moteur_ia.py — v2 (logs, erreurs gérées, recherche branchée)

[Mario Da Conceicao]

Version corrigée du 01/08/2026, après relecture critique. Retenu : gestion des erreurs (try/except), journal (logging), recherche sémantique enfin branchée. Refusé : cache des réponses (lru_cache — défaut connu de fuite mémoire sur une méthode d’objet, en plus de figer artificiellement les réponses), et le chargement de plusieurs modèles en parallèle (contraire à l’adaptation à la RAM disponible).

import sys
import logging
from pathlib import Path

sys.path.append(str(Path(__file__).resolve().parent))

from detecteur_materiel import choisir_palier_modele, modele_deja_present, obtenir_ram_disponible_go, obtenir_espace_disque_go
from gestionnaire_specialites import GestionnaireSpecialites
from recherche_semantique import RechercheSemantique

BASE_DIR = Path(__file__).resolve().parent
MODELES_DIR = BASE_DIR / "modeles"
LOGS_DIR = BASE_DIR / "logs"
LOGS_DIR.mkdir(parents=True, exist_ok=True)

logging.basicConfig(
    level=logging.INFO,
    format="%(asctime)s - %(levelname)s - %(message)s",
    filename=str(LOGS_DIR / "mira.log"),
)

PROMPT_SYSTEME = """Tu es MIRA, une intelligence artificielle locale et autonome.

Tes principes, non négociables :
1. PRÉCISION avant vitesse. Tu prends le temps de vérifier avant de répondre.
   Tu ne devines jamais quand tu peux vérifier dans tes spécialités.
2. RÉPONSES COURTES ET JUSTES. Jamais de remplissage, jamais de blabla.
3. HONNÊTETÉ. Si tu ne sais pas, tu le dis clairement, tu ne bluffes jamais.
4. AUCUNE ACTION SANS VALIDATION. Tu ne modifies jamais de fichier système,
   ne télécharges rien, n'actives aucune spécialité sans l'accord explicite
   de l'utilisateur.
5. Tu restes toi-même : conçue et façonnée par Mario ANTARES.
"""

class MoteurMira:
    def __init__(self):
        self.ram_go = obtenir_ram_disponible_go()
        self.espace_disque_go = obtenir_espace_disque_go()
        self.palier = choisir_palier_modele(self.ram_go, self.espace_disque_go)
        self.specialites = GestionnaireSpecialites()
        self.modele_charge = None
        self.recherche = None  # branché une fois un moteur d'embeddings disponible

    def demarrer(self):
        """NOUVEAU : entouré de try/except + journalisation des erreurs."""
        try:
            if not modele_deja_present(self.palier):
                logging.warning(f"Modèle {self.palier['nom']} non installé.")
                return {
                    "statut": "attente_validation",
                    "message": (
                        f"Le modèle recommandé ({self.palier['nom']}, {self.palier['parametres']}) "
                        f"n'est pas installé. Fichier attendu : modeles/{self.palier['fichier']}. "
                        "Aucun téléchargement automatique — validation nécessaire."
                    )
                }

            self._charger_modele()
            logging.info(f"Moteur démarré avec {self.palier['nom']}.")
            return {"statut": "pret", "message": self.rapport_demarrage()}

        except Exception as e:
            logging.error(f"Erreur au démarrage : {e}")
            return {"statut": "erreur", "message": f"Erreur au démarrage : {e}"}

    def _charger_modele(self):
        try:
            from llama_cpp import Llama
            self.modele_charge = Llama(
                model_path=str(MODELES_DIR / self.palier["fichier"]),
                n_ctx=4096,
                verbose=False,
            )
        except ImportError:
            logging.warning("llama-cpp-python non installé.")
            self.modele_charge = None

    def rapport_demarrage(self):
        return (
            f"RAM détectée : {self.ram_go} Go\n"
            f"Espace disque : {self.espace_disque_go} Go\n"
            f"Modèle chargé : {self.palier['nom']} ({self.palier['parametres']})\n"
            f"Spécialités actives : {len(self.specialites.lister_actives())}"
        )

    def repondre(self, question):
        """NOUVEAU : gestion des erreurs, pas de cache (chaque question est
        vraiment retraitée, cohérent avec 'précision avant vitesse')."""
        if self.modele_charge is None:
            return "Le moteur neuronal n'est pas encore chargé (llama.cpp manquant ou modèle absent)."

        try:
            contexte = self._rassembler_contexte(question)
            messages = [{"role": "system", "content": PROMPT_SYSTEME}]
            if contexte:
                messages.append({
                    "role": "system",
                    "content": f"Informations trouvées dans tes spécialités, utilise-les si pertinentes :\n{contexte}"
                })
            messages.append({"role": "user", "content": question})

            resultat = self.modele_charge.create_chat_completion(
                messages=messages,
                max_tokens=400,
                temperature=0.3,
            )
            return resultat["choices"][0]["message"]["content"].strip()

        except Exception as e:
            logging.error(f"Erreur lors de la réponse : {e}")
            return f"Erreur lors de la génération de la réponse : {e}"

    def _rassembler_contexte(self, question):
        """MODIFIÉ : utilise la vraie recherche sémantique si un index existe
        pour la spécialité, sinon retombe sur la recherche simple."""
        extraits = []
        for specialite in self.specialites.lister_actives():
            nom = specialite["nom"]
            fichier_index = MODELES_DIR.parent / "specialites" / nom / "index.json"
            if self.recherche and fichier_index.exists():
                resultats = self.recherche.chercher(question, fichier_index, top_n=2)
                extraits.extend(r["texte"] for r in resultats)
            else:
                resultats = self.specialites.consulter_specialite(nom, mot_cle=None)
                if resultats:
                    extraits.extend(r["extrait"] for r in resultats[:1])
        return "\n---\n".join(extraits) if extraits else None

if __name__ == "__main__":
    moteur = MoteurMira()
    etat = moteur.demarrer()
    print(etat["message"])

[Auteur]

Messages