agentic-api 2.0.491 → 2.0.592

package/dist/src/llm/xai.d.ts

@@ -0,0 +1,17 @@
+/**
+ * xAI (Grok) Model Mappings
+ *
+ * Configuration des modèles pour le provider xAI
+ * Note: xAI ne supporte pas les embeddings ni Whisper nativement
+ *
+ * Modèles disponibles (Décembre 2024):
+ * - grok-4: Flagship model ($3.00/$15.00 per 1M tokens)
+ * - grok-4-1-fast-reasoning: Fast reasoning ($0.20/$0.50 per 1M tokens)
+ * - grok-4-1-fast-non-reasoning: Fast non-reasoning ($0.20/$0.50 per 1M tokens)
+ * - grok-4-fast-reasoning: Fast reasoning ($0.20/$0.50 per 1M tokens)
+ * - grok-4-fast-non-reasoning: Fast non-reasoning ($0.20/$0.50 per 1M tokens)
+ * - grok-code-fast-1: Agentic coding ($0.20/$1.50 per 1M tokens)
+ *
+ * Pricing: https://x.ai/api#pricing
+ */
+export declare const LLMxai: Record<string, any>;

package/dist/src/llm/xai.js

@@ -0,0 +1,90 @@
+"use strict";
+/**
+ * xAI (Grok) Model Mappings
+ *
+ * Configuration des modèles pour le provider xAI
+ * Note: xAI ne supporte pas les embeddings ni Whisper nativement
+ *
+ * Modèles disponibles (Décembre 2024):
+ * - grok-4: Flagship model ($3.00/$15.00 per 1M tokens)
+ * - grok-4-1-fast-reasoning: Fast reasoning ($0.20/$0.50 per 1M tokens)
+ * - grok-4-1-fast-non-reasoning: Fast non-reasoning ($0.20/$0.50 per 1M tokens)
+ * - grok-4-fast-reasoning: Fast reasoning ($0.20/$0.50 per 1M tokens)
+ * - grok-4-fast-non-reasoning: Fast non-reasoning ($0.20/$0.50 per 1M tokens)
+ * - grok-code-fast-1: Agentic coding ($0.20/$1.50 per 1M tokens)
+ *
+ * Pricing: https://x.ai/api#pricing
+ */
+Object.defineProperty(exports, "__esModule", { value: true });
+exports.LLMxai = void 0;
+exports.LLMxai = {
+    // Vision capable models
+    "VISION": {
+        model: "grok-4",
+        temperature: 0.2,
+        stream: false
+    },
+    "VISION-fast": {
+        model: "grok-4-fast-reasoning",
+        temperature: 0.2,
+        stream: false
+    },
+    // Embedding models - xAI ne supporte pas les embeddings
+    // Si utilisé, une erreur sera levée par modelConfig
+    // "EMBEDDING-small": undefined,
+    // "EMBEDDING-large": undefined,
+    // Audio models - xAI ne supporte pas Whisper
+    // "WHISPER": undefined,
+    // "TRANSCRIBE": undefined,
+    // Chat/Responses models
+    "LOW-fast": {
+        temperature: 0.2,
+        model: "grok-code-fast-1",
+        stream: true
+    },
+    "LOW": {
+        temperature: 0.2,
+        model: "grok-4-fast-non-reasoning",
+        stream: true
+    },
+    "LOW-medium": {
+        temperature: 0.2,
+        model: "grok-4-fast-non-reasoning",
+        stream: true
+    },
+    "MEDIUM-fast": {
+        temperature: 0.2,
+        model: "grok-4-1-fast-reasoning",
+        stream: true
+    },
+    "MEDIUM": {
+        temperature: 0.2,
+        model: "grok-4-fast-reasoning",
+        stream: true
+    },
+    "HIGH-fast": {
+        model: "grok-4-1-fast-reasoning",
+        temperature: 0.2,
+        stream: true
+    },
+    "HIGH": {
+        model: "grok-4",
+        temperature: 0.2,
+        stream: true
+    },
+    "HIGH-medium": {
+        model: "grok-4",
+        temperature: 0.2,
+        stream: true
+    },
+    "SEARCH-fast": {
+        temperature: 0.2,
+        model: "grok-code-fast-1",
+        tools: [{ type: "web_search" }],
+    },
+    "SEARCH": {
+        temperature: 0.2,
+        model: "grok-4-fast-reasoning",
+        tools: [{ type: "web_search" }],
+    },
+};

