# Phase 2 — Architecture et plan d'implémentation de la couche de décision LLM

> Document de conception (révisé après critique). **Aucun code n'est encore
> écrit.** Il fige l'architecture cible, les décisions et un plan vérifiable.

## 1. Objectif et périmètre

**Objectif phase 2** : traduire des stratégies en langage naturel en politiques
tactiques, puis balayer des matrices de stratégie/positionnement sur le moteur
déterministe. **Hors périmètre** : le rapport d'équilibrage LLM (phase 3).

**Principe directeur** : les **règles** du moteur restent inchangées ; la couche
LLM est additive (nouvelles API et points d'entrée), branchée par une politique.

## 2. Décision structurante : deux étages (correction majeure)

Mettre la LLM **à chaque tour** dans une boucle Monte Carlo est prohibitif :
`runs × rounds × combattants` appels par cellule de sweep (≈ 35 000 appels pour
1 000 runs), et les caches ne sont pas réutilisables entre runs (chaque run
diverge dès qu'une décision diffère). On distingue donc :

- **Étage A — stratégie compilée (quantitatif, sweeps).** La LLM est appelée
  **hors de la boucle** : elle compile une stratégie NL en une **politique
  déterministe paramétrée** (`Policy` classique, closure sur des leviers :
  priorité de cible, politique de sorts, règles de positionnement, seuils de
  repli). Le Monte Carlo tourne ensuite avec cette politique → bandes 3σ
  valides, coût maîtrisé (quelques appels par stratégie).
- **Étage B — LLM par tour (qualitatif, vitrine).** `NLPolicy` appelée à chaque
  tour, pour un **petit nombre de runs (≤ 20)** : démonstration du raisonnement
  tactique et transcripts exploitables. Les bandes statistiques y sont
  **qualitatives** (n faible) et ne doivent pas servir à des conclusions
  quantitatives.

Le reste de l'architecture sert les deux étages ; l'étage B est le banc d'essai
de l'étage A.

## 3. État des lieux (socle vérifié)

| Élément | Emplacement | Vérifié |
|---|---|---|
| `Observation` figée, `to_dict()` JSON, sans `engine.*` | `combat.py:1262` / `1310` | oui |
| `Policy` / `LLMPolicy` / `ReactionPolicy` | `combat.py:10573/10575/10577` | oui |
| Câblage `policy`/`llm_policy` exclusifs | `combat.py:1615-1623` | oui |
| `ActionResult` + `ACTION_RESULT_REASONS` + `last_turn_results` | `combat.py:1483`, `1528` | oui |
| Démo « observation seule » | `tests/test_llm_engine_capabilities.py` | oui |
| Déterminisme `SeededRng(seed+i)` | `runner.py:216` | oui |
| Base de règles conforme | `docs/conformance-srd.md` (15 passes, gate 1981) | oui |

**Manques confirmés** : `run_encounter` n'accepte pas `llm_policy`
(`runner.py:177`) ; aucune option de politique CLI ; pas de `schema_version` ;
pas de vue compacte ; pas d'API d'actions légales ; pas de mémoire inter-tours ;
pas de journal de replay ; `LLMPolicy(obs, state)` transmet l'état vivant.

## 4. Architecture cible (révisée)

```
Moteur (règles inchangées ; frontière additive)
  |- Observation --> view.py : ObservationView (objet structuré, versionné)
  |                     \-- render() -> prompt compact (grilles sparsifiées)
  |- pairs + ACTION_RESULT_REASONS --> candidates() (pas de 2e moteur de légalité)
  |- LLMPolicy(observation)  <-- Étage B : policy.py NLPolicy (parse/valide/repli)
  \-- Policy(engine, state)  <-- Étage A : strategy.py compile NL -> Policy

Support : client.py (LLMClient + cache composite + Fake scripté + garde-fous coût)
          prompt.py (prompt versionné) · replay.py (JSONL + call_seq + replay)
          sweep.py (exécution parallèle des runs, métriques)
```

**Interfaces clés**
- `ObservationView` : **objet structuré** (pas une chaîne) ; `render()` produit la
  projection compacte pour le prompt ; `candidates()` dérive les actions
  plausibles depuis `pairs` (le moteur reste l'arbitre via `last_turn_results`).
- `LLMClient` : `complete(prompt) -> str` ; `FakeLLMClient` piloté par une
  **file de réponses scriptée** (idiome de `ScriptedRng`).
- `ResponseCache` : clé = `(model_id, params, prompt_version, schema_version,
  hash(prompt))` — sans l'identité du modèle, un changement de version passerait
  inaperçu.
- `ReplayRecord` : clé **monotone `call_seq`** (et non `{round, actor}`), car
  `delay` re-queue un tour et les invocations ajoutent des combattants.
- `PolicyFactory` : produit une politique **par run** (reset mémoire/cache/coût).

