Pipeline de Création de Contenu — Agent de repurposing multi-format

Un agent Utility-based qui transforme n'importe quel texte source en 4 formats plateforme optimisés (Facebook, LinkedIn, Instagram, YouTube) avec évaluation par fonction d'utilité, suggestions d'images, et dashboard temps réel.

Formats d'intégration : API REST (SSE streaming), CLI, Dashboard web temps réel.

---

Architecture

flowchart TD
    subgraph "Entrée"
        TEXT[Texte source<br/>ou URL]
        BRAND[Profil de marque]
    end

    subgraph "Supervisor Agent"
        ANALYSE[Analyse source<br/>Gemini]
        FORK[Spawn 4 agents]
    end

    subgraph "Format Agents"
        FB[Agent Facebook]
        LI[Agent LinkedIn]
        IG[Agent Instagram]
        YT[Agent YouTube]
    end

    subgraph "Évaluation"
        UTIL[Fonction d'utilité<br/>calculerUtilite]
        EVAL[Évaluateur<br/>Gemini]
    end

    subgraph "Sortie"
        SSE[SSE streaming<br/>temps réel]
        CLI[Terminal]
        DASH[Dashboard React]
    end

    TEXT --> ANALYSE
    BRAND --> ANALYSE
    ANALYSE --> FORK
    FORK --> FB & LI & IG & YT
    FB & LI & IG & YT --> EVAL
    EVAL --> UTIL
    UTIL --> SSE
    SSE --> DASH
    UTIL --> CLI

Loading

---

How It Works

1. Entrée — Texte source + profil de marque

# CLI
npx tsx src/index.ts --text-file article.txt --profile brand.json

# API (SSE streaming)
curl -X POST http://localhost:3001/api/pipeline \
  -H "Content-Type: application/json" \
  -d '{"text": "Notre startup a développé...", "profile": {...}}'

2. Analyse source — Gemini comprend le contenu

Le Supervisor Agent appelle Gemini 2.5 Flash pour extraire du texte source :

• Sujet : le thème central
• Concepts clés : les idées principales
• Ton : le registre (informatif, passionné, expert...)
• Arguments : les points de discussion
• Public cible : l'audience visée

3. Parallélisation — 4 agents format

Chaque agent spécialisé reçoit l'analyse et le profil de marque, puis génère un contenu optimisé pour sa plateforme :

Agent	Format	Cible	Ton
Facebook	Post conversationnel (≤150 mots)	Grand public	Émotionnel, engagement
LinkedIn	Post professionnel (≤250 mots)	Décideurs	Expert, crédible
Instagram	Légende courte (≤100 mots)	Visuel	Percutant, hashtags
YouTube	Script structuré (hook + body + CTA)	Abonnés	Dynamique, rythmé

4. Évaluation — Fonction d'utilité

Chaque contenu est noté par Gemini sur 3 critères spécifiques à son format (poids selon format) :

U = Σ(w_i × f_i(x))

facebook = 0.35×accroche + 0.35×ton + 0.30×concision
linkedin = 0.35×crédibilité + 0.35×structure + 0.30×valeur
instagram = 0.35×concision + 0.30×hashtags + 0.35×viral
youtube = 0.35×hook + 0.30×structure + 0.35×rythme

Le score final intègre :

• Moyenne pondérée des critères
• Bonus angle (+0.5 si le profil de marque a un angle défini)
• Capping à 10

5. Image suggérée — OpenAI génère une description visuelle

Si une clé OpenAI est configurée, l'image-suggester propose une description d'image pertinente pour chaque format. Sinon, suggestion vide.