package/dist/src/pricing.llm.d.ts

@@ -1,17 +1,5 @@
-import { CompletionUsage } from "openai/resources";
-import { Usage } from "./types";
-type ModelPricing = {
-    input: number;
-    cachedInput?: number;
-    output: number;
-};
-export declare const modelPricing: Record<string, ModelPricing>;
-export declare function calculateCost(model: string, usage?: CompletionUsage): number;
-export declare function accumulateCost(currentUsage: Usage, model: string, usage?: CompletionUsage): number;
-export declare function LLM(openai: any, forceThinking?: boolean): any;
-export declare const LLMxai: any;
 /**
- * Get model mapping for OpenAI
+ * @deprecated Ce fichier est conservé pour rétrocompatibilité.
+ * Utiliser les imports depuis './llm/pricing' directement.
  */
-export declare const LLMopenai: any;
-export {};
+export { modelPricing, calculateCost, accumulateCost, LLM, LLMxai, LLMopenai, } from './llm/pricing';

package/dist/src/pricing.llm.js

@@ -1,255 +1,14 @@
 "use strict";
 Object.defineProperty(exports, "__esModule", { value: true });
-exports.LLMopenai = exports.LLMxai = exports.modelPricing = void 0;
-exports.calculateCost = calculateCost;
-exports.accumulateCost = accumulateCost;
-exports.LLM = LLM;
-//
-// get/update pricing from openai
-// - https://platform.openai.com/docs/pricing#latest-models
-exports.modelPricing = {
-    "gpt-4.5-preview": { input: 0.000075, cachedInput: 0.0000325, output: 0.000125 },
-    "gpt-4.1": { input: 0.000002, cachedInput: 0.0000005, output: 0.000008 },
-    "gpt-4.1-mini": { input: 0.0000004, cachedInput: 0.0000001, output: 0.0000016 },
-    "gpt-4.1-nano": { input: 0.0000001, cachedInput: 0.000000025, output: 0.0000004 },
-    "gpt-4o": { input: 0.0000025, cachedInput: 0.00000125, output: 0.00001 },
-    "gpt-4o-audio-preview": { input: 0.0000025, output: 0.00001 },
-    "gpt-4o-realtime-preview": { input: 0.000005, cachedInput: 0.0000025, output: 0.00002 },
-    "gpt-4o-search-preview": { input: 0.000005, cachedInput: 0.0000025, output: 0.00002 },
-    "gpt-4o-mini": { input: 0.00000015, cachedInput: 0.000000075, output: 0.0000006 },
-    "gpt-4o-mini-audio-preview": { input: 0.00000015, output: 0.0000006 },
-    "gpt-4o-mini-realtime-preview": { input: 0.0000006, cachedInput: 0.0000003, output: 0.0000024 },
-    "gpt-4o-mini-search-preview": { input: 0.0000015, cachedInput: 0.00000075, output: 0.000006 },
-    // GPT-5 family
-    "gpt-5": { input: 0.00000125, output: 0.00001 },
-    "gpt-5.1": { input: 0.00000125, output: 0.00001 },
-    "gpt-5-mini": { input: 0.00000025, output: 0.000002 },
-    "gpt-5-nano": { input: 0.00000005, output: 0.0000004 },
-    "o1": { input: 0.000015, cachedInput: 0.0000075, output: 0.00006 },
-    "o4-mini": { input: 0.0000011, cachedInput: 0.00000055, output: 0.0000044 },
-    "o3-mini": { input: 0.0000011, cachedInput: 0.00000055, output: 0.0000044 },
-    "o1-mini": { input: 0.0000011, cachedInput: 0.00000055, output: 0.0000044 },
-    // Grok 4 family - Official pricing from xAI docs (per million tokens)
-    "grok-4-fast-reasoning": { input: 0.0002, cachedInput: 0.0001, output: 0.0005 },
-    "grok-4-fast-non-reasoning": { input: 0.0002, cachedInput: 0.0001, output: 0.0005 },
-    "grok-4-0709": { input: 0.003, cachedInput: 0.0015, output: 0.015 },
-    "grok-code-fast-1": { input: 0.0002, cachedInput: 0.0001, output: 0.0015 },
-};
-function calculateCost(model, usage) {
-    if (!usage) {
-        return 0;
-    }
-    if (!exports.modelPricing[model]) {
