SAIF-IA Chatbot

Architecture globale

Modèle BFF (Backend for Frontend) — les API Routes Next.js orchestrent LLMs, tools et services externes. Aucune clé API exposée côté client.

Le client envoie un message au chat → POST /api/chat → routing LLM → agentic loop → SSE stream → réponse token par token.

Stack technique

Séparation public / privé

Catalogue des 6 MCP Tools

web_research_recruiter — 3 tiers

Classification automatique de la société du recruteur avant le premier LLM call.

// Tier 1 — SSII connues (34 entrées, 0 API, 0 ms)
KNOWN_SSII: ["capgemini", "accenture", "sopra steria", "atos", ...]

// Tier 2 — Clients finaux connus (16 entrées, 0 API, 0 ms)
KNOWN_CLIENT_FINAL: {
  "bnp paribas": { sector: "Finance", profile: "Grande banque française" },
  ...
}

// Tier 3 — Société inconnue → Claude sub-call JSON (~800 ms)
claude.messages.create({
  model: "claude-haiku-4-5-20251001", max_tokens: 300,
  // retourne JSON strict : { type, sector, profile, recommendation }
  // strip markdown fences avant JSON.parse()
})

analyze_github_repo — 3 endpoints

GET /repos/Sayfouche/{repo}                   → metadata (stars, issues, pushed_at)
GET /repos/Sayfouche/{repo}/languages          → breakdown % (top 3)
GET /repos/Sayfouche/{repo}/commits?since=30j → vélocité (count)

// Gestion erreurs
404 → "Repo introuvable"
409 → repo vide, commitCount = "0"
GITHUB_TOKEN → 60 → 5 000 req/h

Routing multi-LLM

Décision avant chaque message — Groq (fast path) ou Claude (agentic path).

const TOOL_PATTERNS = /\b(github|repo|cv|mission|stack|contact|tjm|disponible)\b/i;

const likelyNeedsTools = TOOL_PATTERNS.test(lastUserMessage)
                       || !!recruiter?.company;

// false → groqStream()  : fast, ~150 ms TTFT
// true  → claudeStream() : agentic loop x5, tools
// Groq timeout/error → fallback automatique Claude

RAG pgvector — Phase 2

CREATE TABLE knowledge_chunks (
  id         uuid    DEFAULT gen_random_uuid() PRIMARY KEY,
  content    text    NOT NULL,
  embedding  vector(1536),
  metadata   jsonb   DEFAULT '{}',
  created_at timestamptz DEFAULT now()
);
CREATE INDEX ON knowledge_chunks USING hnsw (embedding vector_cosine_ops);

Streaming SSE — Phase 3

// Type union des events émis par route.ts
type SSEEvent =
  | { type: "delta";    text: string }
  | { type: "tool_use"; tool: string }
  | { type: "done";     toolsUsed: string[]; modelUsed: "groq"|"claude" }
  | { type: "error";    message: string };

// Groq  → stream:true, delta.content chunks
async function* groqStream(...): AsyncGenerator<SSEEvent>

// Claude → messages.stream(), content_block_delta
async function* claudeStream(...): AsyncGenerator<SSEEvent>

// Client — updateLast() functional updater sans race condition
// "delta"    → content += text  (token par token)
// "tool_use" → toolsUsed.push() (badge immédiat)
// "done"     → modelUsed + switchReason finalisés

Parallel Tool Execution — Phase 4

web_research_recruiter() → 800ms
    ↓ attend...
get_github_repos()       → 200ms
─────────────────────
Total : ~1 000 ms

web_research_recruiter() ─┐
                           ├ ~800ms
get_github_repos()     ───┘
─────────────────────
Total : ~800 ms (−20 %)

// Contrainte : impossible de yield dans un callback Promise.all
// → boucle for synchrone pour les badges, puis Promise.all

for (const block of toolBlocks) {
  yield { type: "tool_use", tool: block.name };
}
const results = await Promise.all(
  toolBlocks.map(async (b) => ({
    type: "tool_result" as const,
    tool_use_id: b.id,
    content: await executeTool(b.name, b.input),
  }))
);

Installation locale

# 1. Cloner et installer
git clone https://github.com/Sayfouche/cv-portfolio.git
cd cv-portfolio && npm install

# 2. Environnement
cp .env.example .env.local  # remplir les clés

# 3. Démarrer
npm run dev        # → http://localhost:3000

# 4. Ingérer les chunks RAG (si Supabase vide)
npm run ingest-rag # node --env-file=.env.local agents/rag-ingest/run.mjs

Variables d'environnement

Phases & valeur technique

Valeur technique démontrée