feat(execution): cascade post-raccourci pilotée par DialogHandler/OCR

Le pHash global 8x8 sur écran 1920x1080 ne détecte pas l'ouverture d'un
dialog modal dans une VM QEMU (un dialog 800x500 couvre ~3 pixels pHash,
distance Hamming typique = 1-2, sous le seuil de 3). Découvert sur Win11/
Notepad : Ctrl+Shift+S ouvrait bien le dialog mais Léa abortait à tort.

_handle_post_shortcut() poll désormais DialogHandler.handle_if_dialog()
toutes les 500ms (EasyOCR + KNOWN_DIALOGS). 8s pour le premier dialog,
3s de stabilité entre dialogs successifs, 60s budget total.

KNOWN_DIALOGS réordonné : popups modaux (confirmer/remplacer/écraser)
prioritaires sur fenêtres parents (enregistrer sous/save as) car l'OCR
full-screen capte les deux simultanément.

DialogHandler bascule sur UITarsGrounder subprocess one-shot (au lieu
du serveur HTTP localhost:8200 qui n'existait plus). InfiGUI worker,
think_arbiter et ui_tars_grounder alignés sur le même contrat.

Co-Authored-By: Claude Opus 4 <noreply@anthropic.com>

core/execution/observe_reason_act.py

@@ -221,22 +221,31 @@ class ORALoop:
         if action_type in ('click_anchor', 'click', 'double_click_anchor', 'right_click_anchor'):
             target_text = anchor.get('target_text', '') or anchor.get('description', '')
 
-            # Si target_text est vide ou est un nom d'action → décrire le crop
-            if not target_text or target_text in _action_type_names:
-                screenshot_b64 = anchor.get('screenshot', '')
-                if screenshot_b64:
-                    try:
-                        from core.execution.input_handler import _describe_anchor_image
-                        desc = _describe_anchor_image(screenshot_b64)
-                        if desc and len(desc) > 2:
-                            target_text = desc
-                            print(f"🏷️ [ORA/reason] Ancre décrite par VLM: '{target_text}'")
-                    except Exception:
-                        pass
+            # Détecter les target_text absurdes : vide, nom d'action, ou bruit OCR
+            def _is_garbage(t):
+                if not t or t in _action_type_names:
+                    return True
+                # Bruit OCR : que des caractères spéciaux/chiffres/espaces
+                cleaned = t.replace('-', '').replace(' ', '').replace('.', '').replace('_', '')
+                if len(cleaned) < 3:
+                    return True
+                # Que des chiffres
+                if cleaned.isdigit():
+                    return True
+                return False
+
+            # Note: plus d'appel à _describe_anchor_image() (qwen2.5vl) ici.
+            # Le crop d'ancre (screenshot_b64) servira directement au template matching
+            # cv2 dans _act_click, puis fallback InfiGUI fusionné si nécessaire.
+            # Cela évite le conflit VRAM (qwen2.5vl 9.4GB + InfiGUI 2.4GB > 11.5GB GPU).
 
             # Dernier fallback : label si pas un nom d'action
-            if not target_text or target_text in _action_type_names:
+            if _is_garbage(target_text):
                 target_text = label if label not in _action_type_names else ''
+                if target_text:
+                    print(f"🏷️ [ORA/reason] Label garbage, fallback texte: '{target_text}'")
+                else:
+                    print(f"🏷️ [ORA/reason] Pas de label texte — grounding via crop visuel uniquement")
 
             action = 'click'
             value = 'double' if action_type == 'double_click_anchor' else (
@@ -1245,6 +1254,7 @@ Règles:
             )
 
         print(f"🚀 [ORA] Démarrage workflow: {total} étapes, verify={self.verify_level}, retries={self.max_retries}")
+        print(f"🔧 [ORA] CODE VERSION: post-shortcut-dialog-handler ACTIF (26 avril 17h30)")
 
         for i, step in enumerate(steps):
             if not self._should_continue():
@@ -1326,6 +1336,47 @@ Règles:
                         )
                     )
 
+            # --- 3b. Post-raccourci : attendre changement écran + gérer dialogue ---
+            # Après un keyboard_shortcut (pas scroll), on polle le pHash pour détecter
+            # si un dialogue est apparu (ex: "Enregistrer sous" après Ctrl+Shift+S).
+            # Si oui → InfiGUI localise et clique le bouton visuellement.
+            if act_success and decision.action == 'hotkey' and not decision.value.startswith('scroll_'):
+                print(f"🔍 [ORA/post-shortcut] ENTRÉ dans le bloc post-shortcut (action={decision.action}, value={decision.value})")
+                dialog_handled = self._handle_post_shortcut(pre)
+                if dialog_handled:
+                    time.sleep(0.5)
+                    post = self.observe()
+                    self._last_post_phash = post.phash
+                    if on_progress:
+                        on_progress(i + 1, total, VerificationResult(
+                            success=True, change_level='major',
+                            matches_expected=True,
+                            detail="Dialogue géré visuellement après raccourci"
+                        ))
+                    continue
+                else:
+                    # Invariant : aucune étape suivante ne doit s'exécuter tant que
+                    # la cascade déclenchée par le raccourci n'est pas pleinement résolue.
+                    # Cas typique : Ctrl+S → "Enregistrer sous" non géré → on ABORT plutôt
+                    # que de cliquer sur des coordonnées potentiellement obsolètes.
+                    msg = (
+                        f"Étape {i+1}: raccourci '{decision.value}' — cascade post-raccourci "
+                        f"non résolue (dialogue absent ou bloqué). Workflow stoppé pour éviter "
+                        f"un clic dans un contexte incohérent."
+                    )
+                    print(f"❌ [ORA/post-shortcut] {msg}")
+                    logger.warning(f"🆘 [ORA] {msg}")
+                    if on_progress:
+                        on_progress(i + 1, total, VerificationResult(
+                            success=False, change_level='none',
+                            matches_expected=False,
+                            detail="Cascade post-raccourci non résolue"
+                        ))
+                    return LoopResult(
+                        success=False, steps_completed=i, total_steps=total,
+                        reason=msg,
+                    )
+
             # Petit délai pour laisser l'écran se stabiliser
             time.sleep(0.3)
 
