How abdelilah04116/autoresearchflow works
Pour représenter au mieux l’architecture de ce Système Multi-Agent de Recherche Intelligente, voici comment procéder pas à pas :
Identifier le type de projet et son objectif
• C’est une application back-end Python (monolithe modulaire) exposant une API REST via FastAPI, orchestrant un pipeline de 7 agents IA spécialisés, en interaction avec des services externes (Tavily, Gemini) et une base SQLite.
Analyser la structure de fichiers
• agents/ : 7 modules d’agents (Research, Summarizer, Editor, Validator, Feedback, Memory, Orchestrator)
• main.py : point d’entrée de l’API FastAPI
• demo.py : script de démonstration
• models.py : définitions des requêtes/réponses
• config.py + .env.example : configuration des clés et variables d’environnement
• requirements.txt : dépendances
Extraire les informations clés du README
• Le flow principal démarre par une requête utilisateur (POST /workflow), gérée par FastAPI → OrchestratorAgent
• L’Orchestrator séquence les appels aux ResearchAgent, SummarizerAgent, EditorAgent, ValidatorAgent, FeedbackAgent et MemoryAgent
• Les agents Research/Summarizer/Editor appellent respectivement les API externes Tavily et Gemini 2.0 Flash
• MemoryAgent persiste et récupère l’historique dans SQLite
• FeedbackAgent collecte et analyse les retours utilisateurs
Composants principaux à modéliser
• Client (Utilisateur ou script demo.py)
• API Layer (FastAPI dans main.py)
• Orchestrator Agent
• Agents spécialisés
• ResearchAgent ↔ Tavily API
• SummarizerAgent ↔ Gemini API
• EditorAgent ↔ Gemini API
• ValidatorAgent (mode humain/simulé)
• FeedbackAgent
• MemoryAgent ↔ SQLite DB
• Stockage : SQLite
• Services externes : Tavily Search, Gemini 2.0 Flash
Relations et flux de données
• Client → FastAPI → Orchestrator
• Orchestrator → (Research → Summarizer → Editor → Validator)
• Chaque appel d’agent peut déclencher un appel synchrone à un service externe
• Orchestrator → FeedbackAgent (en parallèle ou post-process)
• Orchestrator → MemoryAgent pour persistance et historique
• Enfin, réponse agrégée retournée au client
Points d’architecture et design patterns
• Pipeline / Workflow Orchestration : séquencement linéaire des agents
• Séparation des responsabilités : chaque agent implémente une facette distincte du traitement
• Modules interchangeables : possibilité d’ajouter/remplacer un agent (ex. nouveaux styles d’édition, critères de validation)
• Externalisation des services LLM : deux fournisseurs externes (Tavily, Gemini)
• Persistance légère : SQLite embarqué, facilement remplacé par un SGBD plus robuste ou un cache Redis
Conseils pour le diagramme
• Utiliser des boîtes (rectangles) pour chaque composant : API, Orchestrator, chaque agent, DB, services externes
• Relier avec des flèches directionnelles indiquant le sens des appels/réponses
• Colorer :
• Bleu clair pour composants internes (API, Orchestrator, agents)
• Vert pour la base de données
• Orange pour services externes
• Violet pour le client
• Formes distinctes :
• Rectangle bord arrondi pour le client
• Rectangle simple pour modules internes
• Cylindre pour la base de données
• Nuage (cloud) pour services externes
• Ajouter légende si nécessaire
Exemple de sections du diagramme
• Zone “Client” en haut à gauche
• Zone “API / Orchestrator” au centre
• Suite de modules “Agents” alignés horizontalement ou en pipeline
• En dessous, “Database (SQLite)” et à droite “Tavily API” + “Gemini API”
• Flèches :
• Client → API
• API → Orchestrator
• Orchestrator → ResearchAgent → Tavily
• Orchestrator → SummarizerAgent → Gemini
• … etc.
• Orchestrator → MemoryAgent → SQLite
• Orchestrator → FeedbackAgent
En suivant ces recommandations, vous obtiendrez un schéma clair, complet et fidèle à l’architecture du projet. Pensez à y inclure les détails de configuration (variables d’environnement) ou modes (simulation vs production) si vous souhaitez enrichir la vue.