TP done

src/app/graphql/queries.py

@@ -1,7 +1,5 @@
 import strawberry
 
-# Note : l'énoncé demande d'importer la V1 à l'étape 3, puis la V2 à l'étape 6
-# L'import ci-dessous correspond à l'étape 6.
 from app.graphql.resolvers.analyze_movie_v2 import analyze_movie_by_id
 from app.graphql.types.movie_analysis import MovieAnalysis
 
@@ -11,13 +9,7 @@ class Query:
     """
     Point d'entrée pour toutes les requêtes GraphQL de type 'query'.
     """
-
-    # TODO : (Étape 3) L'énoncé vous demande d'implémenter ce champ
-    # en important et en utilisant 'analyze_movie_v1'
-
-    # (Étape 6) L'énoncé vous demande ensuite de basculer vers 'analyze_movie_v2'
-    # La configuration ci-dessous correspond à l'étape 6.
-    analyzeMovie: MovieAnalysis = strawberry.field(
-        resolver=analyze_movie_by_id,  # 'analyze_movie_by_id' est importé depuis v2
-        description="Analyse un film en utilisant l'IA."
+    analyze_movie: MovieAnalysis = strawberry.field(
+        resolver=analyze_movie_by_id,
+        description="Lance une analyse par IA d'un film donné par son ID."
     )

src/app/graphql/resolvers/analyze_movie_v1.py

@@ -10,9 +10,6 @@ async def analyze_movie_by_id(
     # movie_input: MovieInput, classe nécessaire seulement si on avait eu beaucoup de champs en entrée
 ) -> MovieAnalysis:
 
-    # TODO : (Étape 3) Remplacer la ligne suivante par un appel au service V1
-    # analysis_data = await analyze_movie(movie_id=movie_id)
-    raise NotImplementedError("Le resolver analyze_movie_v1.analyze_movie_by_id() n'est pas implémenté.")
+    analysis_data = await analyze_movie(movie_id=movie_id)
 
-    # La ligne ci-dessous doit être décommentée une fois le TODO complété
-    # return MovieAnalysis(**analysis_data)
+    return MovieAnalysis(**analysis_data)

src/app/graphql/resolvers/analyze_movie_v2.py

@@ -5,18 +5,13 @@ from app.graphql.resolvers.helper import is_field_requested
 from app.graphql.types.movie_analysis import MovieAnalysis
 from app.services.movie_analyzer_v2 import analyze_movie
 
-
 async def analyze_movie_by_id(
-        movie_id: strawberry.ID,
-        info: Info,
+    movie_id: strawberry.ID,
+    info: Info,
 ) -> MovieAnalysis:
-    # TODO : (Étape 6) Remplacer la ligne suivante par la récupération
-    # du LLM depuis 'info.context' (ex: llm = info.context["llm"])
-    raise NotImplementedError("Le resolver V2 n'a pas encore récupéré le LLM du contexte.")
 
-    # llm = ... # <== Code à écrire
+    llm = info.context["llm"]
 
-    # Le 'llm=llm' ci-dessous fonctionnera une fois le TODO complété
     analysis_data = await analyze_movie(
         movie_id=movie_id,
         ai_summary=is_field_requested(info, "aiSummary"),

src/app/repositories/genre_repository.py

@@ -7,10 +7,6 @@ from app.repositories._base_client import api_client
 class GenreRepository:
     async def list(self) -> List[Genre]:
         response = await api_client._request("GET", "/genres/")
-        # TODO : (Étape 2) Remplacer la ligne suivante par un appel à
-        # response = await api_client._request("GET", "/genres/")
-        # La ligne ci-dessous doit être décommentée une fois le TODO complété
         return [Genre.model_validate(g) for g in response.json()]
 
-
 genre_repository = GenreRepository()

src/app/repositories/movie_repository.py

@@ -1,28 +1,24 @@
 from typing import List, Optional
-import httpx
+
 from app.core.exceptions import DALException
 from app.models.movie import Movie
 from app.repositories._base_client import api_client
 
-
 class MovieRepository:
 
     async def list(self, skip: int = 0, limit: int = 100) -> List[Movie]:
-        # TODO : (Étape 2) Remplacer la ligne suivante par un appel à
-        # response = await api_client._request("GET", "/movies/", params={"skip": skip, "limit": limit})
-        # La ligne ci-dessous doit être décommentée une fois le TODO complété
-        response = await api_client._request("GET", "/movies/", params={"skip": skip, "limit": limit})
+        response = await api_client._request(
+            "GET", "/movies/", params={"skip": skip, "limit": limit}
+        )
         return [Movie.model_validate(m) for m in response.json()]
 
     async def find_by_id(self, movie_id: int) -> Optional[Movie]:
         try:
             response = await api_client._request("GET", f"/movies/{movie_id}")
-            # TODO : (Étape 2) Remplacer la ligne suivante par un appel à
-            # response = await api_client._request("GET", f"/movies/{movie_id}")
-            # La ligne ci-dessous doit être décommentée une fois le TODO complété
             return Movie.model_validate(response.json())
         except DALException as e:
             if e.status_code == 404:
                 return None
             raise
+
 movie_repository = MovieRepository()

