feat: contrôle visuel post-action (template matching + VLM fallback)

- Screenshots de référence (res_shot_XXXX.png) attachés aux actions click/key_combo
- _attach_expected_screenshots() charge les screenshots résultat de l'enregistrement
- _verify_visual_state() dans executor : 2 étages de vérification
  - Étage 1 : template matching rapide (~100ms), score > 0.7 = OK, < 0.3 = FAIL
  - Étage 2 : VLM compare current vs expected (~4s), MATCH/MISMATCH
- Résultat attaché à chaque action (visual_verification dans result)
- Note : executor sur Windows (/tmp/executor_win.py) à synchroniser manuellement

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

agent_v0/server_v1/stream_processor.py

@@ -554,6 +554,76 @@ def _load_crop_for_event(
     return None
 
 
+def _attach_expected_screenshots(
+    actions: list, raw_events: list, session_dir: Path,
+) -> None:
+    """Attacher les screenshots de référence (résultat attendu) aux actions.
+
+    Pour chaque action de type click ou key_combo, cherche le screenshot
+    res_shot_XXXX.png (capturé 1s après l'action pendant l'enregistrement)
+    et l'attache comme expected_screenshot_b64.
+
+    Le screenshot est compressé en JPEG qualité 40 (~30-50 KB en b64)
+    pour limiter le poids de chaque action.
+    """
+    import base64
+    from PIL import Image as _Image
+
+    shots_dir = session_dir / "shots"
+    if not shots_dir.is_dir():
+        return
+
+    # Mapper les screenshot_id des événements originaux aux actions
+    # Les événements click/key_combo ont un "screenshot_id" (ex: "shot_0003")
+    # Le screenshot résultat est "res_shot_0003.png"
+    action_idx = 0
+    for raw_evt in raw_events:
+        event_data = raw_evt.get("event", raw_evt)
+        screenshot_id = event_data.get("screenshot_id", "")
+        if not screenshot_id:
+            continue
+
+        evt_type = event_data.get("type", "")
+        if evt_type not in ("mouse_click", "key_combo", "key_press"):
+            continue
+
+        # Trouver l'action correspondante (même type, index croissant)
+        while action_idx < len(actions):
+            a = actions[action_idx]
+            a_type = a.get("type", "")
+            if a_type in ("click", "key_combo"):
+                break
+            action_idx += 1
+        else:
+            break  # Plus d'actions
+
+        # Charger le screenshot résultat
+        res_file = shots_dir / f"res_{screenshot_id}.png"
+        if not res_file.is_file():
+            action_idx += 1
+            continue
+
+        try:
+            img = _Image.open(res_file)
+            # Redimensionner pour réduire le poids (800px de large)
+            if img.width > 800:
+                ratio = 800 / img.width
+                img = img.resize((800, int(img.height * ratio)), _Image.LANCZOS)
+            import io
+            buf = io.BytesIO()
+            img.save(buf, format="JPEG", quality=40)
+            b64 = base64.b64encode(buf.getvalue()).decode()
+            actions[action_idx]["expected_screenshot_b64"] = b64
+            logger.debug(
+                "Screenshot de référence attaché à action %d : %s (%d KB)",
+                action_idx, res_file.name, len(b64) // 1024,
+            )
+        except Exception as e:
+            logger.debug("Erreur chargement screenshot ref %s : %s", res_file, e)
+
+        action_idx += 1
+
+
 def build_replay_from_raw_events(
     events: list,
     session_id: str = "",
@@ -917,16 +987,23 @@ def build_replay_from_raw_events(
             continue
         result.append(a)
 
+    # ── 8. Attacher les screenshots de référence (état attendu après action) ──
+    # Les screenshots res_shot_XXXX.png capturés 1s après chaque action pendant
+    # l'enregistrement servent de référence pour le contrôle visuel.
+    if session_dir_path:
+        _attach_expected_screenshots(result, events, session_dir_path)
+
     # Stats visual replay
     visual_clicks = sum(
         1 for a in result
         if a.get("type") == "click" and a.get("visual_mode")
     )
     total_clicks = sum(1 for a in result if a.get("type") == "click")
+    verified_count = sum(1 for a in result if a.get("expected_screenshot_b64"))
     logger.info(
         "build_replay_from_raw_events(%s) : %d actions propres produites "
-        "(%d/%d clics avec visual_mode)",
+        "(%d/%d clics avec visual_mode, %d avec screenshot de référence)",
-        session_id, len(result), visual_clicks, total_clicks,
+        session_id, len(result), visual_clicks, total_clicks, verified_count,
     )
     return result