@@ -1412,6 +1463,107 @@ Règles:
     # Méthodes privées — actions
     # ═══════════════════════════════════════════════════════════
 
+    def _handle_post_shortcut(self, pre_obs: 'Observation') -> bool:
+        """Après un raccourci clavier, résoudre la cascade de dialogues réflexes.
+
+        Pilotage par DialogHandler (OCR direct), PAS par pHash. Raison :
+        un dialog modal qui s'ouvre dans une VM ne change quasiment pas le
+        pHash global de l'écran hôte (signature 8x8 sur 1920x1080 — un dialog
+        de 800x500 couvre ~3 pixels pHash, distance Hamming souvent < 3).
+        On poll donc directement DialogHandler.handle_if_dialog().
+
+        Returns:
+            True si au moins un dialog connu a été détecté + géré et qu'aucun
+            autre dialog n'apparaît dans la fenêtre de stabilité finale.
+            False si aucun dialog connu n'apparaît dans la fenêtre d'attente
+            initiale (le workflow doit ABORT — état incohérent).
+        """
+        from core.grounding.dialog_handler import DialogHandler
+
+        # Fenêtre d'attente du PREMIER dialog après le raccourci. Win11/QEMU :
+        # Ctrl+Shift+S → "Enregistrer sous" apparaît en <2s typiquement.
+        first_dialog_timeout = 8.0
+        # Budget total pour résoudre toute la cascade (InfiGUI ~15s/dialog).
+        total_timeout = 60.0
+        # Fenêtre de stabilité après le dernier dialog géré : si rien d'autre
+        # n'apparaît pendant cette durée, la cascade est considérée terminée.
+        # Doit couvrir l'apparition du popup modal suivant (post_click_wait + marge).
+        stable_window = 3.0
+        # Délai post-clic avant de tester le dialog suivant.
+        post_click_wait = 1.5
+        # Cadence de polling OCR (EasyOCR full-screen ~500ms/poll).
+        poll_interval = 0.5
+        # Garde-fou anti-boucle infinie.
+        max_dialog_iterations = 5
+
+        t_start = time.time()
+        dh = DialogHandler()
+        dialogs_handled = 0
+
+        def _elapsed() -> float:
+            return time.time() - t_start
+
+        def _poll_dialog(deadline: float) -> Optional[Dict[str, Any]]:
+            """Poll DialogHandler jusqu'à détection d'un dialog connu OU deadline.
+
+            Retourne le dict result si un dialog connu a été géré (cliqué),
+            None si la deadline est atteinte sans match. Si DialogHandler
+            détecte ET clique avec succès, le clic InfiGUI peut excéder la
+            deadline mais on retourne quand même le résultat (action déjà
+            engagée — on ne va pas l'annuler).
+            """
+            while time.time() < deadline:
+                obs = self.observe()
+                try:
+                    result = dh.handle_if_dialog(obs.screenshot)
+                except Exception as e:
+                    print(f"⚠️ [ORA/post-shortcut] Erreur dialog handler: {e}")
+                    return None
+                if result.get('handled'):
+                    return result
+                sleep_left = deadline - time.time()
+                if sleep_left > 0:
+                    time.sleep(min(poll_interval, sleep_left))
+            return None
+
+        # --- Étape 1 : attendre le PREMIER dialog ---
+        first_deadline = t_start + min(total_timeout, first_dialog_timeout)
+        result = _poll_dialog(first_deadline)
+        if result is None:
+            print(f"⏳ [ORA/post-shortcut] Aucun dialog connu détecté après "
+                  f"{_elapsed():.1f}s (fenêtre={first_dialog_timeout}s) — "
+                  f"raccourci sans effet attendu")
+            return False
+
+        dialogs_handled = 1
+        print(f"✅ [ORA/post-shortcut] Dialog #1 géré: {result.get('action')} "
+              f"({_elapsed():.1f}s)")
+        time.sleep(post_click_wait)
+
+        # --- Étape 2 : cascade — chaque dialog suivant doit apparaître dans stable_window ---
+        for iteration in range(1, max_dialog_iterations):
+            if _elapsed() >= total_timeout:
+                print(f"⏳ [ORA/post-shortcut] Timeout cascade ({total_timeout:.0f}s, "
+                      f"{dialogs_handled} dialog(s) géré(s))")
+                return True  # au moins un dialog traité → considéré OK
+
+            next_deadline = min(time.time() + stable_window, t_start + total_timeout)
+            result = _poll_dialog(next_deadline)
+            if result is None:
+                # Pas de nouveau dialog dans stable_window → cascade terminée
+                print(f"✅ [ORA/post-shortcut] Cascade résolue "
+                      f"({dialogs_handled} dialog(s), {_elapsed():.1f}s)")
+                return True
+
+            dialogs_handled += 1
+            print(f"✅ [ORA/post-shortcut] Dialog #{dialogs_handled} géré: "
+                  f"{result.get('action')} ({_elapsed():.1f}s)")
+            time.sleep(post_click_wait)
+
+        print(f"⚠️ [ORA/post-shortcut] Trop d'itérations cascade "
+              f"({max_dialog_iterations}) — cascade malformée, on s'arrête là")
+        return dialogs_handled > 0
+
     def _act_click(self, decision: Decision, step_params: dict) -> bool:
         """Exécute un clic (simple, double, droit, hover, focus).
 
