div>
<a class="nav-item" href="#mcp">MCP Server</a>
<a class="nav-item" href="#supabase">Supabase</a>
</div>
<div class="nav-section">
<div class="nav-section-title">Projet</div>
<a class="nav-item" href="#equipe">Équipe</a>
<a class="nav-sub" href="#decisions">Décisions techniques</a>
<a class="nav-sub" href="#workflow">Workflow Git</a>
</div>
</aside>
<!-- ═══════════════════════════ MAIN ═══════════════════════════ -->
<main>
<div class="content-wrap">
<!-- ──────────────────── VUE D'ENSEMBLE ──────────────────── -->
<div class="section" id="vue-ensemble">
<h1 id="intro">Oracle LoreKeeper</h1>
<p style="font-size:18px;color:#475569;margin-bottom:24px;">Backend RAG production-grade pour répondre aux questions des joueurs sur le lore d'<strong>Aethelgard Online</strong>, un MMORPG fantasy.</p>
<div class="stack-grid" style="grid-template-columns:repeat(auto-fill,minmax(150px,1fr));">
<div class="stack-card">
<div class="stack-card-label">Framework</div>
<div class="stack-card-value">FastAPI</div>
<div class="stack-card-sub">Python 3.11+</div>
</div>
<div class="stack-card">
<div class="stack-card-label">Vector DB</div>
<div class="stack-card-value">Qdrant</div>
<div class="stack-card-sub">Cloud ou local</div>
</div>
<div class="stack-card">
<div class="stack-card-label">LLM Primary</div>
<div class="stack-card-value">Cerebras</div>
<div class="stack-card-sub">llama3.1-8b</div>
</div>
<div class="stack-card">
<div class="stack-card-label">Cache</div>
<div class="stack-card-value">Redis</div>
<div class="stack-card-sub">Sémantique 92%</div>
</div>
<div class="stack-card">
<div class="stack-card-label">Auth & BDD</div>
<div class="stack-card-value">Supabase</div>
<div class="stack-card-sub">JWT + PostgreSQL</div>
</div>
<div class="stack-card">
<div class="stack-card-label">Tests</div>
<div class="stack-card-value">131 tests</div>
<div class="stack-card-sub">pytest + Locust</div>
</div>
</div>
<h2 id="rag">Qu'est-ce qu'un RAG ?</h2>
<p>
<strong>RAG (Retrieval-Augmented Generation)</strong> est une architecture IA qui résout deux problèmes fondamentaux des LLMs : l'<em>hallucination</em> (ils inventent des réponses plausibles) et le <em>manque d'accès aux données privées</em> (ils ne connaissent pas votre base documentaire).
</p>
<div class="callout callout-info">
<span class="callout-icon">💡</span>
<div class="callout-body">
<strong>Analogie simple :</strong> Plutôt que de demander à un expert de répondre de mémoire, on lui donne d'abord les documents pertinents, puis on lui pose la question. Les réponses sont sourcées, vérifiables, et toujours ancrées dans la réalité.
