feat: Léa répond via LLM — réponses naturelles au lieu de templates

- _generate_lea_response() appelle Ollama qwen3:8b avec persona Léa
- Fallback templates si LLM indisponible
- Intent parser conservé pour la détection d'actions
- think=false pour éviter les réponses vides qwen3

Co-Authored-By: Claude Opus 4.6 (1M context) <noreply@anthropic.com>

agent_chat/app.py

@@ -42,7 +42,7 @@ from core.workflow import SemanticMatcher, VariableManager
 # Import des composants conversationnels
 from .intent_parser import IntentParser, IntentType, get_intent_parser
 from .confirmation import ConfirmationLoop, ConfirmationStatus, RiskLevel, get_confirmation_loop
-from .response_generator import ResponseGenerator, get_response_generator
+from .response_generator import ResponseGenerator, GeneratedResponse, get_response_generator
 from .conversation_manager import ConversationManager, get_conversation_manager
 from .autonomous_planner import AutonomousPlanner, get_autonomous_planner, ExecutionPlan
 from .gesture_catalog import GestureCatalog
@@ -532,6 +532,89 @@ def api_history():
     return jsonify({"history": command_history[-20:]})
 
 
+# =============================================================================
+# Réponses LLM naturelles (persona Léa)
+# =============================================================================
+
+# Modèle texte pour les réponses conversationnelles (pas besoin de vision)
+_LEA_LLM_MODEL = os.environ.get("LEA_LLM_MODEL", "qwen3:8b")
+
+_LEA_SYSTEM_PROMPT = """Tu es Léa, une assistante professionnelle chaleureuse et bienveillante.
+
+Règles :
+- Tu vouvoies TOUJOURS l'utilisateur
+- Tu es naturelle, avec un peu d'humour quand c'est approprié
+- Réponses COURTES : 1 à 3 phrases maximum
+- JAMAIS de jargon technique (pas de workflow, RPA, API, agent, streaming, variable, base de données)
+- Tu parles de "tâches" pour désigner les processus automatisés
+- Tu parles d'"apprentissage" pour l'enregistrement de tâches
+- Tu utilises des emojis avec parcimonie (1 max par message)
+- Si on te demande quelque chose d'impossible (café, nourriture...) → réponds avec humour
+- Si l'utilisateur te remercie → sois chaleureuse
+- Si l'utilisateur est mécontent → sois empathique et propose ton aide
+- NE JAMAIS inventer des capacités que tu n'as pas
+- NE JAMAIS mentionner de termes techniques
+
+Ce que tu sais faire :
+- Apprendre des tâches en observant l'utilisateur
+- Refaire des tâches apprises
+- Importer des fichiers Excel
+- Répondre aux questions sur les tâches connues"""
+
+
+def _generate_lea_response(
+    user_message: str,
+    intent_result: dict,
+    action_result: dict = None,
+) -> Optional[str]:
+    """Générer une réponse naturelle via le LLM avec le persona de Léa.
+
+    Retourne le texte de la réponse, ou None si le LLM est indisponible
+    (fallback vers les templates hardcodés).
+    """
+    # Construire le contexte pour le LLM
+    context_parts = []
+    if action_result:
+        # Informer le LLM du résultat de l'action pour qu'il formule sa réponse
+        summary = json.dumps(action_result, ensure_ascii=False, default=str)[:300]
+        context_parts.append(f"[Action effectuée : {summary}]")
+
+    if context_parts:
+        user_prompt = f"{chr(10).join(context_parts)}\n\nUtilisateur : {user_message}\nLéa :"
+    else:
+        user_prompt = f"Utilisateur : {user_message}\nLéa :"
+
+    # Appel Ollama via /api/chat
+    try:
+        resp = http_requests.post(
+            "http://localhost:11434/api/chat",
+            json={
+                "model": _LEA_LLM_MODEL,
+                "messages": [
+                    {"role": "system", "content": _LEA_SYSTEM_PROMPT},
+                    {"role": "user", "content": user_prompt},
+                ],
+                "stream": False,
+                "think": False,  # Désactiver le mode réflexion (qwen3)
+                "options": {"temperature": 0.7, "num_predict": 150},
+            },
+            timeout=15,
+        )
+
+        if resp.ok:
+            content = resp.json().get("message", {}).get("content", "")
+            # Nettoyer la réponse (enlever les balises think, etc.)
+            content = content.strip()
+            if "<think>" in content:
+                content = content.split("</think>")[-1].strip()
+            if content:
+                return content
+    except Exception as e:
+        logger.warning(f"LLM indisponible pour la réponse Léa : {e}")
+
+    return None  # Fallback vers les templates
+
+
 @app.route('/api/chat', methods=['POST'])
 def api_chat():
     """
@@ -761,9 +844,29 @@ def api_chat():
 
     # 6. Générer la réponse (si pas déjà fait pour confirmation)
     if action_taken != "confirmation_requested":
-        # Si c'est un import de données (même via CONFIRM/DENY), forcer le handler DATA_IMPORT
+        # Tenter une réponse LLM naturelle (persona Léa)
+        lea_text = _generate_lea_response(message, intent.to_dict(), result or None)
+
+        if lea_text:
+            # Réponse LLM réussie — on construit la GeneratedResponse
+            # Garder les suggestions du template (utiles pour l'UX)
+            if action_taken == "data_import":
+                from dataclasses import replace as _dc_replace
+                data_intent = _dc_replace(intent, intent_type=IntentType.DATA_IMPORT)
+                fallback = response_generator.generate(data_intent, context, result)
+            else:
+                fallback = response_generator.generate(intent, context, result)
+
+            response = GeneratedResponse(
+                message=lea_text,
+                suggestions=fallback.suggestions,
+                action_required=fallback.action_required,
+                action_type=fallback.action_type,
+                metadata=fallback.metadata,
+            )
+        else:
+            # Fallback vers les templates hardcodés si LLM indisponible
             if action_taken == "data_import":
-            # Créer un intent fictif pour le dispatch vers _handle_data_import
                 from dataclasses import replace as _dc_replace
                 data_intent = _dc_replace(intent, intent_type=IntentType.DATA_IMPORT)
                 response = response_generator.generate(data_intent, context, result)