roadmap: pieces jointes = chantier dedie futur, cible pas exhaustif (31/07/2026)

2026-08-01 00:17:49 +00:00
parent 87f008e247
commit f4c2351cfb
1 changed files with 26 additions and 0 deletions
@@ -0,0 +1,26 @@
+# nyora-notes-tt -- Pieces jointes : chantier dedie futur, cible plutot qu'exhaustif
+
+**Date** : 31/07/2026
+
+## Decision
+
+L'extraction du texte des pieces jointes ne fait PAS partie du backfill texte actuellement en cours (205 dossiers, 2024-2026). C'est un chantier separe, a lancer une fois le backfill texte stabilise.
+
+## Infrastructure deja disponible (rien a construire cote hermes-mail-browser)
+
+- `GET /message/{index}/attachments` -- liste les pieces jointes d'un message (leger, pas de telechargement).
+- `GET /message/{index}/attachments/{filename}/text` -- telecharge (via CDP, jusqu'a 45s d'attente -- pas de gestion de telechargement native sur un navigateur pilote a distance) puis extrait le texte (`extract_text_from_file`, PDF/Office geres).
+- Equivalents `/search/message/attachments*` pour un contexte de recherche.
+
+## Pourquoi pas maintenant
+
+1. **Cout** : jusqu'a 45s par piece jointe telechargee. Applique a toutes les PJ de tous les messages, ca ralentirait significativement chaque dossier (les AO a plusieurs lots ont souvent une PJ par lot).
+2. **Memoire a deux vitesses** : ajouter cette capacite en cours de backfill laisserait les dossiers deja traites (Veille, Consultations, Medenine...) sans contenu de PJ, contrairement aux dossiers traites apres l'ajout -- incoherence de qualite dans le corpus.
+
+## Approche retenue pour le futur chantier
+
+**Cible, pas exhaustif.** Pas de balayage systematique de toutes les PJ. A definir avec Nabil : quels dossiers/types de contenu ont une vraie valeur a extraire (grilles d'evaluation AO, notifications PDF de resultats) versus les PJ a faible valeur (signatures, logos) qui ne justifient pas le cout de 45s/telechargement.
+
+## Piste d'implementation (a affiner le jour venu)
+
+Pour chaque message traite, appeler d'abord `/attachments` (leger) pour verifier s'il y a des PJ AVANT de decider si un telechargement+extraction est justifie -- eviter de payer le cout de verification lourde sur les messages qui n'en ont pas, et le cout de telechargement sur les PJ hors-cible.