src/app/services/movie_analyzer_v1.py

@@ -1,17 +1,9 @@
 
 async def analyze_movie(movie_id: str) -> dict:
-    # TODO : retourner un dictionnaire python statique (chaînes de caractères en dur) avec comme attributs:
-    #  id (correspondant à movie_id)
-    #  aiSummary (chaîne de caractères arbitraire)
-    #  aiOpinionSummary  (chaîne de caractères arbitraire)
-    #  aiBestGenre  (chaîne de caractères arbitraire)
-    #  aiTags (TABLEAU de chaînes de caractères arbitraire)
-    raise NotImplementedError("Le service movie_analyzer_v1.analyze_movie() n'est pas implémenté.")
     return {
         "id": movie_id,
-
-
-
-
+        "aiSummary" : "C'est l'histoire de...",
+        "aiOpinionSummary": "Le film est une aventure épique...",
+        "aiBestGenre": "Fantastique",
+        "aiTags": ["Épique", "Quête", "Magie"]
     }
-

src/app/services/movie_analyzer_v2.py

@@ -41,23 +41,13 @@ async def get_ai_best_genre(llm, synopsis, all_genres):
     genres_list = ", ".join([genre.label for genre in all_genres])
 
     # Prompt pour choisir le genre le plus pertinent
-    # TODO : compléter les instructions du prompt
     prompt = f"""
-        # TODO : Écrire les instructions pour le LLM.
-        # Objectif : Choisir le *seul* genre le plus pertinent pour le film.
-        # Contraintes :
-        # 1. Le LLM DOIT répondre en français.
-        # 2. Le LLM DOIT choisir son genre EXCLUSIVEMENT parmi la liste fournie.
-        # 3. Le LLM NE DOIT retourner QUE le nom du genre (ex: "Drame"), sans aucune autre phrase.
-
-        Voici le synopsis :
-        {synopsis}
-
-        Voici la liste des genres autorisés :
-        {genres_list}
-
-        Genre le plus pertinent :
-        """
+        Français uniquement.
+        Parmi la liste suivante de genres cinématographiques, choisis le genre le plus pertinent pour le synopsis donné.
+        Liste des genres : {genres_list}
+        Ne retourne que le nom du genre, sans explication, sans phrase d'introduction.
+        Synopsis : {synopsis}
+    """
 
     # Appel asynchrone au modèle de langage
     response = await llm.ainvoke(prompt)
@@ -68,21 +58,15 @@ async def get_ai_tags(llm, title, synopsis):
     if not title or not synopsis:
         return None
 
-    # TODO : définir le prompt approprié
     prompt = f"""
-        # TODO : Écrire les instructions pour le LLM.
-        # Objectif : Générer 5 tags (mots-clés) pertinents pour le film.
-        # Contraintes :
-        # 1. Le LLM DOIT répondre en français.
-        # 2. Le LLM DOIT retourner une liste de tags séparés par des virgules.
-        # 3. Le LLM NE DOIT PAS inclure de phrase d'introduction (ex: "Voici les tags :").
-
-        Titre du film : {title}
-        Synopsis : {synopsis}
-
-        Génère 5 tags pertinents, séparés par des virgules :
-        """
+    Français uniquement.
+    Liste 5 à 8 mots-clés (tags) pertinents pour le film suivant.
+    Réponds uniquement avec les mots-clés séparés par des virgules, sans numérotation, sans explication, sans phrase d'introduction.
+    Par exemple : "intelligence artificielle, prophétie, pirate informatique, réalité virtuelle".
 
+    Titre : {title}
+    Synopsis : {synopsis}
+    """
     response = await llm.ainvoke(prompt)
     tags = [tag.strip() for tag in response.content.split(',') if tag.strip()]
     return tags
@@ -113,12 +97,14 @@ async def analyze_movie(
     if ai_summary:
         tasks["aiSummary"] = get_ai_summary(llm, movie_data.synopsis)
 
-    # TODO : (Étape 5) compléter la logique d'ajout des tâches avec :
-    # appeler 'get_ai_opinion_summary', 'get_ai_best_genre', 'get_ai_tags'
-    # mettre le résultat respectivement dans la clé "aiOpinionSummary", "aiBestGenre", "aiTags" (ATTENTION : il faut respecter la casse pour ces clés!) du tableau associatif (dictionnaire) "tasks"
-    # respectivement en fonction des booléens 'ai_opinion_summary', 'ai_best_genre', 'ai_tags'
-    if ai_opinion_summary or ai_best_genre or ai_tags:
-        raise NotImplementedError("La logique d'ajout de tâches (opinion, genre, tags) n'est pas implémentée.")
+    if ai_opinion_summary:
+        tasks["aiOpinionSummary"] = get_ai_opinion_summary(llm, movie_data.title, movie_data.opinions)
+
+    if ai_best_genre:
+        tasks["aiBestGenre"] = get_ai_best_genre(llm, movie_data.synopsis, all_genres)
+
+    if ai_tags:
+        tasks["aiTags"] = get_ai_tags(llm, movie_data.title, movie_data.synopsis)
 
     if tasks:
         # On récupère les coroutines (les fonctions async prêtes à être lancées)