@@ -1425,16 +1577,62 @@ Règles:
         anchor = step_params.get('visual_anchor', {})
         screenshot_b64 = anchor.get('screenshot')
         bbox = anchor.get('bounding_box', {})
-        target_text = anchor.get('target_text', '') or decision.target
+        # Utiliser le target nettoyé par reason_workflow_step (pas relire le garbage de l'ancre)
+        target_text = decision.target
         target_desc = anchor.get('description', '')
 
+        print(f"🎯 [ORA/_act_click] target='{target_text}', desc='{target_desc[:40]}', bbox={bbox.get('x','?')},{bbox.get('y','?')}")
+
         x, y = None, None
         method_used = ''
+        # Score et position du template-first (réutilisés en fallback intermédiaire)
+        template_score = 0.0
+        template_xy: Optional[tuple] = None
 
-        # --- Pipeline FAST→SMART→THINK ---
+        # --- AVANT-POSTE : template matching cv2 sur le crop d'ancre ---
+        # Si l'UI n'a pas changé (cas dominant en replay), un match pixel-perfect
+        # nous donne le clic en ~50ms sans toucher au GPU. On ne déclenche le
+        # pipeline VLM que si le score est insuffisant.
+        if screenshot_b64 and CV2_AVAILABLE and PIL_AVAILABLE and MSS_AVAILABLE:
+            try:
+                import io as _io
+                with mss_lib.mss() as sct:
+                    mon = sct.monitors[0]
+                    grab = sct.grab(mon)
+                    screen_img = Image.frombytes('RGB', grab.size, grab.bgra, 'raw', 'BGRX')
+
+                raw_b64 = screenshot_b64.split(',')[1] if ',' in screenshot_b64 else screenshot_b64
+                anchor_data = base64.b64decode(raw_b64)
+                anchor_img = Image.open(_io.BytesIO(anchor_data))
+
+                screen_cv = cv2.cvtColor(np.array(screen_img), cv2.COLOR_RGB2BGR)
+                anchor_cv = cv2.cvtColor(np.array(anchor_img), cv2.COLOR_RGB2BGR)
+
+                if anchor_cv.shape[0] < screen_cv.shape[0] and anchor_cv.shape[1] < screen_cv.shape[1]:
+                    t0 = time.time()
+                    result_tm = cv2.matchTemplate(screen_cv, anchor_cv, cv2.TM_CCOEFF_NORMED)
+                    _, max_val, _, max_loc = cv2.minMaxLoc(result_tm)
+                    elapsed_ms = (time.time() - t0) * 1000
+                    template_score = float(max_val)
+                    template_xy = (
+                        max_loc[0] + anchor_cv.shape[1] // 2,
+                        max_loc[1] + anchor_cv.shape[0] // 2,
+                    )
+                    print(f"⚡ [ORA/template-first] score={template_score:.3f} pos={max_loc} ({elapsed_ms:.0f}ms)")
+                    # Seuil élevé pour le mode "direct" : on veut être quasi-certain
+                    # que c'est le même élément, pixel-perfect, avant de zapper le VLM.
+                    if template_score >= 0.95:
+                        x, y = template_xy
+                        method_used = 'template_direct'
+                        print(f"✅ [ORA/template-first] Match direct → ({x}, {y}), skip pipeline")
+            except Exception as e:
+                print(f"⚠️ [ORA/template-first] Erreur: {e}")
+
+        # --- Pipeline FAST→SMART→THINK (escalade si template-first n'a pas tranché) ---
         _use_fast = os.environ.get('RPA_USE_FAST_PIPELINE', '1') == '1'
 
-        if _use_fast and (target_text or target_desc):
+        if x is None and _use_fast and (target_text or target_desc or screenshot_b64):
+            print(f"🎯 [ORA/_act_click] RPA_USE_FAST_PIPELINE={_use_fast}, has_target={bool(target_text or target_desc)}, template_score={template_score:.3f}")
             try:
                 from core.grounding.fast_pipeline import FastSmartThinkPipeline
                 from core.grounding.target import GroundingTarget
@@ -1471,34 +1669,13 @@ Règles:
             except Exception as e:
                 print(f"⚠️ [ORA/pipeline] Erreur: {e}")
 
-        # --- Fallback : ancien pipeline (template → OCR → static) ---
-        if x is None and screenshot_b64 and CV2_AVAILABLE and PIL_AVAILABLE and MSS_AVAILABLE:
-            try:
-                import io as _io
-                with mss_lib.mss() as sct:
-                    mon = sct.monitors[0]
-                    grab = sct.grab(mon)
-                    screen_img = Image.frombytes('RGB', grab.size, grab.bgra, 'raw', 'BGRX')
-
-                raw_b64 = screenshot_b64.split(',')[1] if ',' in screenshot_b64 else screenshot_b64
-                anchor_data = base64.b64decode(raw_b64)
-                anchor_img = Image.open(_io.BytesIO(anchor_data))
-
-                screen_cv = cv2.cvtColor(np.array(screen_img), cv2.COLOR_RGB2BGR)
-                anchor_cv = cv2.cvtColor(np.array(anchor_img), cv2.COLOR_RGB2BGR)
-
-                if anchor_cv.shape[0] < screen_cv.shape[0] and anchor_cv.shape[1] < screen_cv.shape[1]:
-                    t0 = time.time()
-                    result_tm = cv2.matchTemplate(screen_cv, anchor_cv, cv2.TM_CCOEFF_NORMED)
-                    _, max_val, _, max_loc = cv2.minMaxLoc(result_tm)
-                    elapsed_ms = (time.time() - t0) * 1000
-                    print(f"⚡ [ORA/template] score={max_val:.3f} pos={max_loc} ({elapsed_ms:.0f}ms)")
-                    if max_val > 0.75:
-                        x = max_loc[0] + anchor_cv.shape[1] // 2
-                        y = max_loc[1] + anchor_cv.shape[0] // 2
-                        method_used = 'template'
-            except Exception as e:
-                print(f"⚠️ [ORA/template] Erreur: {e}")
+        # --- Fallback : on réutilise le score template-first si pertinent ---
+        # Si le pipeline VLM a échoué mais que le template-first avait un score
+        # intermédiaire (0.75-0.95), on accepte ce match comme secours.
+        if x is None and template_xy is not None and template_score >= 0.75:
+            x, y = template_xy
+            method_used = 'template_fallback'
+            print(f"⚡ [ORA/template-fallback] Réutilisation score={template_score:.3f} → ({x}, {y})")
 
