fix: cascade serveur-first — SomEngine avant template matching

Le template matching compare des pixels et donne des faux positifs
quand l'écran n'est pas dans le même état que l'enregistrement.
SomEngine + VLM comprend sémantiquement ce qu'on cherche.

Nouvelle cascade :
1. Serveur SomEngine + VLM (compréhension sémantique)
2. Template matching local (fallback si serveur down)
3. VLM local (fallback dev/test)

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

agent_v0/agent_v1/core/executor.py

@@ -395,10 +395,15 @@ class ActionExecutorV1:
     ) -> dict:
         """Résoudre la position d'un clic visuellement.
 
-        Stratégie hybride en cascade :
+        Stratégie en cascade — compréhension sémantique d'abord :
-        1. Template matching avec le crop anchor (rapide, fiable si l'UI n'a pas changé)
+        1. Serveur resolve_target (SomEngine + VLM) — comprend CE QU'ON CHERCHE
-        2. Serveur resolve_target (SomEngine + VLM, si serveur accessible)
+        2. Template matching local (fallback rapide si serveur indisponible)
-        3. VLM local (fallback pour dev/test Linux)
+        3. VLM local (fallback dev/test Linux)
+
+        Le template matching compare des pixels et donne des faux positifs quand
+        l'écran n'est pas dans le même état que l'enregistrement. Le SomEngine
+        comprend sémantiquement les éléments UI (bouton, menu, texte) et trouve
+        le bon élément peu importe l'état de l'écran.
         """
         import time as _time
         t_start = _time.time()
@@ -418,14 +423,8 @@ class ActionExecutorV1:
             result["resolution_elapsed_ms"] = round(elapsed_ms, 1)
             return result
 
-        # ---- ÉTAPE 1 : Template matching avec le crop anchor ----
+        # ---- ÉTAPE 1 : Résolution serveur (SomEngine + VLM) ----
-        anchor_b64 = target_spec.get("anchor_image_base64", "")
+        # Le serveur comprend sémantiquement ce qu'on cherche. Pas de faux positifs.
-        if anchor_b64:
-            tm_result = self._template_match_anchor(screenshot_b64, anchor_b64, screen_width, screen_height)
-            if tm_result and tm_result.get("resolved"):
-                return _with_metrics(tm_result)
-
-        # ---- ÉTAPE 2 : Résolution serveur (SomEngine + VLM) ----
         if server_url:
             server_result = self._server_resolve_target(
                 server_url, screenshot_b64, target_spec,
@@ -434,7 +433,14 @@ class ActionExecutorV1:
             if server_result and server_result.get("resolved"):
                 return _with_metrics(server_result)
 
-        # ---- ÉTAPE 3 : VLM local (fallback dev/test, si Ollama accessible) ----
+        # ---- ÉTAPE 2 : Template matching local (fallback si serveur down) ----
+        anchor_b64 = target_spec.get("anchor_image_base64", "")
+        if anchor_b64:
+            tm_result = self._template_match_anchor(screenshot_b64, anchor_b64, screen_width, screen_height)
+            if tm_result and tm_result.get("resolved"):
+                return _with_metrics(tm_result)
+
+        # ---- ÉTAPE 3 : VLM local (fallback dev/test Linux) ----
         by_text = target_spec.get("by_text", "")
         vlm_description = target_spec.get("vlm_description", "")
         if vlm_description or by_text:
@@ -444,10 +450,6 @@ class ActionExecutorV1:
             if hybrid_result and hybrid_result.get("resolved"):
                 return _with_metrics(hybrid_result)
 
-        vlm_result = self._vlm_direct_resolve(screenshot_b64, target_spec)
-        if vlm_result and vlm_result.get("resolved"):
-            return _with_metrics(vlm_result)
-
         print("    [VISUAL] Toutes les méthodes ont échoué")
         return None