## 5. Décisions

| # | Décision | Recommandation |
|---|---|---|
| D1 | Entrée : `(observation, state)` ou `(observation)` ? | **`(observation)`** + adaptateur de compatibilité (accepte 1 ou 2 args). **À trancher avant P0.4** (impacte runner, démo, replay). |
| D2 | Vue dédiée vs `to_dict()` brut ? | Vue dédiée compacte et versionnée (objet structuré). |
| D3 | Mémoire inter-tours | **Retirée de la v1** (le snapshot porte déjà `last_turn_results`, `readied`, `pending_cast`). |
| D4 | Sortie des actions | JSON strict ; **schéma généré depuis `Action`** ; **exclure** `swift`/`free`/`full_round` (rejetés). |
| D5 | API d'actions légales | **Pas de second moteur** : candidats dérivés de `pairs` ; le rejet moteur est l'arbitre. |
| D6 | Reproductibilité | Cache composite (clé ci-dessus) ; temp 0 = best-effort, le cache est la garantie. |
| D7 | Intégration runner/CLI | `llm_policy` + `PolicyFactory` sur `run_encounter` ; point d'entrée de sweep dédié ; CLI par défaut intacte. |
| D8 | Périmètre v1 | Sous-ensemble curé (attaques, sorts, déplacement/destination, 5-ft, défense totale, ready/delay) ; `ReactionPolicy` par défaut conservée. |
| D9 | Économie | **Deux étages** (§2) : compilé pour les sweeps, par-tour pour la vitrine. |
| D10 | Parallélisme | Runs indépendants (états neufs + RNG seedé) → pool de threads, cache shardé. |
| D11 | Réactions | v1 : politique de réaction par défaut ; la LLM agit via `ready`. |

## 6. Plan d'implémentation (révisé)

### P0 — Frontière durcie (sans LLM ; débloque tout)

| Tâche | Livrable | Critère de sortie |
|---|---|---|
| P0.0 | **Trancher D1** (obs seule + adaptateur) | type + adaptateur + tests |
| P0.1 | `schema_version` dans `to_dict()` + test du jeu de clés pinné | gate verte |
| P0.2 | `ObservationView` structurée + `render()` compact + mesure de taille | rendu stable, taille documentée |
| P0.3 | `candidates()` dérivées de `pairs` (pas de 2e moteur) | tests par kind (hors unsupported) |
| P0.4 | `run_encounter(..., llm_policy=..., policy_factory=...)` (reset par run) | test : politique factice via le runner |
| P0.5 | `ReplayLog` JSONL clé `call_seq` + `replay()` | un run enregistré se rejoue **à l'identique** (delay/invocations inclus) |

### P1 — Client et politiques

| Tâche | Livrable | Critère de sortie |
|---|---|---|
| P1.1 | `LLMClient` + `FakeLLMClient` (file scriptée) + cache composite | tests hors ligne |
| P1.2 | **Garde-fous coût/tokens + retry/backoff/rate-limit** (dans le client, dès maintenant) | plafond par sweep respecté |
| P1.3 | `NLPolicy` (étage B) : prompt, parse JSON, validation, 1 re-essai, repli | bataille complète pilotée par le Fake |
| P1.4 | `PromptBuilder` versionné + golden de prompt ; schéma d'action généré depuis `Action` | prompt/schéma pinnés |

### P2 — Stratégie compilée et balayage

| Tâche | Livrable | Critère de sortie |
|---|---|---|
| P2.1 | `StrategySpec` (NL) + **compilateur NL → `Policy` paramétrée** (étage A) | compilation testée, politique déterministe |
| P2.2 | `SweepRunner` **parallèle** : stratégies × cartes × déploiements | sweep ≥ 2x2 bout en bout, borné en coût |
| P2.3 | Métriques : victoire ±3σ (étage A uniquement), taux d'invalidité, réparations, tokens/latence/coût | rapport de sweep ; **caveat statistique** documenté pour l'étage B |

### P3 — Fournisseur réel et rapport (frontière phase 3)

| Tâche | Livrable | Critère de sortie |
|---|---|---|
| P3.1 | `ProviderClient` (clé via environnement), coût/observabilité | run réseau reproductible via cache |
| P3.2 | Few-shot, boucle de réparation complète, versionnement renforcé | taux d'invalidité mesuré |
| P3.3 | Rapport d'équilibrage FR (phase 3) | sortie style README |

## 7. Risques (issus de la critique)

1. **Économie de l'étage B** : LLM par tour × Monte Carlo = coût prohibitif → résolu par les deux étages (§2).
2. **Replay sous-spécifié** : `delay`/re-queue et invocations → clé `call_seq` obligatoire (P0.5).
3. **Cache sans identité de modèle** → clé composite (D6).
4. **Divergence de légalité** : un `legal_actions` maison dériverait des helpers moteur → candidats dérivés de `pairs` (D5).
5. **Bascule tardive de D1** → invalide runner/démo/replay ; à trancher en P0.0.
6. **Bandes 3σ trompeuses** à petit n (étage B) → réservées à l'étage A.
7. Non-déterminisme fournisseur, dérive de prompt, fuite de secrets → cache/versions/env.

## 8. Première action recommandée

Un **spike** qui tranche les deux forks avant tout composant :
(a) D1 (observation seule + adaptateur) et `schema_version` + test de clés pinné ;
(b) **mesure réelle** de la taille du prompt par tour et du nombre d'appels par
cellule de sweep avec la politique de démo — ce chiffre décide si la v1 est
per-tour ou compilée, et vaut plus que n'importe quel composant du plan.

## 9. Questions ouvertes

1. Fournisseur/modèle (API distante ou local) ?
2. Budget (tokens/coût) par sweep ?
3. Reproductibilité : cache obligatoire (runs rejouables) ?
4. Stratégie v1 : offensive, positionnement, contrôle — ordre ?
5. Prompts dans le dépôt ou externes ?
6. Valides-tu **D1** (`LLMPolicy(observation)` seule) et **D9** (deux étages) ?