         if x is None and target_text:
             try:

core/grounding/dialog_handler.py

@@ -25,31 +25,42 @@ import time
 from typing import Any, Dict, Optional
 
 
-# Titres connus → quelle action demander à InfiGUI
+# Titres connus → quelle action demander à InfiGUI.
+#
+# IMPORTANT — ordre du dict = priorité de matching.
+# L'OCR est full-screen et capte souvent le texte du dialog parent ET du popup
+# modal qui apparaît par-dessus (ex: "Enregistrer sous" reste visible derrière
+# "Confirmer l'enregistrement"). Les popups modaux DOIVENT matcher avant les
+# fenêtres principales, sinon Léa clique sur le bouton du parent qui n'a pas
+# le focus.
 KNOWN_DIALOGS = {
-    "enregistrer sous": {"target": "Enregistrer", "description": "Clique sur le bouton Enregistrer dans le dialogue Enregistrer sous"},
-    "save as": {"target": "Save", "description": "Click the Save button in the Save As dialog"},
-    "confirmer": {"target": "Oui", "description": "Clique sur le bouton Oui dans le dialogue de confirmation"},
+    # ── Popups modaux de confirmation (priorité HAUTE) ──────────────────
+    "voulez-vous le remplacer": {"target": "Oui", "description": "Clique sur Oui pour confirmer le remplacement du fichier"},
+    "do you want to replace": {"target": "Yes", "description": "Click Yes to confirm file replacement"},
+    "existe déjà": {"target": "Oui", "description": "Clique sur Oui, le fichier existe déjà et doit être remplacé"},
+    "already exists": {"target": "Yes", "description": "Click Yes, the file already exists"},
     "remplacer": {"target": "Oui", "description": "Clique sur le bouton Oui pour confirmer le remplacement du fichier"},
     "replace": {"target": "Yes", "description": "Click Yes to confirm file replacement"},
-    "voulez-vous enregistrer": {"target": "Enregistrer", "description": "Clique sur Enregistrer pour sauvegarder les modifications"},
-    "do you want to save": {"target": "Save", "description": "Click Save to save changes"},
-    "overwrite": {"target": "Yes", "description": "Click Yes to overwrite"},
     "écraser": {"target": "Oui", "description": "Clique sur Oui pour écraser le fichier"},
-    "already exists": {"target": "Yes", "description": "Click Yes, the file already exists"},
-    "existe déjà": {"target": "Oui", "description": "Clique sur Oui, le fichier existe déjà"},
+    "overwrite": {"target": "Yes", "description": "Click Yes to overwrite"},
+    "confirmer l'enregistrement": {"target": "Oui", "description": "Clique sur Oui dans le popup de confirmation d'enregistrement"},
+    "confirmer": {"target": "Oui", "description": "Clique sur le bouton Oui dans le dialogue de confirmation"},
+    # ── Avertissements/erreurs (priorité haute, 1 seul bouton OK) ───────
     "erreur": {"target": "OK", "description": "Clique sur OK pour fermer le message d'erreur"},
     "error": {"target": "OK", "description": "Click OK to close the error message"},
     "avertissement": {"target": "OK", "description": "Clique sur OK pour fermer l'avertissement"},
     "warning": {"target": "OK", "description": "Click OK to close the warning"},
+    # ── Dialogs principaux de sauvegarde (priorité BASSE — fenêtres parents) ─
+    "voulez-vous enregistrer": {"target": "Enregistrer", "description": "Clique sur Enregistrer pour sauvegarder les modifications"},
+    "do you want to save": {"target": "Save", "description": "Click Save to save changes"},
+    "enregistrer sous": {"target": "Enregistrer", "description": "Clique sur le bouton Enregistrer dans le dialogue Enregistrer sous"},
+    "save as": {"target": "Save", "description": "Click the Save button in the Save As dialog"},
 }
 
 
 class DialogHandler:
     """Gestion intelligente des dialogues via titre + InfiGUI."""
 
