Refactorisation du code, correction des quelques bugs, Clear de Readme principal, Ajout de l'entrée utilisateur pour la modification du nom de projet

backend/README.md

@@ -1,52 +1,67 @@
 # ARC Backend
 
-Backend minimal pour le projet ARC :
-- API FastAPI
-- orchestration LangGraph
-- agents PM / Dev / QA
-- interface Chainlit
-- intégration future Qdrant / Redis / vLLM
+## Organisation du projet
 
-## Installation
+### Étape 0 : Préparation de l'environnement du projet
+Tâches :
+- Créer backend minimal
+- Créer modèle de données simple
+- langGraph
+___
+### Étape 1 : Analyse du Besoin & Qualification (Agent PM / Business Analyst)
+- L'utilisateur entre une demande en langage naturel.
+- **Agent 1 (PM)** analyse la demande. Si des informations manquent pour coder, il pose des questions clarificatrices à l'utilisateur jusqu'à obtenir un cahier des charges complet.
+- **Vérification BDD :** Avant de coder, le système cherche dans une base de données vectorielle si un projet similaire existe déjà.
+  - *Si oui :* On propose le lien à l'utilisateur. Si l'utilisateur valide, le workflow s'arrête ici.
+  - *Si non (ou si l'utilisateur rejette l'existant) :* On passe à l'étape 2.
 
-```bash
-python -m venv .venv
-.venv\Scripts\activate
-pip install -r requirements.txt
-uvicorn app.main:app --reload --port 8000
-```
+Outils :
+- LangGraph -> LangGraph est adapté aux workflows multi‑agents avec états, transitions conditionnelles, persistance et human‑in‑the‑loop
+- Python -> backend, les agents, les appels LLM, les tests, les embeddings et les intégrations + compatible avec autres tools
+- Pydantic AI / Pydantic -> forcer l’Agent PM à produire un cahier des charges structuré
+- Chainlit -> adapté aux interfaces conversationnelles
+	BDD :
+- Qdrant (optionnel) -> adapté à la recherche sémantique +  stocker les embeddings de projets/scripts
+- Snowflake Arctic Embed 2.0 (optionnel) -> modèle d’embedding
+- Redis (optionnel) -> cache de recherche ;sessions utilisateur ;état temporaire ;verrouillage d’un workflow ;file d’attente simple
+___
+### Étape 2 : Génération de Code (Agent Développeur)
+- **Agent 2 (Dev)** reçoit le cahier des charges validé et génère l'arborescence et le code source du projet.
 
-## Lancer Chainlit
+Outils :
+- LangGraph -> LangGraph est adapté aux workflows multi‑agents avec états, transitions conditionnelles, persistance et human‑in‑the‑loop
+- Mistral ou Gemma (modèle trop généraliste/léger->tache simple) -> DeepSeek Coder/Qwen2.5
+- vLLM -> meilleur choix qu’Ollama pour une plateforme plus industrialisée. Llama.cpp modèles quantifiés sur CPU ou machines modestes + moins adapté à une plateforme multi‑utilisateur
+- Pydantic
+- Gitea
+___
+### Étape 3 : Tests et Assurance Qualité (Agent QA / Testeur)
+- **Agent 3 (QA)** récupère le code de l'Agent 2. Il doit exécuter le code (via une sandbox sécurisée) ou générer/exécuter des tests unitaires pour vérifier la qualité, la sécurité et le fonctionnement.
+- **Boucle de correction automatique (Loop 1) :** Si les tests échouent, l'Agent 3 renvoie les erreurs à l'Agent 2 avec les logs. L'Agent 2 corrige et renvoie à l'Agent 3. Cette boucle tourne au maximum 3 fois jusqu'à ce que le code soit "vert".
+- **EXTENSION FUTURE** si les tests échouent 3 fois, envoyé à une IA plus puissante.
 
-```bash
-chainlit run chainlit_app.py --port 8001
-```
+Outils :
+- Docker
+- Semgrep -> règles de sécurité et qualité plus larges
+	Boucle correction :
+- world model (optionnel)
+- LangGraph
+- Pydantic
+___
+### Étape 4 : Livraison & Feedback Utilisateur (Boucle Humaine)
+- Une fois le code validé par l'Agent 3, il est présenté à l'utilisateur.
+- L'utilisateur teste et valide.
+  - *Si Validé :* Le projet est sauvegardé dans la base de données (pour la recherche de l'Étape 1) et livré (ex: zip ou dépôt GitHub).
+  - *Si Refusé :* L'utilisateur indique ce qui ne va pas. Tout le contexte (code actuel + retours) est renvoyé à l'**Étape 1** pour réanalyse, et le cycle recommence.
 
-## Lancement auto
+Outils :
+- Chainlit
+- Gitea
+___
+### Étape finale :
 
-```bash
-python orchestrator.py
-```
-
-## Arrêt propre
-
-```bash
-python stop_project.py
-```
-
-# Logs
-
-```bash
-docker compose -p arc-app logs -f
-docker compose -p arc-ai logs -f
-```
-
-## Tests
-
-```bash
-python .\tests\test_snowflake.py 
-docker compose exec app python tests/test_qdrant.py
-```
-
-API dispo sur :
-- http://127.0.0.1:8001
+Tâches :
+- Tests fonctionnels de bout en bout
+- Sécurité minimale
+- Documentation finale
+- Présentation