</div>
</div>
<div class="pipeline">
<span class="step">Question utilisateur</span>
<br> <span class="arrow">↓</span>
<br><span class="comment">┌─────────────────────────────────────────────────────┐</span>
<br><span class="comment">│</span> <span class="step">[RETRIEVE]</span> <span style="color:#e2e8f0;">→ Chercher les passages pertinents</span> <span class="comment">│</span>
<br><span class="comment">│</span> dans la base documentaire indexée <span class="comment">│</span>
<br><span class="comment">│</span>
<br><span class="comment">│</span> <span class="step">[AUGMENT]</span> <span style="color:#e2e8f0;">→ Injecter ces passages dans le prompt</span> <span class="comment">│</span>
<br><span class="comment">│</span>
<br><span class="comment">│</span> <span class="step">[GENERATE]</span> <span style="color:#e2e8f0;">→ Le LLM répond en se basant sur les docs</span> <span class="comment">│</span>
<br><span class="comment">└─────────────────────────────────────────────────────┘</span>
<br> <span class="arrow">↓</span>
<br><span class="step">Réponse sourcée et fiable</span>
</div>
<p><strong>Avantages concrets :</strong></p>
<ul>
<li>Les réponses citent toujours des documents réels — <strong>zéro hallucination</strong></li>
<li>La base peut être <strong>mise à jour sans ré-entraîner</strong> le modèle</li>
<li>On garde le <strong>contrôle total sur les données</strong> indexées</li>
<li>Fonctionne avec n'importe quel LLM (OpenAI, Cerebras, Groq…)</li>
</ul>
</div>
<!-- ──────────────────── ARCHITECTURE ──────────────────── -->
<div class="section" id="architecture">
<h2>Architecture</h2>
<h3 id="pipeline">Pipeline complet — requête /api/ask</h3>
<div class="pipeline">
<span style="color:#f59e0b;font-weight:600;">POST /api/ask</span>
<span class="arrow">
│
├──</span> <span class="step">1. Authentification</span>
<span class="sub">│ JWT Supabase → user_id</span>
<span class="sub">│ ou guest_<uuid> (mode anonyme)</span>
<span class="arrow">│
├──</span> <span class="step">2. Masquage PII</span> <span class="comment">(pii_masker.py)</span>
<span class="sub">│ Email, téléphone, IP, carte bancaire → [EMAIL], [TEL]…</span>
<span class="arrow">│
├──</span> <span class="step">3. Validation sécurité</span> <span class="comment">(validator.py)</span>
<span class="sub">│ Regex : 70+ patterns injection/jailbreak → <1ms</span>
<span class="sub">│ Lakera Guard (optionnel) → classifieur IA → <50ms</span>
<span class="arrow">│
├──</span> <span class="step">4. Cache sémantique</span> <span class="comment">(semantic_cache.py)</span>
<span class="sub">│ Similarité ≥ 92% → réponse Redis servie directement</span>
<span class="arrow">│
├──</span> <span class="step">5. Contexte utilisateur</span>
<span class="sub">│ Historique conversation (5 derniers échanges)</span>
<span class="sub">│ Résumé utilisateur LLM (profil 150 mots)</span>
<span class="sub">│ Mémoire vectorielle long-terme (optionnel)</span>
<span class="arrow">│
├──</span> <span class="step">6. Reformulation</span> <span class="comment">(generator.py)</span>
<span class="sub">│ Question ambiguë → réécrite avec contexte de l'historique</span>
<span class="arrow">│
├──</span> <span class="step">7. Recherche hybride</span> <span class="comment">(search.py)</span>
<span class="sub">│ Vectorielle (FastEmbed ONNX 384-dim)</span>
<span class="sub">│ + BM25 lexicale (stopwords français)</span>
<span class="sub">│ → Fusion RRF (k=60)</span>
<span class="sub">│ → Reranker cross-encoder (Xenova/ms-marco)</span>
<span class="sub">│ → HyDE fallback (si résultats insuffisants)</span>
<span class="arrow">│
├──</span> <span class="step">8. Génération LLM</span> <span class="comment">(generator.py)</span>
<span class="sub">│ Cerebras llama3.1-8b (primaire, ~500ms)</span>
<span class="sub">│ → Groq llama-3.3-70b (fallback auto sur 429)</span>
<span class="sub">│ → Streaming SSE token par token</span>
<span class="arrow">│
└──</span> <span class="step">9. Tâches de fond</span>
<span class="sub"> Persistance Supabase, mise à jour cache, tracking événement</span>
</div>
<h3 id="stack">Stack technique</h3>
<div class="table-wrap">
<table>
