ARC/backend/app/agents/qa_agent.py

import logging
from langchain_openai import ChatOpenAI
from langchain_core.messages import SystemMessage, HumanMessage
import httpx
from app.core.config import settings
from app.schemas.qa_report import QAEvaluation
from app.llm.prompts import QA_AGENT_PROMPT
from app.sandbox.qa_client import run_project_qa

logger = logging.getLogger(__name__)

sync_client = httpx.Client(verify=False)
async_client = httpx.AsyncClient(verify=False)

async def run_qa_agent(project_title: str, dev_output: dict) -> QAEvaluation:
    """
    Agent QA : 
    Analyse le code généré à l'aide de l'API externe de la Sandbox (Semgrep uniquement)
    et produit le rapport d'évaluation structuré final.
    """
    logger.info(f"[QA Agent] Début du processus d'audit statique pour le projet : {project_title}")
    
    repo_url = dev_output.get("repo_url")
    if not repo_url:
        logger.error("[QA Agent] Aucun URL de dépôt Git trouvé dans le dev_output.")
        return QAEvaluation(
            is_complete_and_safe=False,
            global_summary="Impossible de récupérer le code source (URL Git manquante).",
            technical_feedback=["L'agent de développement n'a pas fourni d'URL pour le dépôt Gitea."]
        )
    
    llm = ChatOpenAI(
        base_url=settings.llm_base_url,
        api_key=settings.llm_api_key,
        model=settings.llm_model_qa,
        temperature=0.1,
        max_retries=2,
        http_client=sync_client,
        http_async_client=async_client,
    )

    # 2. Exécution de l'analyse statique via le service Sandbox indépendant
    try:
        repo_name = repo_url.rstrip("/").split("/")[-1]
        logger.info(f"[QA Agent] Envoi du dépôt '{repo_name}' au conteneur d'analyse statique...")
        
        raw_results = await run_project_qa(repo_name=repo_name)
        
        logger.info(f"[QA Agent] 📊 Retour Sandbox Statis - Status : {'Succès' if raw_results.is_executable else 'Échec'}")
        logger.info(f"[QA Agent] 📊 Retour Sandbox - Nombre d'alertes de sécurité/qualité (Semgrep): {len(raw_results.issues)}")
        
    except Exception as e:
        logger.error(f"[QA Agent] ❌ Échec de la communication avec le conteneur de Scan : {str(e)}")
        return QAEvaluation(
            is_complete_and_safe=False,
            global_summary="Échec critique lors du traitement du rapport de scan statique.",
            technical_feedback=[f"L'API de la sandbox a échoué : {type(e).__name__}: {str(e)}"]
        )
    
    # 3. Génération de l'évaluation finale via LLM
    structured_llm = llm.with_structured_output(QAEvaluation, strict=True)

    messages = [
        SystemMessage(content=QA_AGENT_PROMPT),
    ]

    # Le prompt est nettoyé des mentions relatives à l'exécution de tests dynamiques
    user_content = f"PROJET À AUDITER : {project_title}\n"
    user_content += f"LIEN DU DÉPÔT : {repo_url}\n"
    user_content += f"RÉSULTATS DE L'ANALYSE STATIQUE DU CODE (Semgrep) :\n"
    user_content += f"{raw_results.model_dump_json(indent=2)}\n\n"
    user_content += "Analyse ces failles, vulnérabilités et défauts de qualité de code, puis génère ton évaluation de sécurité au format structuré demandé."

    messages.append(HumanMessage(content=user_content))

    try:
        qa_evaluation = await structured_llm.ainvoke(messages)
        logger.info(f"[QA Agent] 📝 Justification du LLM : {qa_evaluation.global_summary}")
        
        if not qa_evaluation:
            logger.error("[QA Agent] Le LLM a renvoyé une réponse vide (None).")
            return QAEvaluation(
                is_complete_and_safe=False,
                global_summary="Erreur de formatage de l'évaluation par l'IA.",
                technical_feedback=["L'évaluation automatique n'a pas pu être structurée correctement."]
            )
            
        if qa_evaluation.is_complete_and_safe:
            logger.info(f"[QA Agent] ✅ Projet '{project_title}' VALIDÉ (Analyse statique propre).")
        else:
            logger.warning(f"[QA Agent] ❌ Projet '{project_title}' REJETÉ (Failles de sécurité détectées).")
            
        return qa_evaluation

    except Exception as e:
        logger.error(f"[QA Agent] ❌ Échec critique lors de l'analyse LLM : {type(e).__name__}: {str(e)}")
        return QAEvaluation(
            is_complete_and_safe=False,
            global_summary="Erreur interne de l'Agent QA lors de la génération du rapport LLM.",
            technical_feedback=[f"Le LLM a crashé avec l'erreur : {type(e).__name__}."]
        )