Le pompage (extraction/, tâches pomper et pomper une plage) ; docs alignées sur detectors et sans renvois à Support-Agent

- extraction/ : pomper.sh, pomper.py, stations.txt, lenzspitze_absolu.py repris de Support-Agent (code inchangé), README adapté ; .env à la racine, sortie dans out/
- README, CLAUDE.md, app/README réécrits : contrat avec detectors, pompage, vérifications
- app/requirements.txt, seule liste des paquets Python (sans plotly ; matplotlib, pillow)
- commentaires de l'app et nom du paquet npm sans renvois à Support-Agent ; familles.md : detectors/scripts/

Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>
This commit is contained in:
maximeandClaude Opus 5.5 committed 2026-11-13 14:47:51 +01:00
1 parent 8c82368dec
commit 462ba9e9a1
19 files changed
+662 -60

No files matched your search

+30 -8
View File
@@ -11,24 +11,46 @@ La web app de diagnostic AIMsight : la page Data (courbes, images de la caméra,
- `.claude/` : les agents de l'app, `analyste` et `tool-builder`, et le skill `lire-les-donnees` (le mode d'emploi des outils de lecture).
- `agent-tools/` : les outils de lecture ; `donnees.py`, la lecture commune, sert aussi à l'app.
- `labeling/` : le savoir du labeling (`regles-d-etiquetage.md`, `familles.md`, `carte-des-etiquettes.md`, `connaissances/`), les étiquettes (`auto/<STATION>.jsonl`, la vérité du benchmark ; `manual/`), les analyses de l'app (`auto/analyses/`), et `controle.py`, `ids.py`.
- `detectors/` : le dépôt **detectors**, en sous-module : les détecteurs (`scripts/`) et le plugin Claude Code qui les améliore (`/detectors:wf-improve`). L'app lui donne tout à chaque séance (plage, étiquettes, vérité de référence, familles, dossier de sortie : `<analyse>/detectors/<heure>/`) ; la séance commite dans `detectors/`, sur sa branche `main`. Ensuite : `git -C detectors push`, puis ici `git commit -m "..." -- detectors` pour que le dépôt pointe la nouvelle version. Mettre à jour les détecteurs : `git -C detectors pull`.
- `detectors/` : le dépôt **detectors**, en sous-module (voir plus bas).
- `extraction/` : le pompage, qui remplit `data/` depuis la plateforme AIMsight, en lecture seule ; mode d'emploi dans `extraction/README.md`.
- `data/` : les données des stations, **hors de git**, un dossier par station (`displacement/`, `metrics/`, `camera/`, `images/`).
## Les détecteurs (`detectors/`)
Le dépôt detectors : un détecteur par famille d'étiquettes (`scripts/`), `scripts/categories.py` qui les lance et range leurs épisodes en événements, et le plugin Claude Code qui les améliore (`/detectors:wf-improve`, avec `skills/wf-improve/scripts/score.py` et `regression.py`). Son contrat avec l'app est dans `detectors/CLAUDE.md` ; ici :
- la page Data montre les événements de `categories.events`, calculés sur les mesures lues par `agent-tools/donnees.py` (les mêmes que celles de `detectors/scripts/data.py`) ;
- « Optimiser les détecteurs » donne à `/detectors:wf-improve` la plage, les étiquettes (`labeling/auto/<STATION>.jsonl`), la vérité de référence (`labeling/auto`, `data`), les familles (`labeling/familles.md`), le rapport de l'analyse et le dossier de sortie, `<analyse>/detectors/<heure>/` (la requête : `app/serveur/analyse.py`) ;
- la séance commite dans `detectors/`, sur sa branche `main`, sans pousser. Ensuite : `git -C detectors push`, puis ici `git commit -m "..." -- detectors`, pour que ce dépôt pointe la nouvelle version.
Mettre à jour les détecteurs : `git -C detectors pull`, puis `git commit -m "..." -- detectors`.
## Installer et lancer
La tâche VS Code **Run app** fait tout : monte `detectors` la première fois (sur sa branche `main`), crée `.venv` et construit le front s'ils manquent, lance le serveur. Il faut seulement les données :
```bash
ln -s <chemin vers les données>/data data # ou un dossier data/ rempli par le pompage
```
La tâche VS Code **Run app** fait tout : monte `detectors` la première fois (sur sa branche `main`), crée `.venv` et construit le front s'ils manquent, lance le serveur. Il faut seulement les données : les pomper (ci-dessous), ou un lien vers un `data/` existant (`ln -s <chemin>/data data`).
À la main :
```bash
git submodule update --init && git -C detectors checkout -B main
python3 -m venv .venv && .venv/bin/pip install fastapi uvicorn markdown plotly matplotlib
python3 -m venv .venv && .venv/bin/pip install -r app/requirements.txt
cd app/web && npm install && npm run build && cd ../..
.venv/bin/python app/serveur/serveur.py
```
La page s'ouvre sur `http://127.0.0.1:8770`. `claude` (Claude Code, connecté) doit être sur le `PATH` pour l'onglet Analysis. Vérifications : `.venv/bin/python app/serveur/check.py`. Benchmark des détecteurs : `python3 detectors/skills/wf-improve/scripts/regression.py --labels labeling/auto --data data` (~3 min).
La page s'ouvre sur `http://127.0.0.1:8770`. `claude` (Claude Code, connecté) doit être sur le `PATH` pour l'onglet Analysis.
## Pomper les données
Il faut un `.env` à la racine (identifiants de la base et du S3 de la plateforme, hors de git ; les noms des variables dans `extraction/README.md`), et `uv`. Puis, tâches VS Code :
- **pomper** : met à jour les stations suivies (`extraction/stations.txt`) jusqu'à maintenant, images comprises (`extraction/pomper.sh`) ;
- **pomper une plage** : une plage de jours UTC (`--au` exclu) pour une ou plusieurs stations (`extraction/pomper.sh --du AAAA-MM-JJ --au AAAA-MM-JJ --images --delai 300 <SERIE>`).
La sortie s'ajoute à `out/pompage.log`. Le pompage de chaque nuit (Planificateur de tâches de Windows) : `extraction/README.md`.
## Vérifier
- l'app : `.venv/bin/python app/serveur/check.py` ;
- les étiquettes : `python3 labeling/controle.py` (les 18 étiquettes versées par l'app n'ont pas encore `revue`, qu'elle exige : 18 erreurs attendues) ;
- les détecteurs (benchmark, ~3 min) : `python3 detectors/skills/wf-improve/scripts/regression.py --labels labeling/auto --data data`.