<thead><tr><th>Couche</th><th>Technologie</th><th>Rôle</th></tr></thead>
<tbody>
<tr><td><strong>API</strong></td><td><code>FastAPI 0.115+</code></td><td>Endpoints REST + SSE streaming</td></tr>
<tr><td><strong>Serveur</strong></td><td><code>Gunicorn + Uvicorn</code></td><td>4 workers, rotation 2000 req</td></tr>
<tr><td><strong>Frontend</strong></td><td><code>React 19 + Vite + Tailwind</code></td><td>Chat UI + Monitoring dashboard</td></tr>
<tr><td><strong>Vector DB</strong></td><td><code>Qdrant</code></td><td>Stockage + recherche vectorielle</td></tr>
<tr><td><strong>Embeddings</strong></td><td><code>FastEmbed ONNX</code></td><td>384-dim, sans PyTorch, multilingual</td></tr>
<tr><td><strong>Reranker</strong></td><td><code>Xenova/ms-marco</code></td><td>Cross-encoder, activation intelligente</td></tr>
<tr><td><strong>LLM primaire</strong></td><td><code>Cerebras</code></td><td>llama3.1-8b, ~500ms</td></tr>
<tr><td><strong>LLM fallback</strong></td><td><code>Groq</code></td><td>llama-3.3-70b-versatile</td></tr>
<tr><td><strong>Cache</strong></td><td><code>Redis</code></td><td>Réponses sémantiques + rate limiting</td></tr>
<tr><td><strong>Auth & BDD</strong></td><td><code>Supabase</code></td><td>JWT + PostgreSQL (events, conversations)</td></tr>
<tr><td><strong>LLM Tracing</strong></td><td><code>Langfuse</code></td><td>Traces complètes, LLM-as-Judge</td></tr>
<tr><td><strong>Erreurs</strong></td><td><code>Sentry</code></td><td>Error tracking production</td></tr>
<tr><td><strong>Infra</strong></td><td><code>Docker + docker-compose</code></td><td>App + Redis containerisés</td></tr>
<tr><td><strong>Tests</strong></td><td><code>pytest + Locust</code></td><td>131 tests unitaires + load tests</td></tr>
</tbody>
</table>
</div>
</div>
<!-- ──────────────────── INGESTION ──────────────────── -->
<div class="section" id="ingestion">
<h2>Ingestion</h2>
<p>Le pipeline d'ingestion transforme des fichiers bruts en vecteurs indexés dans Qdrant, prêts à être récupérés lors d'une recherche.</p>
<h3>Formats supportés</h3>
<p>
<code>.md</code> <code>.txt</code> <code>.pdf</code> <code>.csv</code> <code>.xlsx</code> <code>.json</code> <code>.xml</code>
</p>
<h3>Pipeline d'indexation</h3>
<div class="pipeline">
<span style="color:#94a3b8;">data/sample/</span> <span class="comment">(fichiers sources)</span>
<span class="arrow">│</span>
<span class="step">Discovery</span> <span class="comment">→ Scan récursif par extension</span>
<span class="arrow">│</span>
<span class="step">Parsing</span> <span class="comment">→ Unstructured (défaut) ou LlamaParse (PDF complexes)</span>
<span class="arrow">│</span>
<span class="step">Chunking</span> <span class="comment">→ Sémantique (LLM-based) ou taille fixe avec overlap</span>
<span class="arrow">│</span>
<span class="step">Late Chunking</span> <span class="comment">→ Chaque chunk préfixé de ses N voisins précédents</span>
<span class="sub"> (contexte pour l'embedding uniquement)</span>
<span class="arrow">│</span>
<span class="step">Enrichissement</span> <span class="comment">→ Résumé doc ajouté à chaque chunk (doc_summary)</span>
<span class="arrow">│</span>
<span class="step">Déduplication</span> <span class="comment">→ Hash-based, ignore les chunks déjà indexés</span>
<span class="arrow">│</span>
<span class="step">Indexation</span> <span class="comment">→ FastEmbed → Qdrant (vecteurs) + BM25 corpus JSON</span>
</div>
<h3>Déclenchement du réindexage</h3>
<div class="table-wrap">
<table>
<thead><tr><th>Déclencheur</th><th>Mécanisme</th></tr></thead>
<tbody>
<tr><td>Manuel</td><td><code>POST /api/reindex</code> ou <code>make index</code></td></tr>
<tr><td>Démarrage</td><td>Automatique si <code>STARTUP_INDEX_ENABLED=true</code></td></tr>
<tr><td>Changement fichier</td><td>Watchdog détecte les modifications si <code>WATCHDOG_ENABLED=true</code></td></tr>
</tbody>
</table>
</div>
<div class="callout callout-tip">
<span class="callout-icon">✅</span>
<div class="callout-body">
<strong>Ajouter du contenu :</strong> Déposez un fichier dans <code>data/sample/</code> et le Watchdog re-indexe automatiquement. Le nouveau contenu est immédiatement interrogeable.