-        throw new Error("Unknown model");
-    }
-    const pricing = exports.modelPricing[model];
-    const cost = usage.prompt_tokens * pricing.input +
-        // usage.completion_tokens * (pricing.cachedInput || 0) +
-        usage.completion_tokens * pricing.output;
-    return cost;
-}
-function accumulateCost(currentUsage, model, usage) {
-    if (!usage) {
-        return 0;
-    }
-    currentUsage.prompt += usage.prompt_tokens || 0;
-    currentUsage.completion += usage.completion_tokens || 0;
-    currentUsage.total += usage.total_tokens || 0;
-    const cost = calculateCost(model, usage);
-    currentUsage.cost += cost;
-    return currentUsage.cost;
-}
-//
-// depending on the API source, return the correct mapping between ALIAS and destination models and options.
-// - LOW-fast: openai => gpt-5-nano, xAI => grok-4-nano
-// - etc.
-function LLM(openai, forceThinking) {
-    //
-    // Detect provider based on baseURL  
-    const mapping = openai?.baseURL ? LLMmapping[openai?.baseURL] : LLMmapping["default"];
-    // FIXME: this is a temporary solution to force reasoning effort to high if thinking is enabled
-    if (mapping.reasoning_effort && forceThinking) {
-        mapping.reasoning_effort = "high";
-    }
-    return mapping;
-}
-exports.LLMxai = {
-    "LOW-fast": {
-        temperature: 0.2,
-        model: "grok-code-fast-1", // Fast code model, good for low-complexity tasks
-        stream: true
-    },
-    "LOW": {
-        temperature: 0.2,
-        model: "grok-4-fast-non-reasoning", // Fast non-reasoning model
-        stream: true
-    },
-    "LOW-medium": {
-        temperature: 0.2,
-        model: "grok-4-fast-non-reasoning", // Fast non-reasoning model
-        stream: true
-    },
-    "MEDIUM-fast": {
-        temperature: 0.2,
-        model: "grok-4-fast-reasoning", // Fast reasoning model
-        stream: true
-    },
-    "MEDIUM": {
-        temperature: 0.2,
-        model: "grok-4-fast-reasoning", // Fast reasoning model
-        stream: true
-    },
-    "HIGH-fast": {
-        model: "grok-4-fast-reasoning",
-        temperature: 0.2,
-        stream: true
-    },
-    "HIGH-low": {
-        model: "grok-4-0709", // Most capable Grok-4 model
-        temperature: 0.2,
-        stream: true
-    },
-    "HIGH-medium": {
-        model: "grok-4-0709", // Most capable Grok-4 model
-        temperature: 0.2,
-        stream: true
-    },
-    "SEARCH-fast": {
-        temperature: 0.2,
-        model: "grok-code-fast-1",
-        web_search_options: {
-            user_location: {
-                type: "approximate",
-                approximate: {
-                    country: "CH",
-                    city: "Geneva",
-                    region: "Geneva",
-                },
-            },
-        },
-    },
-    "SEARCH": {
-        temperature: 0.2,
-        model: "grok-4-fast-non-reasoning",
-        web_search_options: {
-            user_location: {
-                type: "approximate",
-                approximate: {
-                    country: "CH",
-                    city: "Geneva",
-                    region: "Geneva",
-                },
-            },
-        },
-    },
-};
+exports.LLMopenai = exports.LLMxai = exports.LLM = exports.accumulateCost = exports.calculateCost = exports.modelPricing = void 0;
 /**
- * Get model mapping for OpenAI
+ * @deprecated Ce fichier est conservé pour rétrocompatibilité.
+ * Utiliser les imports depuis './llm/pricing' directement.