-    GROUNDING_URL = "http://localhost:8200"
-
     def __init__(self):
         self._easyocr_reader = None
 
@@ -169,29 +180,21 @@ class DialogHandler:
     def _click_via_infigui(
         self, target: str, description: str, screenshot_pil
     ) -> Optional[Dict]:
-        """Demande à InfiGUI de localiser et cliquer sur le bouton."""
+        """Demande à InfiGUI (subprocess one-shot) de localiser et cliquer sur le bouton."""
         try:
-            import requests
-            import base64
-            import io
+            from core.grounding.ui_tars_grounder import UITarsGrounder
 
-            buf = io.BytesIO()
-            screenshot_pil.save(buf, format='JPEG', quality=85)
-            b64 = base64.b64encode(buf.getvalue()).decode()
+            grounder = UITarsGrounder.get_instance()
+            result = grounder.ground(
+                target_text=target,
+                target_description=description,
+                screen_pil=screenshot_pil,
+            )
 
-            resp = requests.post(f"{self.GROUNDING_URL}/ground", json={
-                'target_text': target,
-                'target_description': description,
-                'image_b64': b64,
-            }, timeout=15)
-
-            if resp.status_code == 200:
-                data = resp.json()
-                if data.get('x') is not None:
-                    # Cliquer
-                    import pyautogui
-                    pyautogui.click(data['x'], data['y'])
-                    return data
+            if result and result.x is not None:
+                import pyautogui
+                pyautogui.click(result.x, result.y)
+                return {'x': result.x, 'y': result.y}
 
             return None
 

core/grounding/infigui_worker.py

@@ -61,7 +61,14 @@ def load_model():
 
 
 def infer(model, processor, req):
-    """Fait une inférence."""
+    """Fait une inférence.
+
+    Modes :
+        - texte seul (target/description) : grounding classique
+        - fusionné (anchor_image_path présent) : on passe en plus le crop d'ancre
+          comme image de référence et le modèle doit retrouver cet élément sur
+          le screenshot. Évite la double passe describe→ground.
+    """
     from PIL import Image
     from qwen_vl_utils import process_vision_info
 
@@ -69,10 +76,7 @@ def infer(model, processor, req):
     description = req.get("description", "")
     label = f"{target} — {description}" if description else target
 
-    if not label.strip():
-        return {"x": None, "y": None, "error": "target requis"}
-
-    # Image
+    # Image principale (screenshot complet)
     image_path = req.get("image_path", "")
     if image_path and os.path.exists(image_path):
         img = Image.open(image_path).convert("RGB")
@@ -82,6 +86,15 @@ def infer(model, processor, req):
             grab = sct.grab(sct.monitors[0])
             img = Image.frombytes("RGB", grab.size, grab.bgra, "raw", "BGRX")
 
+    # Image d'ancre (optionnelle) — mode fusionné describe+ground
+    anchor_image_path = req.get("anchor_image_path", "")
+    anchor_img = None
+    if anchor_image_path and os.path.exists(anchor_image_path):
+        anchor_img = Image.open(anchor_image_path).convert("RGB")
+
+    if not label.strip() and anchor_img is None:
+        return {"x": None, "y": None, "error": "target ou anchor_image requis"}
+
     W, H = img.size
     factor = 28
     rH = max(factor, round(H / factor) * factor)
@@ -92,20 +105,41 @@ def infer(model, processor, req):
         "and then provide the final answer.\n"
         "The reasoning process MUST BE enclosed within <think> </think> tags."
     )
-    user_text = (
-        f'The screen\'s resolution is {rW}x{rH}.\n'
-        f'Locate the UI element(s) for "{label}", '
-        f'output the coordinates using JSON format: '
-        f'[{{"point_2d": [x, y]}}, ...]'
-    )
 
-    messages = [
-        {"role": "system", "content": system},
-        {"role": "user", "content": [
-            {"type": "image", "image": img},
-            {"type": "text", "text": user_text},
-        ]},
-    ]
+    # Construction du prompt selon le mode
+    if anchor_img is not None:
+        # Mode fusionné : Image1 = crop d'ancre, Image2 = screenshot
+        hint = f' Hint: this element looks like "{label}".' if label.strip() else ""
+        user_text = (
+            f"The first image is a small crop of a UI element captured previously. "
+            f"The second image is the current screen ({rW}x{rH}).{hint}\n"
+            f"Locate on the second image the UI element that visually matches the first image. "
+            f"Output the coordinates using JSON format: "
+            f'[{{"point_2d": [x, y]}}, ...]'
+        )
+        messages = [
+            {"role": "system", "content": system},
+            {"role": "user", "content": [
+                {"type": "image", "image": anchor_img},
+                {"type": "image", "image": img},
+                {"type": "text", "text": user_text},
+            ]},
+        ]
+    else:
+        # Mode classique : texte seul
+        user_text = (
+            f'The screen\'s resolution is {rW}x{rH}.\n'
+            f'Locate the UI element(s) for "{label}", '
+            f'output the coordinates using JSON format: '
+            f'[{{"point_2d": [x, y]}}, ...]'
+        )
+        messages = [
+            {"role": "system", "content": system},
+            {"role": "user", "content": [
+                {"type": "image", "image": img},
+                {"type": "text", "text": user_text},
+            ]},
+        ]
 
     text = processor.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
     image_inputs, video_inputs = process_vision_info(messages)
@@ -124,7 +158,8 @@ def infer(model, processor, req):
         trimmed, skip_special_tokens=True, clean_up_tokenization_spaces=False,
     )[0].strip()
 
-    print(f"[infigui-worker] '{label[:40]}' ({infer_ms:.0f}ms)")
+    mode_str = "fused" if anchor_img is not None else "text"
+    print(f"[infigui-worker] [{mode_str}] '{label[:40]}' ({infer_ms:.0f}ms)")
 
