Patterns OpenAI — CRAutomatique2

Package et client

• Package : openai ^4.0.0 (PAS Anthropic SDK, PAS @azure/openai)
• Client factory : backend/src/services/openai/client-factory.ts
• Configuration : OPENAI_API_KEY dans .env (ou vLLM local via OPENAI_BASE_URL)

Strategie dual-model

Structured output

typescript
1// Detection (JSON simple)
2const response = await client.chat.completions.create({
3  model: 'gpt-4o-mini',
4  messages: [{ role: 'user', content: prompt }],
5  response_format: { type: 'json_object' },
6  temperature: 0,
7});
8
9// Generation brief (schema Zod)
10const response = await client.chat.completions.create({
11  model: 'gpt-4o',
12  messages: [{ role: 'system', content: systemPrompt }, { role: 'user', content: userPrompt }],
13  response_format: { type: 'json_object' },
14  temperature: 0.1,
15});
16const brief = BriefStructuredSchema.parse(JSON.parse(content));

Schemas Zod definis dans backend/src/types/brief.ts :

• BriefStructuredSchema — schema principal
• BriefMetadataSchema — metadata (meetingType, date, duration)
• ComexContentSchema, CodirContentSchema, EncoursContentSchema — contenu par type

Anti-hallucination (3 couches)

Couche 1 — Pre-extraction deterministe (AVANT le LLM)

• Fichier : backend/src/services/pre-extraction.ts
• Scan regex : montants financiers (avec interpretations brut/x1000/x1M), dates, personnes, entites
• Output : pre-extracted-facts.json dans chaque job
• Inject : buildFactsConstraintSection() produit un bloc de contraintes injecte dans le prompt

Couche 2 — Post-processings deterministes (APRES le LLM)

• ~70 sanitizers/enrichers/guards dans applyComexPostProcessings()
• Corrigent les erreurs LLM : kind budget, revenue, attributions, formulations
• Voir skill /comex-rules pour la chaine complete

Couche 3 — Validation post-extraction

• Fichier : backend/src/services/openai/validation.ts
• Verifie montants financiers du brief contre la transcription
• Valide noms responsables contre voice profiles
• Output : validation-report.json dans chaque job

Prompts

Chaque type de reunion a son prompt dedie :

• prompts/detect-meeting-type.ts — detection (excerpt 3000 chars)
• prompts/generate-comex.ts — generation brief COMEX
• prompts/generate-codir.ts — generation brief CODIR
• prompts/generate-chantier.ts — generation brief ENCOURS
• prompts/extract-chantier-facts.ts — extraction facts ENCOURS

Les prompts recoivent les contraintes pre-extraites via buildFactsConstraintSection().

Regles

• Ne jamais faire confiance au LLM sur les champs structurels (budget.kind, attributions)
• Temperature 0 pour classification/extraction, 0.1 pour generation editoriale
• Pas de retry auto cote app — le pipeline gere les erreurs via safe() wrapper
• Toujours valider la sortie JSON avec le schema Zod avant utilisation
• Tronquer la transcription a la taille contexte du modele (32768 tokens pour vLLM local)

Fichiers cles

• backend/src/services/openai/client-factory.ts — creation client OpenAI
• backend/src/services/openai/structured-generation.ts — orchestration generation + post-processings
• backend/src/services/openai/prompts/ — tous les prompts par type
• backend/src/services/openai/validation.ts — validation anti-hallucination
• backend/src/services/pre-extraction.ts — pre-extraction deterministe
• backend/src/types/brief.ts — schemas Zod (BriefStructured, ComexContent, etc.)