  */
-exports.LLMopenai = {
-    "LOW-fast": {
-        temperature: 1,
-        frequency_penalty: 0.0,
-        presence_penalty: 0.0,
-        model: "gpt-5-nano",
-        reasoning_effort: "minimal",
-        verbosity: "low",
-        stream: true
-    },
-    "LOW": {
-        temperature: 1,
-        frequency_penalty: 0.0,
-        presence_penalty: 0.0,
-        model: "gpt-5-nano",
-        reasoning_effort: "low",
-        verbosity: "low",
-        stream: true
-    },
-    "LOW-medium": {
-        temperature: 1,
-        frequency_penalty: 0.0,
-        presence_penalty: 0.0,
-        model: "gpt-5-nano",
-        reasoning_effort: "medium",
-        verbosity: "low",
-        stream: true
-    },
-    "LOW-4fast": {
-        temperature: .2,
-        frequency_penalty: 0.0,
-        presence_penalty: 0.0,
-        model: "gpt-4.1-nano",
-        stream: true
-    },
-    "MEDIUM-4.1-mini": {
-        temperature: .2,
-        frequency_penalty: 0.0,
-        presence_penalty: 0.0,
-        model: "gpt-4.1-mini",
-        stream: true
-    },
-    "MEDIUM-4.1": {
-        temperature: .2,
-        frequency_penalty: 0.0,
-        presence_penalty: 0.0,
-        model: "gpt-4.1",
-        stream: true
-    },
-    "MEDIUM-fast": {
-        temperature: 1,
-        frequency_penalty: 0.0,
-        presence_penalty: 0.0,
-        model: "gpt-5-mini",
-        reasoning_effort: "minimal",
-        verbosity: "low",
-        stream: true
-    },
-    "MEDIUM": {
-        temperature: 1,
-        frequency_penalty: 0.0,
-        presence_penalty: 0.0,
-        model: "gpt-5-mini",
-        reasoning_effort: "low",
-        verbosity: "low",
-        stream: true
-    },
-    "HIGH-fast": {
-        model: "gpt-5.1",
-        reasoning_effort: "none",
-        verbosity: "low",
-        temperature: 1,
-        stream: true
-    },
-    "HIGH": {
-        model: "gpt-5.1",
-        reasoning_effort: "low",
-        verbosity: "low",
-        stream: true
-    },
-    "HIGH-medium": {
-        model: "gpt-5",
-        reasoning_effort: "medium",
-        verbosity: "low",
-        stream: true
-    },
-    "SEARCH": {
-        model: "gpt-5-mini",
-        reasoning: { effort: "low" },
-        tools: [
-            {
-                type: "web_search_preview",
-                user_location: {
-                    type: "approximate",
-                    country: "CH",
-                    city: "Geneva",
-                    region: "Geneva",
-                },
-            }
-        ],
-    },
-};
-const LLMmapping = {
-    "https://api.x.ai/v1": exports.LLMxai,
-    "https://api.openai.com/v1": exports.LLMopenai,
-    "default": exports.LLMopenai
-};
+var pricing_1 = require("./llm/pricing");
+Object.defineProperty(exports, "modelPricing", { enumerable: true, get: function () { return pricing_1.modelPricing; } });
+Object.defineProperty(exports, "calculateCost", { enumerable: true, get: function () { return pricing_1.calculateCost; } });
+Object.defineProperty(exports, "accumulateCost", { enumerable: true, get: function () { return pricing_1.accumulateCost; } });
+Object.defineProperty(exports, "LLM", { enumerable: true, get: function () { return pricing_1.LLM; } });
+Object.defineProperty(exports, "LLMxai", { enumerable: true, get: function () { return pricing_1.LLMxai; } });
+Object.defineProperty(exports, "LLMopenai", { enumerable: true, get: function () { return pricing_1.LLMopenai; } });