     # Parser JSON point_2d
     json_part = raw.split("</think>")[-1] if "</think>" in raw else raw
@@ -153,34 +188,22 @@ def infer(model, processor, req):
 
 
 def main():
+    """Mode one-shot : lit une requête sur stdin, infère, écrit le résultat sur stdout."""
+    # Lire la requête
+    input_data = sys.stdin.read().strip()
+    if not input_data:
+        print(json.dumps({"x": None, "y": None, "error": "pas de requête"}))
+        return
+
+    try:
+        req = json.loads(input_data)
+    except json.JSONDecodeError:
+        print(json.dumps({"x": None, "y": None, "error": "JSON invalide"}))
+        return
+
     model, processor = load_model()
-
-    # Nettoyer les fichiers résiduels
-    for f in [REQUEST_FILE, RESPONSE_FILE]:
-        if os.path.exists(f):
-            os.unlink(f)
-
-    print(f"[infigui-worker] En attente de requêtes ({REQUEST_FILE})")
-
-    # Boucle : surveiller le fichier de requête
-    while True:
-        if os.path.exists(REQUEST_FILE):
-            try:
-                with open(REQUEST_FILE, "r") as f:
-                    req = json.load(f)
-                os.unlink(REQUEST_FILE)
-
-                result = infer(model, processor, req)
-
-                with open(RESPONSE_FILE, "w") as f:
-                    json.dump(result, f)
-
-            except Exception as e:
-                print(f"[infigui-worker] ERREUR: {e}")
-                with open(RESPONSE_FILE, "w") as f:
-                    json.dump({"x": None, "y": None, "error": str(e)}, f)
-
-        time.sleep(0.05)  # 50ms polling
+    result = infer(model, processor, req)
+    print(json.dumps(result))
 
 
 if __name__ == "__main__":

core/grounding/think_arbiter.py

@@ -1,50 +1,41 @@
 """
-core/grounding/think_arbiter.py — Layer THINK : VLM arbitre (UI-TARS)
+core/grounding/think_arbiter.py — Layer THINK : VLM arbitre (InfiGUI via subprocess)
 
-Appelé UNIQUEMENT quand le SmartMatcher n'a pas assez confiance :
-- Score < 0.60 : aucun candidat clair → UI-TARS cherche dans tout l'écran
-- Score 0.60-0.90 : candidats ambigus → UI-TARS confirme/infirme
-
-Le VLM tourne dans un process séparé (serveur FastAPI port 8200).
-Ce module est un CLIENT HTTP — il ne charge aucun modèle en VRAM.
+Appelé UNIQUEMENT quand le SmartMatcher n'a pas assez confiance.
+Utilise le subprocess worker InfiGUI (pas de serveur HTTP).
 
 Utilisation :
     from core.grounding.think_arbiter import ThinkArbiter
 
     arbiter = ThinkArbiter()
-    if arbiter.available:
-        result = arbiter.arbitrate(target, candidates, screenshot)
+    result = arbiter.arbitrate(target, candidates, screenshot)
 """
 
 from __future__ import annotations
 
-import base64
-import io
 import time
 from typing import Any, Dict, List, Optional
 
-from core.grounding.fast_types import DetectedUIElement, LocateResult, MatchCandidate
+from core.grounding.fast_types import LocateResult, MatchCandidate
 from core.grounding.target import GroundingTarget
 
 
 class ThinkArbiter:
-    """Arbitre VLM pour les cas ambigus — appelle le serveur UI-TARS."""
+    """Arbitre VLM — appelle InfiGUI via subprocess worker."""
 
-    DEFAULT_URL = "http://localhost:8200"
+    def __init__(self):
+        self._grounder = None
 
-    def __init__(self, server_url: str = DEFAULT_URL, timeout: int = 30):
-        self.server_url = server_url
-        self.timeout = timeout
+    def _get_grounder(self):
+        if self._grounder is None:
+            from core.grounding.ui_tars_grounder import UITarsGrounder
+            self._grounder = UITarsGrounder.get_instance()
+        return self._grounder
 
     @property
     def available(self) -> bool:
-        """Vérifie si le serveur de grounding est accessible."""
-        try:
-            import requests
-            resp = requests.get(f"{self.server_url}/health", timeout=3)
-            return resp.status_code == 200 and resp.json().get("model_loaded", False)
-        except Exception:
-            return False
+        """Toujours disponible — le worker se lance à la demande."""
+        return True
 
     def arbitrate(
         self,
@@ -54,62 +45,57 @@ class ThinkArbiter:
     ) -> Optional[LocateResult]:
         """Demande au VLM de trancher.
 
-        Args:
-            target: Ce qu'on cherche.
-            candidates: Candidats SMART (peut être vide).
-            screenshot_pil: Screenshot PIL. Si None, le serveur capture lui-même.
-
-        Returns:
-            LocateResult ou None si le VLM ne trouve pas non plus.
+        Si target.template_b64 est fourni, on bascule en mode fusionné :
+        le crop est passé comme image de référence à InfiGUI, ce qui évite
+        une description Ollama qwen2.5vl coûteuse en VRAM.
         """
         t0 = time.time()
 
+        # Décodage du crop d'ancre si disponible (mode fusionné)
+        anchor_pil = None
+        if target.template_b64:
+            try:
+                import base64
+                import io
+                from PIL import Image
+
+                raw_b64 = target.template_b64
+                if ',' in raw_b64:
+                    raw_b64 = raw_b64.split(',', 1)[1]
+                anchor_pil = Image.open(io.BytesIO(base64.b64decode(raw_b64))).convert("RGB")
+            except Exception as ex:
+                print(f"⚠️ [THINK] Décodage anchor échoué: {ex}")
+                anchor_pil = None
+
         try:
-            import requests
-
-            # Construire le payload
-            payload: Dict[str, Any] = {
-                "target_text": target.text or "",
-                "target_description": target.description or "",
-            }
-
-            # Envoyer l'image si disponible
-            if screenshot_pil is not None:
-                buf = io.BytesIO()
-                screenshot_pil.save(buf, format="JPEG", quality=85)
-                payload["image_b64"] = base64.b64encode(buf.getvalue()).decode("utf-8")
-
-            # Appel au serveur
-            resp = requests.post(
-                f"{self.server_url}/ground",
-                json=payload,
-                timeout=self.timeout,
+            grounder = self._get_grounder()
+            result = grounder.ground(
+                target_text=target.text or "",
+                target_description=target.description or "",
+                screen_pil=screenshot_pil,
+                anchor_pil=anchor_pil,
             )
 
             dt = (time.time() - t0) * 1000
 
-            if resp.status_code != 200:
-                print(f"🤔 [THINK] Serveur HTTP {resp.status_code}")
+            if result is None:
+                label = target.text or "<crop>"
+                print(f"🤔 [THINK] VLM n'a pas trouvé '{label}' ({dt:.0f}ms)")
                 return None
 
