POC Agents, IT Dashboard
Vue d'ensemble : trois agents, un objectif
Trois Proof of Concept d'agents opérationnels (v2.1.0) conçus pour démontrer qu'un système multi-agents peut remplacer des scripts manuels, avec le même niveau d'exigence en termes de qualité, sécurité et traçabilité.
Contexte IT Dashboard : le projet intègre 10 scripts Python de collecte d'alertes (collect_poleX_*.py), un par pôle. Ce POC conçoit les agents destinés à les remplacer : collecte intelligente, supervision automatisée, mémoire et règles intégrées. IT Dashboard du projet
Architecture multi-agents
L'approche retenue est neurosymbolique : la couche symbolique (règles, états, logique formelle, audit) gouverne et encadre les capacités du ML. Le ML assiste (compréhension du langage, matching, génération), mais c'est la symbolique qui décide, trace et valide.
Agent Collecteurs
Rôle : 10 agents collecteurs, un par pôle (pole1 à pole10), spécialisés dans la collecte d'alertes IT. Chacun génère des événements JSON conformes au schéma Dashboard_IT et les écrit dans Backend/storage/raw/.
Objectif : remplacer les 10 scripts Python de collecte (collect_poleX_*.py) par des agents à maturité (mémoire + règles). Une fois le seuil de 95 % de réponses conformes atteint, le script est remplacé par l'agent avec authentification Vault obligatoire (pole1.json à pole10.json).
Les 10 pôles couverts
Agent Cerveau
Rôle : agent manager qui supervise, nettoie, répare et relance les 10 agents collecteurs. Il garantit la cohérence des logs et du stockage, et réduit les interventions manuelles.
Objectif : démontrer qu'un agent opérationnel peut assurer la supervision, le nettoyage et la réparation/relance des collecteurs de façon reproductible et mesurable.
Quatre responsabilités
Manager
Surveillance de l'état des 10 collecteurs : succès/échec, latence. Décision de relance si échec ou timeout.
Nettoyer
Suppression ou archivage des logs obsolètes, des fichiers raw/ et processed/ selon la politique de rétention (90 jours).
Réparer
Détection d'anomalies (cache pathcache, intégrité config). Actions correctives documentées et réversibles.
Relancer
Déclenchement de l'exécution d'un ou plusieurs collecteurs (ou du pipeline complet) après échec ou selon planning.
Approche 100 % symbolique : règles déterministes (succès/échec, seuils, timeout), politique de rétention explicite, actions traçables, aucune décision prise par un LLM.
Agent Chatbot
Rôle : chatbot intégré au frontend Dashboard_IT (React/TypeScript), animé par une base FAQ préremplie. Réponses prêtes, interface simple et efficace.
Objectif : démontrer qu'un chatbot FAQ répond au même niveau d'exigence que les POC Cerveau et Collecteurs : qualité des réponses, cohérence, traçabilité, intégration Dashboard_IT.
Fonctionnalités
Base FAQ versionnée
Questions/réponses prédéfinies en format JSON ou Markdown. Versionnée, sans contenu sensible. Couverture 100 % des questions accessibles.
Matching intelligent
Recherche par mots-clés, similarité ou menu par catégories. Cible : 95 % ou plus de réponses correctes sur un jeu de test (questions FAQ + variantes).
Traçabilité
Enregistrement de chaque interaction (question posée, réponse fournie, timestamp) pour audit et amélioration continue.
100 % frontend : FAQ structurée (JSON/Markdown) + matching par règles, pas de LLM génératif. Contrairement aux agents Cerveau et Collecteurs, le Chatbot peut fonctionner sans backend. Dans ce cas, l'authentification Vault s'applique à un endpoint optionnel de log des interactions ou au pipeline de déploiement.