package/dist/src/prompts.d.ts

@@ -11,5 +11,4 @@ export interface UsecaseExtractionOptions {
     examples?: string;
     extended?: string;
 }
-export declare const usecaseExtractionPrompt_OLD: (file: string) => string;
 export declare const usecaseExtractionPrompt: (file: string, options?: UsecaseExtractionOptions) => string;

package/dist/src/prompts.js

@@ -1,6 +1,6 @@
 "use strict";
 Object.defineProperty(exports, "__esModule", { value: true });
-exports.usecaseExtractionPrompt = exports.usecaseExtractionPrompt_OLD = exports.htmlToMarkdownPrompt = exports.textToMarkdownPrompt = exports.defaultOutputPrompt = exports.transferAgentPromptHandoff = exports.transferAgentPromptStructured = exports.transferAgentPrompt = exports.transferAgentPrompt__ = exports.transferAgentPrompt_ = void 0;
+exports.usecaseExtractionPrompt = exports.htmlToMarkdownPrompt = exports.textToMarkdownPrompt = exports.defaultOutputPrompt = exports.transferAgentPromptHandoff = exports.transferAgentPromptStructured = exports.transferAgentPrompt = exports.transferAgentPrompt__ = exports.transferAgentPrompt_ = void 0;
 exports.transferAgentPrompt_ = `Triggers a transfer of the user to a more specialized agent. 
   Calls escalate to a more specialized LLM agent or to a human agent, with additional context. 
   Only call this function if one of the available agents is appropriate. Don't transfer to your own agent type.
@@ -242,130 +242,63 @@ owner: {owner}
 
