feat(tools): add 7 wired+bench utility scripts (A+B classification)

- A (wired, imports project modules): e2e_map_roles, anonymize_demo, grounding_e2e_resolve_engine
- B (orphan projection, standalone benches): enrichment_eval_multi, extract_easily_bench_cases, extract_record_bench_cases, grounding_eval_multi

tools/anonymize_demo.py

@@ -0,0 +1,118 @@
+#!/usr/bin/env python3
+"""ZIP de démo (Amina + Dom) : capture + JSON de ce que Léa récupère.
+
+Règle d'anonymisation (décision Dom 30/06) : on garde TOUT lisible — interface,
+menus, libellés, valeurs cliniques — et on ne masque QUE l'identité directe du
+patient, qui se trouve dans le BANDEAU DU HAUT (titre du dossier / onglets).
+
+- Capture : floutage CIBLÉ de la bande supérieure uniquement (top_frac). Le reste
+  (menus de navigation, formulaire, valeurs) reste lisible — c'est l'interface
+  qu'on apprend et ce qui sert à naviguer.
+- JSON : vraies valeurs des champs (lisibles), + une section `patient` où nom /
+  prénom / date de naissance sont remplacés par des tokens.
+
+Tourne sur le DGX. Le détail (vraies valeurs) n'est pas affiché par le script —
+seuls des compteurs et la plage Y floutée le sont (pas de PID dans les logs).
+"""
+import argparse
+import json
+import sys
+import zipfile
+from pathlib import Path
+
+sys.path.insert(0, str(Path(__file__).resolve().parent.parent))
+from core.llm.ocr_extractor import extract_grid_from_image  # noqa: E402
+from core.extraction.role_mapper import tokens_from_grid  # noqa: E402
+
+from PIL import Image, ImageFilter  # noqa: E402
+
+
+def main():
+    ap = argparse.ArgumentParser()
+    ap.add_argument("--image", required=True)
+    ap.add_argument("--extraction-json", required=True)
+    ap.add_argument("--out", default="/tmp/demo_lecture_ecran.zip")
+    ap.add_argument("--top-frac", type=float, default=0.15,
+                    help="fraction haute de l'écran à flouter (bandeau identité patient)")
+    a = ap.parse_args()
+
+    grid = extract_grid_from_image(a.image)
+    tokens = tokens_from_grid(grid)
+    fields = json.loads(Path(a.extraction_json).read_text())
+
+    img = Image.open(a.image).convert("RGB")
+    H = img.height
+    seuil = int(a.top_frac * H)
+
+    # Floutage CIBLÉ : uniquement les tokens texte de la bande supérieure
+    # (bandeau d'identité patient). Tout le reste reste lisible.
+    blurred = 0
+    ys = []
+    PAD = 2
+    for t in tokens:
+        if not t.bbox:
+            continue
+        x0, y0, x1, y1 = t.bbox
+        if y0 < seuil:  # token dans le bandeau du haut
+            xx0 = max(0, x0 - PAD); yy0 = max(0, y0 - PAD)
+            xx1 = min(img.width, x1 + PAD); yy1 = min(img.height, y1 + PAD)
+            if xx1 > xx0 and yy1 > yy0:
+                region = img.crop((xx0, yy0, xx1, yy1)).filter(ImageFilter.GaussianBlur(12))
+                img.paste(region, (xx0, yy0))
+                blurred += 1
+                ys.append(y0)
+
+    # JSON démo : vraies valeurs des champs + identité patient tokenisée
+    demo = {
+        "ecran": "Dossier patient — Urgences (DPI réel)",
+        "note": "Données cliniques réelles. Identité directe du patient remplacée par des tokens ; le reste est ce que Léa lit tel quel.",
+        "patient": {
+            "nom": "[nom]",
+            "prenom": "[prenom]",
+            "date_naissance": "[date de naissance]",
+        },
+        "champs": [
+            {"label": f.get("label"),
+             "valeur": f.get("value"),
+             "confiance_ocr": round(float(f.get("confidence", 0)), 2),
+             "ancre_ocr": bool(f.get("anchored"))}
+            for f in fields
+        ],
+    }
+
+    tmp = Path("/tmp/_demo_build"); tmp.mkdir(exist_ok=True)
+    for old in tmp.glob("*"):
+        old.unlink()
+    cap = tmp / "capture.png"
+    img.save(cap)
+    js = tmp / "ce_que_lea_recupere.json"
+    js.write_text(json.dumps(demo, ensure_ascii=False, indent=2))
+    readme = tmp / "LISEZMOI.txt"
+    readme.write_text(
+        "DÉMO — Lecture d'écran par Léa (RPA 100% vision)\n"
+        "================================================\n\n"
+        "1) capture.png : un vrai écran de dossier patient (Urgences). Tout est\n"
+        "   lisible (interface, menus, libellés, valeurs cliniques) ; SEUL le\n"
+        "   bandeau d'identité du patient (en haut) est flouté.\n\n"
+        "2) ce_que_lea_recupere.json : ce que Léa extrait de cet écran. L'OCR fournit\n"
+        "   les valeurs exactes (vérité), le modèle de vision identifie le RÔLE de\n"
+        "   chaque champ. Valeurs cliniques réelles ; identité patient = tokens\n"
+        "   [nom]/[prenom]/[date de naissance]. 0 hallucination (valeur = OCR).\n\n"
+        f"   {len(demo['champs'])} champs reconnus sur cet écran.\n"
+    )
+
+    with zipfile.ZipFile(a.out, "w", zipfile.ZIP_DEFLATED) as z:
+        z.write(cap, cap.name)
+        z.write(js, js.name)
+        z.write(readme, readme.name)
+
+    plage = f"{min(ys)}..{max(ys)}px" if ys else "—"
+    print(f"# Hauteur image      : {H}px  | seuil bandeau = {seuil}px (top {a.top_frac:.0%})")
+    print(f"# Tokens floutés (bandeau haut) : {blurred}  | plage Y : {plage}")
+    print(f"# Tokens TOTAL       : {len(tokens)}  (le reste reste lisible)")
+    print(f"# Champs JSON (vraies valeurs) : {len(demo['champs'])}")
+    print(f"# ZIP : {a.out}")
+
+
+if __name__ == "__main__":
+    main()