</div>
</div>
</div>
<!-- ──────────────────── RECHERCHE HYBRIDE ──────────────────── -->
<div class="section" id="recherche">
<h2>Recherche Hybride</h2>
<p>Un RAG basique ne fait que de la recherche vectorielle. Oracle combine quatre mécanismes pour maximiser la pertinence des résultats.</p>
<h3>Les quatre couches</h3>
<div class="table-wrap">
<table>
<thead><tr><th>#</th><th>Mécanisme</th><th>Description</th><th>Quand actif</th></tr></thead>
<tbody>
<tr>
<td><strong>1</strong></td>
<td><strong>Vectorielle</strong></td>
<td>FastEmbed ONNX, 384-dim, similarité cosinus sur Qdrant</td>
<td>Toujours</td>
</tr>
<tr>
<td><strong>2</strong></td>
<td><strong>BM25 lexicale</strong></td>
<td>Précision sur termes exacts, noms propres, jargon. Corpus JSON in-memory, stopwords français.</td>
<td>Si vecteurs < 3 résultats</td>
</tr>
<tr>
<td><strong>3</strong></td>
<td><strong>Fusion RRF</strong></td>
<td>Reciprocal Rank Fusion (k=60) — combine les classements vectoriel + BM25 en un score unifié</td>
<td>Toujours (si BM25 actif)</td>
</tr>
<tr>
<td><strong>4</strong></td>
<td><strong>Reranker cross-encoder</strong></td>
<td>Xenova/ms-marco-MiniLM-L-6-v2 — re-classe les 6 meilleurs candidats. Activation intelligente : score trop bas OU écart insuffisant entre top-1 et top-2.</td>
<td>Conditionnellement</td>
</tr>
</tbody>
</table>
</div>
<h3>Fallback HyDE</h3>
<p>Si tous les scores restent sous le seuil de confiance, Oracle génère 3 <em>documents hypothétiques</em> via le LLM, les embed, puis relance la recherche Qdrant avec ces embeddings. Cela permet de trouver des passages sémantiquement proches même lorsque la question est formulée très différemment des documents.</p>
<h3>Profils d'exécution</h3>
<div class="profiles">
<div class="profile-card">
<div class="profile-name">fast</div>
<div class="profile-desc">Pas de reranker, pas de reformulation. Latence minimale.</div>
</div>
<div class="profile-card recommended">
<div class="profile-name">balanced</div>
<div class="profile-tag">⭐ Recommandé</div>
<div class="profile-desc">Reranker intelligent + reformulation + HyDE. Production.</div>
</div>
<div class="profile-card">
<div class="profile-name">quality</div>
<div class="profile-desc">Tout activé, candidats maximum. Meilleure précision.</div>
</div>
</div>
</div>
<!-- ──────────────────── CACHE ──────────────────── -->
<div class="section" id="cache">
<h2>Cache Sémantique</h2>
<p>Le cache sémantique évite les appels LLM redondants en détectant des questions <em>similaires</em>, pas seulement identiques.</p>
<div class="table-wrap">
<table>
<thead><tr><th>Paramètre</th><th>Valeur</th><th>Description</th></tr></thead>
<tbody>
<tr><td>Backend</td><td>Redis</td><td>Stockage clé-valeur distribué</td></tr>
<tr><td>Seuil de similarité</td><td>92%</td><td>Similarité cosinus entre embeddings</td></tr>
<tr><td>TTL</td><td>1 heure</td><td>Durée de vie des entrées en cache</td></tr>
<tr><td>Scope</td><td>Toutes sessions</td><td>Cache partagé entre utilisateurs</td></tr>
<tr><td>Fallback</td><td>Fail-open</td><td>Si Redis indisponible → bypass transparent</td></tr>
</tbody>
</table>
</div>
<div class="callout callout-info">
<span class="callout-icon">📊</span>
<div class="callout-body">
Le taux de cache hits est visible en temps réel sur le dashboard <code>/monitoring</code> et via <code>GET /api/monitoring/pipeline</code>.