 
 `;
-const usecaseExtractionPrompt_OLD = (file) => `# RÔLE:
-   - Tu es un expert en développement de test unitaires avec nodejs et jtest. 
-   - Tu as développé un RAG avec openai et "hnswlib-node" qui contient toutes les Procédures de l'entreprise Pilet & Renaud SA.
-   - Ta mission est de créer une série de tests exhaustifs pour valider que le RAG couvre à 100% le contenu des procédures de l'entreprise. 
-   - Produire des questions à un coût important, tu dois être efficace, tu dois capturer un maximum de détails ( action, objet, bénéficiaire, contexte) avec un minimum de questions (maximum 4):
-     Une question peut concerner l'utilisation précise d'un logiciel ou un article précis de réglementation.
-     Chaque question doit satisfaire ces critères: clairement identifier le problème à résoudre ou l'action souhaitée dans le domaine précis du document fourni, doit être spécifique et ne peut pas être ambiguë.
-     Tu DOIS supprimer du résultat les questions génériques qui non spécifiques au contexte métier du document.
-     Toutes les questions que tu vas créer concernent précisément le document fourni en INPUT ci-dessous. 
-   - Pour orienter la formulation des questions, je te fournis quelques exemples de questions réelles.
-   - En moyenne, chaque question doit être au maximum de 15 mots, mais tu peux en produire aussi des plus courtes (20%) pour élargir le champ des tests.
-   - La réponse contient la liste de mots très spécifiques pour chaque section de la procédure séparés par des virgules.
-   - Si la réponse concerne un schéma, une procédure ou l'utilisation d'un logiciel, tu dois décrire le besoin spécifique.
-   
-   
-   # EXEMPLES de formulation utilisées par les collaborateurs l'entreprise (attention à ne pas utiliser ces exemples si le sujet du INPUT´est différent).
-   - Écoulement bouché, que faire ?
-   - J’ai une fuite depuis le plafond de ma chambre, j’aimerais un sanitaire
-   - Mon frigo ne fonctionne pas, pouvez-vous mandater quelqu’un ?
-   - Mon store est resté bloqué, pouvez-vous faire quelque chose ?
-   - J’aimerais faire reproduire des clés, comment faire ? combien ça coûte ?
-   - Je suis fournisseur, ma facture n’est toujours pas payée par Pilet & Renaud.
-   - J’ai payé mon loyer, mais j’ai reçu un rappel, pourquoi ?
-   - Je paie toujours bien mon loyer, pouvez-vous supprimer les frais de rappel c’est la première fois que j’ai du retard.
-   - Est-ce que cet appartement est toujours disponible ? Comment déposer un dossier?
-   - Est-ce que mon dossier de candidature est retenu ? j’aimerais des infos.
-   - Inscription de korkmaz?
-   - J’ai reçu un appel manqué de la régie mais je ne sais pas qui a tenté de me joindre.
-   - Un fournisseur me dit que sa facture n’est toujours pas payée par Pilet & Renaud. Comment je vérifie ça?
-   - Comment créer un bon ?
-   - Quelles sont les tâches à faire après avoir conclu un contrat d’entretien ?
-   - Une entreprise souhaite travailler avec nous, que dois-je faire ?
-   
-   # QUESTIONS A EVITER: Les exemples qui ne sont pas pertinents pour le RAG (les documents sont tous concernés par ces questions, c'est donc inutile de les inclure dans les tests).
-   - Ce document contient-il des liens externes ?
-   - Cette absence de liens affecte-t-elle la validité du document ?
-   - Qui doit valider les changements dans la procédure ?
-   - Comment valider une modification de procédure ?
-   
-   # DICTIONNAIRE (jargon de l'entreprise):
-   - Logiciels Spécifiques: Quorum, MFiles, Base de connaissance, Teams, HomePad, Todoist, Mammutt, E-banking, INCH, Ecopartage, Immowise.
-   - SGC: Service de Gestion de la Clientèle
-   - GED: service qui gère le scan des documents, la mise sous plis, l’économat, le réassort des salles de pauses, la saisie des données pour orienter les documents dans M-Files
-   - MED: Mise en demeure.
-   - WC: Toilettes.
-   - M-Files: logiciel de gestion de documents
-   - PR ou PRSA: Pilet & Renaud SA
-   - PPE: Service qui gère les copropriétés.
-   - GP: Garantie Bancaire
-   - BAL: Boite à Lettre
-   - DD: Arrangement de paiement pour facture due mais qui n’est pas du loyer.
-   - copro: copropriétaire (attention à ne pas confondre avec gopros)
-   - un bon (bons): ordre d'intervention pour travaux (ex, bon de travail, création de bons, bons, etc).
-   - La Date à jour Locataire: le dernier mois qui a été payé par le locataire.
-   
-   
-   # OUTPUT INSTRUCTIONS
-   - Tu dois produire un JSON strict avec les champs suivants:
-   \`\`\`JSON
-   {
-     "source": "string",
-     "file": "${file}",
-     "queries": [{ "question": "string" }, ...]
-   }
-   \`\`\`
-   
-   INPUT:
-   `;
-exports.usecaseExtractionPrompt_OLD = usecaseExtractionPrompt_OLD;
-const usecaseExtractionPrompt = (file, options = {}) => `# RÔLE:
-- Tu es un expert en tests unitaires.
+const usecaseExtractionPrompt = (file, options = {}) => `# RÔLE
+- Tu es un collaborateur expérimenté qui aide ses collègues à formuler des questions métier courtes, naturelles et très concrètes.
+- Tu adoptes le point de vue d’un collègue interne qui pose une question précise sur une procédure donnée (INPUT).
 - Le corpus de procédures est indexé (RAG).
-- Tu adoptes le point de vue de l'utilisateur (un collègue interne qui pose une question métier précise à son voisin).
-- Tu génères des **questions discriminantes** testant la **couverture RAG** d’une procédure ou marche à suivre.
-
-# Structure du document en INPUT pour l'extraction des use cases
-- **Titre principal** → unique dans le corpus (très important).
-- **Intervenants** → Acteur(s) et Bénéficiaire(s) (distincts) de la procédure.
-- **Sections** → Titre unique dans la procédure (très important).
-  - **ÉTAPES / ACTIONS** → action/règle/décision importante
-  - **RÉSULTAT** → finalité/effet attendu
-  - **UI/PATH** → chemin/interface (Système > Module > Action)
 
