project_name: 'Agent Docker - Chatbot RAG Intersel' user_name: 'Équipe Intersel' date: '2025-03-03'
Contexte technique pour les agents IA travaillant sur le projet Agent Docker (chatbot RAG documentaire).
Python / Flask :
src/ pour le code (app, api, service, agent_ai, utils, models)config.py et variables d'environnement (.env)src/api/ (qa_routes, file_routes, admin_routes, routes)src/service/ (state, qa_service, embedding_service, memory_service)Données et indexation :
data/ (racine) et src/data/ (uploads, etc.)os.path.join(base_dir, 'data', ...)RAG / Recherche :
Sécurité :
_is_safe_query() (LLM) avant traitementTests :
tests/ (test_chunking, test_scraping, test_security, test_auth)pytest tests/ -vsrc/agent_ai/scraping.py, auth.py — crawl wiki Intersel, hash pour détection changementssrc/agent_ai/chunking.py — découpage sémantique par phrases avec overlapsrc/utils/processing.py — orchestration scrape → chunks → embeddings → FAISSsrc/service/state.py — chunks, index FAISS, modèle embedding, mémoiresrc/service/qa_service.py — hybrid_search, prompt, appel LLM Scalewaysrc/service/memory_service.py — Q/R persistées dans index FAISS dédiéDocuments/Architecture.md — flux de données, composantsDocuments/Choix_techniques.md — limites, constantes, paramètres (MAX_URLS_TO_SCRAPE=100, etc.)_bmad-output/guidelines.md — UX, UI, design system, ton et contenu