</div>
</div>
</div>
<!-- ──────────────────── GÉNÉRATION ──────────────────── -->
<div class="section" id="generation">
<h2>Génération LLM</h2>
<h3>Providers & fallback</h3>
<p>Le système est entièrement piloté par configuration — aucun provider n'est hardcodé.</p>
<div class="table-wrap">
<table>
<thead><tr><th>Rôle</th><th>Provider</th><th>Modèle</th><th>Latence</th></tr></thead>
<tbody>
<tr><td><strong>Primaire</strong></td><td>Cerebras</td><td>llama3.1-8b</td><td>~500ms</td></tr>
<tr><td><strong>Fallback</strong></td><td>Groq</td><td>llama-3.3-70b-versatile</td><td>~1-2s</td></tr>
<tr><td><strong>Reformulation</strong></td><td>Configurable</td><td>Hérite du primaire si non défini</td><td>—</td></tr>
</tbody>
</table>
</div>
<p>Le basculement sur le fallback est <strong>automatique et transparent</strong> lors d'une erreur 429 (rate limit) du provider primaire.</p>
<h3>Streaming SSE</h3>
<p>Les réponses sont streamed token par token via <strong>Server-Sent Events</strong>. Le client voit la réponse s'afficher progressivement, sans attendre la fin de la génération — essentiel pour l'UX sur des réponses longues.</p>
<h3>Reformulation de requête</h3>
<p>Avant la recherche, Oracle détecte si la question est ambiguë (pronoms, références implicites à l'historique) et la réécrit pour qu'elle soit autonome et précise. Cela améliore significativement la qualité des résultats de recherche.</p>
<h3>Résumés utilisateur</h3>
<p>Tous les 5 échanges, Oracle génère un profil utilisateur de 150 mots via LLM et l'injecte dans le prompt système. Cela permet des réponses personnalisées sans surcharger le contexte avec l'historique complet.</p>
</div>
<!-- ──────────────────── SÉCURITÉ ──────────────────── -->
<div class="section" id="securite">
<h2>Sécurité</h2>
<p>Trois couches de protection indépendantes pour un système IA exposé en production.</p>
<h3 id="validation">Validation & Détection d'injection</h3>
<h4>Couche 1 — Regex (toujours actif, <1ms)</h4>
<p>70+ patterns couvrant : prompt injection, jailbreak, extraction de system prompt, attaques roleplay, encodages hex/base64. Retourne une 403 avec <code>reason: "injection_regex"</code>.</p>
<h4>Couche 2 — Lakera Guard (optionnel, <50ms)</h4>
<p>Classifieur IA externe pour les injections subtiles non couvertes par regex. Trois modes :</p>
<div class="table-wrap">
<table>
<thead><tr><th>Mode</th><th>Comportement</th></tr></thead>
<tbody>
<tr><td><code>enforce</code></td><td>Bloque les requêtes détectées</td></tr>
<tr><td><code>shadow</code></td><td>Laisse passer mais log l'événement (monitoring)</td></tr>
<tr><td><code>disabled</code></td><td>Désactivé</td></tr>
</tbody>
</table>
</div>
<h4>Détection de spike</h4>
<p>Si plus de <strong>10 tentatives d'injection</strong> sont détectées en une fenêtre de 5 minutes, une alerte automatique est émise via Sentry et surfacée dans <code>GET /api/monitoring/stats</code>.</p>
<h3 id="pii">Masquage PII</h3>
<p>Appliqué <strong>avant tout appel LLM</strong>. Les données sensibles sont remplacées par des tokens avant d'être envoyées au modèle.</p>
<div class="table-wrap">
<table>
<thead><tr><th>Type de donnée</th><th>Token de remplacement</th></tr></thead>
<tbody>
<tr><td>Adresse email</td><td><code>[EMAIL]</code></td></tr>
<tr><td>Numéro de téléphone</td><td><code>[TEL]</code></td></tr>
<tr><td>Adresse IP</td><td><code>[IP]</code></td></tr>