+# Structure du document en INPUT
+- **Titre principal** → unique dans le corpus décrit l'object métier (le “concept central” de la section).
+- **Intervenants** → acteur(s) et bénéficiaire(s).
+- **Sections** → titre unique dans la procédure.
+  - **ÉTAPES / ACTIONS / TABLEAUX**
+  - **RÉSULTAT**
+  - **LOGICIEL** 
 
 # MISSION
-- Créer des **questions ultra-spécifiques** au document **INPUT** pour vérifier la couverture des **objectifs métiers**.
-- Chaque question = **un use-case précis**, **une seule section** (objectif, contexte, bénéficiaire, résultat).
-- Questions **courtes, concrètes, vérifiables** (≈12–18 mots; déroger si nécessaire pour l’exactitude).
-- Efficience : **min. 1** question par section, **max. 6** au total.
-- Une section = **un cas d’usage** spécifique (sans ambiguïté).
-- Une question peut viser un logiciel, un **raccourci** clavier, un acronyme, une étiquette, un montant, ou une règle juridique.
-- Critères : problème/action précis, contexte métier clair, non ambigu.
-- **Ne produis pas** de questions hors objectif du document.
-- Tout porte **strictement** sur le document fourni en INPUT.
-
-# FORMAT DES QUESTIONS (obligatoire)
-- Gabarit (au choix), rédigé **depuis l'utilisateur** :
-  - « En tant que [rôle dans la procédure], comment [action] dans [Système > Chemin] pour [résultat] ? »
-  - « Je dois [action] dans [Système > Chemin] : quel [champ/étiquette] renseigner pour [cas] ? »
-  - « Pour [objectif], où [créer/valider/envoyer] dans [Système > Chemin] et avec quel libellé ? »
-  - « Mon lavabo de salle de bain est bouché: l'eau s'évacue très lentement et remonte»
-
-## STYLE (strict)
-- Formuler en langage naturel, **sans aucun préfixe/label** au début.
-- Démarrer par « En tant que… », « Je dois… » ou « Pour… » (puis la question).
-
-
-# ❌ Interdictions Absolues
-- Préfixes/labels **méta** dans la question : « Section », « ÉTAPE(S) », « RÉSULTAT », « UI/PATH », « Tag », « Validation: ».
-- Questions vagues/génériques/méta (ex. “Quel système reçoit la demande ?”, “Dans quel contexte s’applique-t-elle ?”).
-- Questions n’identifiant pas clairement le **use-case** ou le **bénéficiaire**.
-
-# EXEMPLES À ÉVITER
-- « Dans quel contexte la procédure s’applique-t-elle ? »  
-- « Ce document contient-il des liens externes ? »  
-- « Combien de sections contient la procédure ? »  
-- « À quelle adresse e-mail est envoyée la notification ? » *(si le contexte métier n’est pas défini)*  
-- « Que faire si la demande est incomplète ? » *(sans préciser procédure, système, rôle, champ)*  
+- Générer des **questions ultra-spécifiques**, strictement liées au document INPUT.
+- Chaque question = **un use-case métier concret**, issu d’**une seule section** 
+- **L’objet métier mentionné dans le \`Titre:\` de la section doit apparaître explicitement dans chaque question**.
+  Titre : l’ACTION, l’OBJET métier et le BÉNÉFICIAIRE (seul 2/3 éléments sont obligatoires). 
+- Pour les logiciels, toujours partir de la fonction recherchée et du nom du logiciel pour trouver la marche à suivre. "Comment faire avec X pour Y..."
+- La question peut faire référence à des **valeurs concrètes** recherchées (montant, échéance, TVA, etc.) pour renforcer la spécificité.