6. Livraison — SSE streaming

Le pipeline envoie des événements temps réel :

event: analysis     → analyse source (sujet, concepts, ton)
event: progress     → statut par format (generating / evaluating / done)
event: complete     → tous les résultats + analyse
event: error        → erreur avec message

---

Stack

Couche	Technologie	Usage
Runtime	Node.js 22 + tsx	Serveur API zéro dépendance
Provider analyse	Gemini 2.5 Flash	Extraction source + évaluation qualité
Provider génération	OpenAI GPT-4o Mini	Génération contenu + suggestions image
Scoring	Fonction d'utilité maison	U = Σ(w × f(x)) avec bonus angle
API	node:http (zéro framework)	REST + SSE streaming
Dashboard	React 19 + Vite + TypeScript 6	Interface temps réel amber/teal
Tests	Vitest 4 (12 tests)	Utility, extractJson, constants
Infrastructure	Docker + Docker Compose	Build multi-stage, conteneur API
CI/CD	GitHub Actions	Build → Test → Docker

---

Quick Start

# 1. Cloner le projet
git clone https://github.com/lewenbach228/MAS---MultiAgent-ContentPipeline.git
cd MAS---MultiAgent-ContentPipeline/agents/p4-content

# 2. Variables d'environnement
cp .env.example .env
# Éditer .env avec vos clés :
#   GEMINI_KEY=...      (obligatoire — analyse + évaluation)
#   OPENAI_KEY=...      (optionnel — génération + images)

# 3. Démarrer l'API
npm start

# 4. Tester
curl http://localhost:3001/api/health
# → {"status": "ok", "version": "1.3"}

# 5. Lancer le pipeline
curl -X POST http://localhost:3001/api/pipeline \
  -H "Content-Type: application/json" \
  -d '{"text": "Notre startup a développé une IA qui..."}'

# 6. Dashboard (dans un autre terminal)
cd dashboard && npm run dev
# → http://localhost:5173

# CLI alternative
npx tsx src/index.ts --text-file texte-exemple.txt --profile brand.example.json

---

Ce que ça prouve

Compétences agentiques

Compétence	Comment
Utility function formelle	U = Σ(w × f(x)) avec 3 critères par format, bonus angle, capping
Multi-agent supervisor	1 supervisor décompose → 4 agents spécialisés exécutent en parallèle
Multi-provider IA	Gemini (analyse + évaluation) + OpenAI (génération + images)
Format-specific scoring	Chaque plateforme a ses propres critères et poids
SSE streaming temps réel	Événements analysis/progress/complete au fur et à mesure
API node:http zéro dépendance	Pas de framework, SSE + CORS + JSON natifs
Agent avec feedback loop	Évaluation → utility score → le score pilote le tri
Dashboard React temps réel	EventSource client, barre de progression live
Walking Skeleton	Script zéro infra validé avant toute infrastructure

Stacks maîtrisées

• TypeScript 6, Node.js 22, React 19, Vite
• Gemini 2.5 Flash API, OpenAI GPT-4o Mini API
• node:http (SSE, REST), Vitest
• Docker, Docker Compose, GitHub Actions
• Programmation asynchrone, Stream I/O

Patterns d'architecture

Pattern	Où
Utility-based agent	Fonction calculerUtilite + evaluerContenu
Supervisor / Workers	supervisor.ts → 4 agents format
Multi-provider routing	Gemini pour analyse/éval, OpenAI pour génération
Event-driven streaming	SSE events : analysis → progress → complete
Zero-dep server	100% Node.js stdlib, pas de framework
Pipeline parallèle	Promise.all sur les 4 agents
Feedback loop	Génération → évaluation → utility score

---

Tests

npm test              # 12 tests (vitest)
npm test -- --watch   # mode watch

Fichier	Tests	Couvre
tests/utility.test.ts	5	Calcul utility, bonus angle, capping, edge cases
tests/extract-json.test.ts	6	Extraction JSON, markdown, malformed, braces
tests/constants.test.ts	10	Formats, critères, poids, labels, UTILITY_WEIGHTS

---

API Reference

POST /api/pipeline (SSE)

Lance le pipeline complet. Retourne un flux SSE.

Body :

{
  "text": "string (obligatoire)",
  "profile": "BrandProfile (optionnel, défaut: brand.example.json)"
}

Événements SSE :

event: analysis
data: {"sujet": "...", "concepts_cles": [...], "ton": "...", ...}

event: progress
data: {"format": "facebook", "status": "generating"|"evaluating"|"done", "moyenne": 8.5}

event: complete
data: {"analyse": {...}, "results": [{format, contenu, moyenne, scores, ...}]}

event: error
data: {"message": "..."}

GET /api/health

{"status": "ok", "version": "1.3"}

GET /api/profiles

{"profiles": [{...brand profile}]}