<tr><td>Numéro de carte bancaire</td><td><code>[CARTE]</code></td></tr>
</tbody>
</table>
</div>
<p>L'historique des 50 derniers masquages est consultable via <code>GET /api/monitoring/pii</code>.</p>
<h3>Rate Limiting</h3>
<p>Géré par <strong>SlowAPI + Redis</strong> par user ID. Limites par défaut :</p>
<ul>
<li>2 requêtes / 5 secondes</li>
<li>30 requêtes / minute</li>
<li>500 requêtes / jour</li>
</ul>
<p>Fail-open si Redis est indisponible (aucun blocage illégitime).</p>
</div>
<!-- ──────────────────── MÉMOIRE ──────────────────── -->
<div class="section" id="memoire">
<h2>Mémoire Utilisateur</h2>
<div class="table-wrap">
<table>
<thead><tr><th>Type</th><th>Stockage</th><th>Description</th></tr></thead>
<tbody>
<tr>
<td><strong>Historique court-terme</strong></td>
<td>Supabase</td>
<td>5 derniers échanges par session, injectés dans chaque requête</td>
</tr>
<tr>
<td><strong>Résumé utilisateur</strong></td>
<td>Supabase</td>
<td>Profil LLM de 150 mots, mis à jour tous les 5 échanges</td>
</tr>
<tr>
<td><strong>Mémoire vectorielle</strong></td>
<td>Qdrant</td>
<td>Q&R importants stockés comme vecteurs, récupérés par similarité sémantique. Optionnel, max 500 par user.</td>
</tr>
</tbody>
</table>
</div>
</div>
<!-- ──────────────────── MONITORING ──────────────────── -->
<div class="section" id="monitoring">
<h2>Monitoring & Observabilité</h2>
<p>Visibilité complète sur ce qui se passe en production, sans accès SSH requis.</p>
<h3 id="dashboard">Dashboard React temps réel</h3>
<p>Accessible à <code>/monitoring</code> dans l'interface, le dashboard affiche :</p>
<ul class="feature-list">
<li><span class="feature-check">✓</span> Nombre total de questions, taux de cache hit, latence moyenne</li>
<li><span class="feature-check">✓</span> Événements de sécurité (injections, PII) par période</li>
<li><span class="feature-check">✓</span> Historique des reformulations (20 dernières)</li>
<li><span class="feature-check">✓</span> Profil d'exécution actif (fast / balanced / quality)</li>
<li><span class="feature-check">✓</span> Statistiques du pipeline de recherche</li>
<li><span class="feature-check">✓</span> Feedbacks récents des utilisateurs</li>
</ul>
<h3 id="langfuse">Langfuse — LLM Tracing</h3>
<p>Chaque appel LLM est tracé avec son contexte complet, ses sources récupérées et un score automatique.</p>
<div class="callout callout-info">
<span class="callout-icon">🔍</span>
<div class="callout-body">
<strong>LLM-as-Judge :</strong> Langfuse évalue automatiquement <strong>chaque réponse</strong> sur 3 dimensions — Correctness, Context Relevance, Hallucination — sans intervention humaine.
</div>
</div>
<h3 id="events">Événements & Logs</h3>
<p>Tous les événements significatifs sont persistés dans Supabase :</p>
<div class="table-wrap">
<table>
<thead><tr><th>Événement</th><th>Déclencheur</th></tr></thead>
<tbody>
<tr><td><code>question</code></td><td>Appel réussi à <code>/api/ask</code></td></tr>
<tr><td><code>injection_regex</code></td><td>Pattern regex détecté</td></tr>
<tr><td><code>injection_lakera</code></td><td>Lakera Guard déclenché</td></tr>
<tr><td><code>cache_hit</code></td><td>Réponse servie depuis Redis</td></tr>
<tr><td><code>fallback</code></td><td>LLM primaire en erreur → bascule Groq</td></tr>
<tr><td><code>rate_limit</code></td><td>Utilisateur a dépassé la limite</td></tr>
<tr><td><code>feedback_vote</code></td><td>Vote thumbs up/down reçu</td></tr>