+
+# DIRECTIVES SUPPLÉMENTAIRES POUR LES TABLES MARKDOWN
+- Pour une section contenant un tableau, chaque question doit viser à extraire **uniquement la valeur d’une cellule précise** : montant, condition ou date. (ces valeurs ne sont jamais mentionnées dans la question)
+- La question doit intégrer explicitement l’objet métier du \`Titre:\` de la section (le "concept central").
+- Interdiction de mentionner le tableau, ses colonnes, ou ses cellules.
+
+# LIMITES pour éviter la surcharge de questions.
+- Limite Maximum de 5 questions par section de  20 lignes 
+- Questions **courtes, naturelles, humaines**, acronymes autorisés (contraindre la formulation à ≈ 10-16 mots maximum - hard limit).
+- Chaque question concerne un seul objet métier et une seule réponse attendue sans exception.
+
+
+# STYLE (strict)
+- La question doit ressembler à ce qu’un collègue dirait oralement : simple, directe.
+- Démarrer par **« Je dois… »**, **« Comment… »** ou **« Pour… »** (forme interrogative).
+- Interdiction des formulations vagues ou a objectifs multiples : toujours nommer l'objet métier.
+- Priorité : **spécificité** → **clarté** → **brièveté** (dans cet ordre).
+
+# ❌ Interdictions absolues
+- Jamais utiliser les labels ou préfixes suivants : «Pour ce use-case», «En tant que», «Section», «Étapes», «Résultat», «UI/PATH», «Tag», «Validation».
+- Questions génériques (“Que faire si… ?” sans objet métier).
+- Questions parlant d’un autre système ou d’un cas hors procédure.
+- Formulations abstraites : “la phrase correspondante”, “le texte”, “le document” sans préciser.
+- Ne jamais mentionner "En tant que Collaborateurs..." dans la question, c'est le rôle par défaut de l'utilisateur.
+- Pas d’exemples hors métier (suppression du gabarit lavabo).
+
+# Gabarits simplifiés (optionnels)
+- « La comptabilité doit [action métier] pour [fonction métier]. »
+- « Je dois [action métier] pour [fonction métier]. »
+- « Comment [action courte] sur [document/objet métier] ? »
+- « Pour [objectif précis], où saisir [champ] dans [logiciel] ? »
+- « un client veut [objectif métier précis]. »
 
 ${options.extended}
 
-
-# OUTPUT INSTRUCTIONS
-- Tu dois produire un JSON strict avec les champs suivants:
+# OUTPUT
+- Retourner un JSON strict sans mofifier le nom du fichier :
 \`\`\`JSON
 {
   "file": "${file}",

package/dist/src/rag/embeddings.d.ts

@@ -17,6 +17,7 @@ export declare class Embeddings {
     private debug;
     private metadata;
     private mapping;
+    private provider;
     constructor(config: RAGConfig);
     /**
      * Extrait et sauvegarde les use cases d'un document
@@ -45,7 +46,10 @@ export declare class Embeddings {
      */
     searchKnn(vectors: number[], options?: EmbeddingsSearchOptions): RAGSearchResult;
     /**
-     * Recherche sémantique avec OpenAI
+     * Recherche sémantique avec le provider de l'embedding
+     * @param question La question à rechercher
+     * @param options Options de recherche
+     * @returns Les résultats de la recherche
      */
     semanticSearch(question: string, options?: EmbeddingsSearchOptions): Promise<RAGSearchResult>;
     /**