seo-generator-server/TODO.md

TODO - AMÉLIORATIONS WORKFLOW CRITIQUES

🚨 PRIORITÉ 1 - INTÉGRATION IA DANS PERSONNALITÉS

PROBLÈME ACTUEL

• Les fallback IA ont été supprimés pour éviter la dégradation de qualité
• Si une IA échoue (Claude, OpenAI, Gemini, Mistral), le workflow s'arrête brutalement
• Aucune stratégie de récupération intelligente

SOLUTION REQUISE

Intégrer les préférences IA directement dans les profils de personnalités Google Sheets

Nouveaux champs à ajouter dans la sheet "Personnalités" :

• LLM_Prefere : LLM principal pour cette personnalité (ex: "claude", "openai")
• LLM_Fallback : LLM de secours si le principal échoue
• Temperature : Température spécifique à la personnalité (0.7-1.0)
• Style_Prompt : Instructions spécifiques pour adapter le prompt au style

Exemple de données :

Marc | Expert technique | ... | claude | openai | 0.8 | "Utilise un vocabulaire technique précis"
Sophie | Passionnée | ... | gemini | mistral | 1.0 | "Sois chaleureux et utilise des anecdotes"

Logique de fallback intelligent :

1. Utiliser LLM_Prefere de la personnalité
2. Si échec → utiliser LLM_Fallback de la personnalité
3. Si échec → relancer avec nouvelle personnalité (voir ci-dessous)

---

🔄 PRIORITÉ 2 - RELANCE AVEC NOUVELLE PERSONNALITÉ

PROBLÈME ACTUEL

• Si l'enhancement d'une personnalité échoue, le workflow s'arrête
• Perte complète du travail déjà effectué

SOLUTION REQUISE

Système de relance avec sélection d'une nouvelle personnalité

Stratégie de récupération :

1. Détection d'échec : Capturer les erreurs IA lors de l'enhancement
2. Sauvegarde état : Garder le contenu généré jusqu'à l'étape qui a échoué
3. Nouvelle sélection : Choisir une personnalité différente avec LLM disponible
4. Reprise partielle : Reprendre seulement l'étape qui a échoué, pas tout le workflow

Implémentation suggérée :

async function enhanceWithPersonalityRecovery(content, personality, attempt = 1) {
  try {
    return await enhance(content, personality);
  } catch (error) {
    if (attempt < 3) {
      const newPersonality = selectAlternativePersonality(personality);
      logSh(`🔄 Relance tentative ${attempt + 1} avec ${newPersonality.nom}`, 'INFO');
      return await enhanceWithPersonalityRecovery(content, newPersonality, attempt + 1);
    }
    throw new Error(`FATAL: Échec après 3 tentatives avec personnalités différentes`);
  }
}

---

📋 PRIORITÉ 3 - INTÉGRATION LITELLM POUR TRACKING COÛTS

PROBLÈME ACTUEL

• Impossible de récupérer les crédits restants via les APIs des providers (OpenAI, Anthropic, etc.)
• OpenAI a supprimé l'endpoint /v1/dashboard/billing/credit_grants pour les soldes USD
• Anthropic n'a aucune API pour la balance (feature request ouverte depuis longtemps)
• Pas de visibilité centralisée sur les coûts multi-providers

SOLUTION REQUISE

Intégrer LiteLLM comme proxy pour tracking automatique des coûts

Pourquoi LiteLLM :

• ✅ Standard de l'industrie : Utilisé par la majorité des projets multi-LLM
• ✅ Support 100+ LLMs : OpenAI, Anthropic, Google, Deepseek, Moonshot, Mistral, etc.
• ✅ Tracking automatique : Intercepte tous les appels et calcule les coûts
• ✅ Dashboard unifié : Vue centralisée par user/team/API key
• ✅ API de métriques : Récupération programmatique des stats

Implémentation suggérée :

# Installation
pip install litellm[proxy]

# Démarrage proxy
litellm --config litellm_config.yaml

# litellm_config.yaml
model_list:
  - model_name: gpt-5
    litellm_params:
      model: openai/gpt-5
      api_key: ${OPENAI_API_KEY}
  - model_name: claude-sonnet-4-5
    litellm_params:
      model: anthropic/claude-sonnet-4-5-20250929
      api_key: ${ANTHROPIC_API_KEY}
  # ... autres models

Changements dans notre code :

1. LLMManager.js : Router tous les appels via LiteLLM proxy (localhost:8000)
2. LLM Monitoring : Récupérer les stats via l'API LiteLLM
3. Dashboard : Afficher "Dépensé ce mois" au lieu de "Crédits restants"

Alternatives évaluées :

• Langfuse : Bien mais moins de models supportés
• Portkey : Commercial, pas open source
• Helicone : Plus basique
• Tracking maison : Trop de maintenance, risque d'erreurs de calcul

Avantages supplémentaires :

• 🔄 Load balancing : Rotation automatique entre plusieurs clés API
• 📊 Analytics : Métriques détaillées par endpoint/user/model
• 🚨 Alertes : Notifications quand budget dépassé
• 💾 Caching : Cache intelligent pour réduire les coûts

---

📋 PRIORITÉ 4 - AUTRES AMÉLIORATIONS

A. Monitoring des échecs IA

• Logging détaillé : Quel LLM échoue, quand, pourquoi
• Métriques de fiabilité : Taux de succès par LLM et par personnalité
• Alertes proactives : Notification si un LLM devient indisponible

B. Configuration dynamique

• Tests de connectivité : Vérifier la disponibilité des LLM avant le workflow
• Sélection intelligente : Éviter les LLM connus comme indisponibles
• Mise en cache : Cache des réponses LLM pour éviter les redondances

C. Rollback partiel

• Sauvegarde étapes : Sauvegarder le résultat de chaque étape du workflow
• Reprise granulaire : Reprendre à l'étape qui a échoué, pas depuis le début

---

⚡ IMPLÉMENTATION IMMÉDIATE

Étape 1 : Modifier Google Sheets

1. Ajouter colonnes dans sheet "Personnalités"
2. Remplir les données pour les 15 personnalités existantes
3. Tester la lecture des nouvelles colonnes

Étape 2 : Adapter le code

1. BrainConfig.js : Lire les nouveaux champs LLM des personnalités
2. SelectiveEnhancement.js : Utiliser les LLM préférés par personnalité
3. LLMManager.js : Ajouter logique de fallback par personnalité

Étape 3 : Tests

1. Tester avec LLM indisponible volontairement
2. Vérifier la relance avec nouvelle personnalité
3. Valider la qualité du contenu avec les fallbacks

---

🎯 RÉSULTAT ATTENDU

• 99% de disponibilité : Le workflow ne s'arrête plus pour des problèmes IA temporaires
• Qualité préservée : Chaque personnalité utilise son LLM optimal
• Récupération intelligente : Échec d'une personnalité = essai avec une autre
• Zero perte de travail : Reprise à l'étape d'échec, pas restart complet