-            data = resp.json()
-
-            if data.get("x") is None:
-                print(f"🤔 [THINK] VLM n'a pas trouvé '{target.text}' ({dt:.0f}ms)")
-                return None
-
-            result = LocateResult(
-                x=data["x"],
-                y=data["y"],
-                confidence=data.get("confidence", 0.85),
-                method="think_vlm",
+            method = "think_vlm_fused" if anchor_pil is not None else "think_vlm"
+            locate = LocateResult(
+                x=result.x,
+                y=result.y,
+                confidence=result.confidence,
+                method=method,
                 time_ms=dt,
                 tier="think",
                 candidates_count=len(candidates),
             )
 
-            print(f"🤔 [THINK] VLM → ({result.x}, {result.y}) conf={result.confidence:.2f} ({dt:.0f}ms)")
-            return result
+            print(f"🤔 [THINK/{method}] ({result.x}, {result.y}) conf={result.confidence:.2f} ({dt:.0f}ms)")
+            return locate
 
         except Exception as ex:
             dt = (time.time() - t0) * 1000

core/grounding/ui_tars_grounder.py

@@ -1,21 +1,18 @@
 """
-core/grounding/ui_tars_grounder.py — Grounding via worker InfiGUI indépendant
+core/grounding/ui_tars_grounder.py — Grounding via script one-shot InfiGUI
 
-Communication par fichiers :
-  - Écrit la requête dans /tmp/infigui_request.json
-  - Le worker lit, infère, écrit la réponse dans /tmp/infigui_response.json
-  - Le grounder lit la réponse
-
-Le worker est un process indépendant lancé par start_grounding_worker.sh,
-PAS un subprocess de Flask.
+Chaque appel lance un subprocess Python qui charge le modèle, infère, et quitte.
+Lent (~15s) mais fiable — pas de crash CUDA en process persistant.
 """
 
 from __future__ import annotations
 
 import json
 import os
-import time
+import subprocess
+import sys
 import threading
+import time
 from typing import Optional
 
 from core.grounding.target import GroundingResult
@@ -23,16 +20,15 @@ from core.grounding.target import GroundingResult
 _instance: Optional[UITarsGrounder] = None
 _instance_lock = threading.Lock()
 
-REQUEST_FILE = "/tmp/infigui_request.json"
-RESPONSE_FILE = "/tmp/infigui_response.json"
-READY_FILE = "/tmp/infigui_ready"
-
 
 class UITarsGrounder:
-    """Grounding via worker InfiGUI indépendant — communication par fichiers."""
+    """Grounding via script one-shot InfiGUI."""
 
     def __init__(self):
         self._lock = threading.Lock()
+        self._project_root = os.path.abspath(
+            os.path.join(os.path.dirname(__file__), "..", "..")
+        )
 
     @classmethod
     def get_instance(cls) -> UITarsGrounder:
@@ -45,68 +41,111 @@ class UITarsGrounder:
 
     @property
     def available(self) -> bool:
-        return os.path.exists(READY_FILE)
+        return True  # Toujours disponible — le script se lance à la demande
 
     def ground(
         self,
         target_text: str = "",
         target_description: str = "",
         screen_pil=None,
+        anchor_pil=None,
     ) -> Optional[GroundingResult]:
-        """Localise un élément UI via le worker InfiGUI."""
-        if not self.available:
-            print("[InfiGUI] Worker non démarré (pas de /tmp/infigui_ready)")
-            return None
+        """Localise un élément UI via un script one-shot InfiGUI.
 
+        Args:
+            target_text: nom textuel de la cible (peut être vide si anchor_pil fourni).
+            target_description: description sémantique libre.
+            screen_pil: screenshot complet (PIL.Image).
+            anchor_pil: crop visuel de l'ancre capturée précédemment (PIL.Image).
+                Si fourni, le worker passe en mode fusionné : Image1=crop, Image2=screen,
+                "trouve sur l'image 2 l'élément visuel de l'image 1".
+        """
         t0 = time.time()
 
         try:
             with self._lock:
-                # Sauver l'image si fournie
-                image_path = ""
+                # Sauver l'image principale
+                image_path = "/tmp/infigui_screen.png"
                 if screen_pil is not None:
-                    image_path = "/tmp/infigui_screen.png"
                     screen_pil.save(image_path)
 
-                # Écrire la requête
-                req = {
+                # Sauver l'image d'ancre (mode fusionné)
+                anchor_image_path = ""
+                if anchor_pil is not None:
+                    anchor_image_path = "/tmp/infigui_anchor.png"
+                    anchor_pil.save(anchor_image_path)
+
+                # Construire la requête JSON
+                req = json.dumps({
                     "target": target_text,
                     "description": target_description,
                     "image_path": image_path,
-                    "timestamp": time.time(),
-                }
+                    "anchor_image_path": anchor_image_path,
+                })
 
-                # Supprimer l'ancienne réponse
-                if os.path.exists(RESPONSE_FILE):
-                    os.unlink(RESPONSE_FILE)
+                mode_str = "fused" if anchor_pil is not None else "text"
+                label_short = target_text[:30] if target_text else "<crop only>"
+                print(f"🎯 [InfiGUI] Lancement one-shot [{mode_str}]: '{label_short}'")
 
