ARC/README.md

Projet ARC

Contexte du Projet

ARC est une plateforme d'automatisation du développement logiciel basée sur un workflow multi-agents (IA). Le système orchestre plusieurs modèles d'IA spécialisés pour transformer un besoin utilisateur en un code source validé, testé et stocké.

---

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.

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 -> adapté à la recherche sémantique + stocker les embeddings de projets/scripts
• Snowflake Arctic Embed 2.0 -> 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.

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

---

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.

Outils :

• Docker
• Ruff -> qualité de code
• Bandit -> sécurité
• Semgrep (optionnel) -> règles de sécurité et qualité plus larges Boucle correction :
• 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.

Outils :

• Chainlit
• Git

---

Étape finale :

Tâches :

• Tests fonctionnels de bout en bout
• Sécurité minimale
• Documentation finale
• Présentation

Structure du projet

backend/
│
├── app/
│   ├── api/
│   │   ├── routes/
│   │   │   ├── health.py
│   │   │   └── workflow.py
│   │   └── deps.py
│   │
│   ├── core/
│   │   ├── config.py
│   │   ├── logging.py
│   │   └── security.py
│   │
│   ├── graph/                      # LangGraph
│   │   ├── state.py
│   │   ├── nodes.py
│   │   └── workflow.py
│   │
│   ├── agents/                     # Gestion agents IA
│   │   ├── pm_agent.py
│   │   ├── dev_agent.py
│   │   └── qa_agent.py
│   │
│   ├── schemas/                    # Pydantic 
│   │   ├── api.py
│   │   ├── spec.py
│   │   └── project.py
│   │
│   ├── models/                     # modèles métier / persistance (métadonnées d’un projet/version/statut/lien Git/hash/tags)
│   │   └── project.py
│   │
│   ├── services/
│   │   ├── workflow_service.py
│   │   ├── embedding_service.py
│   │   ├── retrieval_service.py
│   │   └── delivery_service.py
│   │
│   ├── repositories/               # accès externes, Qdrant / Redis / stockage
│   │   ├── qdrant_repository.py
│   │   ├── redis_repository.py
│   │   └── project_repository.py
│   │
│   ├── llm/                        # appels modèles
│   │   ├── client.py               # wrapper d’appel
│   │   ├── prompts.py              # prompts centralisés
│   │   └── providers.py            # Gemma/llama.cpp....
│   │
│   ├── sandbox/
│   │   └── docker_runner.py
│   │
│   ├── main.py
│   └── __init__.py
│
├── chainlit_app.py
├── tests/
│   ├── test_health.py
│   ├── test_workflow.py
│   └── test_agents.py
│
├── .env
├── requirements.txt
├── Dockerfile
└── README.md