-                # Écrire la requête
-                with open(REQUEST_FILE, "w") as f:
-                    json.dump(req, f)
+                # Lancer le script one-shot
+                # IMPORTANT: depuis un service systemd où le parent a déjà chargé CUDA,
+                # le subprocess hérite d'un état GPU cassé (No CUDA GPUs available).
+                # Solutions : start_new_session=True (nouveau cgroup) + forcer
+                # CUDA_VISIBLE_DEVICES=0 explicitement pour bypass l'héritage parent.
+                _child_env = {**os.environ}
+                _child_env["PYTHONDONTWRITEBYTECODE"] = "1"
+                _child_env["CUDA_VISIBLE_DEVICES"] = "0"
+                _child_env["NVIDIA_VISIBLE_DEVICES"] = "all"
+                # Supprimer les variables Python qui pourraient pointer sur l'état parent
+                _child_env.pop("PYTORCH_NVML_BASED_CUDA_CHECK", None)
 
-                # Attendre la réponse (max 30s)
-                for _ in range(300):
-                    if os.path.exists(RESPONSE_FILE):
-                        time.sleep(0.05)  # Laisser le fichier se fermer
-                        try:
-                            with open(RESPONSE_FILE, "r") as f:
-                                data = json.load(f)
-                            os.unlink(RESPONSE_FILE)
-                            break
-                        except (json.JSONDecodeError, IOError):
-                            continue
-                    time.sleep(0.1)
-                else:
-                    print(f"⚠️ [InfiGUI] Timeout 30s — worker ne répond pas")
+                result = subprocess.run(
+                    [sys.executable, "-m", "core.grounding.infigui_worker"],
+                    input=req + "\n",
+                    capture_output=True,
+                    text=True,
+                    timeout=60,
+                    cwd=self._project_root,
+                    env=_child_env,
+                    start_new_session=True,  # nouveau session group, isole du parent
+                    close_fds=True,
+                )
+
+                if result.returncode != 0:
+                    stderr_lines = (result.stderr or '').strip().split('\n')
+                    # Afficher les dernières lignes significatives du stderr
+                    last_err = [l for l in stderr_lines[-5:] if l.strip()]
+                    print(f"⚠️ [InfiGUI] Script échoué (code {result.returncode})")
+                    for l in last_err:
+                        print(f"   ❌ {l}")
+                    return None
+
+                # Parser la sortie — chercher la ligne JSON de résultat
+                data = None
+                for line in result.stdout.strip().split("\n"):
+                    line = line.strip()
+                    if not line:
+                        continue
+                    try:
+                        parsed = json.loads(line)
+                        if "x" in parsed:
+                            data = parsed
+                    except json.JSONDecodeError:
+                        continue
+
+                if data is None:
+                    print(f"⚠️ [InfiGUI] Pas de réponse JSON dans la sortie")
                     return None
 
             dt = (time.time() - t0) * 1000
 
             if data.get("x") is not None:
-                print(f"🎯 [InfiGUI] ({data['x']}, {data['y']}) conf={data.get('confidence', 0):.2f} ({dt:.0f}ms)")
+                method_name = "infigui_fused" if anchor_pil is not None else "infigui"
+                print(f"🎯 [InfiGUI/{method_name}] ({data['x']}, {data['y']}) "
+                      f"conf={data.get('confidence', 0):.2f} ({dt:.0f}ms)")
                 return GroundingResult(
                     x=data["x"], y=data["y"],
-                    method="infigui",
+                    method=method_name,
                     confidence=data.get("confidence", 0.90),
                     time_ms=dt,
                 )
@@ -114,6 +153,9 @@ class UITarsGrounder:
                 print(f"⚠️ [InfiGUI] Pas trouvé ({dt:.0f}ms)")
                 return None
 
+        except subprocess.TimeoutExpired:
+            print(f"⚠️ [InfiGUI] Timeout 60s")
+            return None
         except Exception as e:
             print(f"⚠️ [InfiGUI] Erreur: {e}")
             return None

visual_workflow_builder/backend/api_v3/execute.py

@@ -896,15 +896,15 @@ def execute_action(action_type: str, params: dict) -> dict:
                         _fc_target_text = params.get('_step_label', '')
                     _action_types = {'click_anchor', 'double_click_anchor', 'right_click_anchor',
                                      'hover_anchor', 'focus_anchor', 'scroll_to_anchor'}
-                    if _fc_target_text in _action_types and screenshot_base64:
-                        try:
-                            from core.execution.input_handler import _describe_anchor_image
-                            _desc = _describe_anchor_image(screenshot_base64)
-                            if _desc:
-                                print(f"🏷️ [Vision] Ancre décrite: '{_desc}'")
-                                _fc_target_text = _desc
-                        except Exception:
-                            pass
+                    # Note: plus d'appel à _describe_anchor_image() (qwen2.5vl) ici.
+                    # Le crop d'ancre (screenshot_base64) est utilisé directement par
+                    # le template matching pixel-perfect en avant-poste, puis InfiGUI
+                    # en mode fusionné si nécessaire (option 2.c+2.a). Économise ~9.4 GB
+                    # de VRAM Ollama qui rentrait en conflit avec InfiGUI.
+                    if _fc_target_text in _action_types:
+                        # Marquer le label comme garbage pour que le pipeline
+                        # bascule sur le mode fusionné via template_b64.
+                        _fc_target_text = ''
                     _fc_target_desc = params.get('visual_anchor', {}).get('description', '')
 
                     x, y, confidence, method_used = None, None, 0, ''