feat(ai): integrate Llama 3.3 batch analysis for products grouped by nomenclature

src/app/api/ai/batch-analyze/route.ts

@@ -0,0 +1,98 @@
+import { NextRequest, NextResponse } from "next/server";
+import { z } from "zod";
+
+const OPENROUTER_API_KEY = process.env.OPENROUTER_API_KEY;
+
+// Schema for the incoming request
+const BatchAnalyzeSchema = z.object({
+    rayon: z.string(), // Context for the LLM
+    products: z.array(z.object({
+        codein: z.string(),
+        gtin: z.string().nullable().optional(),
+        nom: z.string().nullable().optional(),
+        ventes: z.number().nullable().optional(),
+        marge: z.number().nullable().optional(),
+    })),
+});
+
+export async function POST(req: NextRequest) {
+    if (!OPENROUTER_API_KEY) {
+        return NextResponse.json({ error: "Clé API OpenRouter manquante." }, { status: 500 });
+    }
+
+    try {
+        const body = await req.json();
+        const parsed = BatchAnalyzeSchema.safeParse(body);
+
+        if (!parsed.success) {
+            return NextResponse.json({ error: "Format de données invalide." }, { status: 400 });
+        }
+
+        const { rayon, products } = parsed.data;
+
+        // Prompt definition
+        const systemPrompt = `Tu es un expert en Retail et en gestion d'assortiment. 
+Ta mission est d'analyser un lot de produits appartenant au rayon "${rayon}".
+Pour chaque produit, tu dois recommander une Gamme (A, B, C ou Z) basée sur ses performances de ventes (volume) et sa marge (%).
+Tu dois aussi détecter les doublons évidents (même produit, GTIN similaire, ventes réparties) en mettant isDuplicate: true le cas échéant.
+
+Règles de Gamme :
+- A : Produit phare, rotation forte, excellente marge.
+- B : Produit cœur de gamme, rotation moyenne.
+- C : Dépannage ou niche, faible rotation mais potentiellement bonne marge.
+- Z : Produit à déréférencer ou mort (ventes très faibles, marge mauvaise).
+
+TU DOIS REPONDRE UNIQUEMENT EN FORMAT JSON VALIDE. AUCUN TEXTE AVANT OU APRES.
+Format attendu:
+{
+  "results": [
+    {
+      "codein": "123",
+      "recommandationGamme": "A",
+      "isDuplicate": false,
+      "justificationCourte": "Forte rotation et excellente marge."
+    }
+  ]
+}`;
+
+        const userPrompt = `Analyse cette liste de produits :\n${JSON.stringify(products, null, 2)}`;
+
+        const response = await fetch("https://openrouter.ai/api/v1/chat/completions", {
+            method: "POST",
+            headers: {
+                "Authorization": `Bearer ${OPENROUTER_API_KEY}`,
+                "Content-Type": "application/json",
+            },
+            body: JSON.stringify({
+                model: "meta-llama/llama-3.3-70b-instruct:free",
+                messages: [
+                    { role: "system", content: systemPrompt },
+                    { role: "user", content: userPrompt }
+                ],
+                response_format: { type: "json_object" }, // Force JSON
+                temperature: 0.1, // Low temp for analytical consistency
+            }),
+        });
+
+        if (!response.ok) {
+            const err = await response.text();
+            console.error("OpenRouter API Error:", err);
+            return NextResponse.json({ error: "Erreur lors de l'appel à OpenRouter." }, { status: response.status });
+        }
+
+        const data = await response.json();
+        const content = data.choices[0].message.content;
+
+        // Clean up markdown markers if the model ignored response_format
+        const jsonMatch = content.match(/```json\n([\s\S]*?)\n```/) || content.match(/{[\s\S]*}/);
+        const jsonStr = jsonMatch ? jsonMatch[0].replace(/```json\n|\n```/g, '') : content;
+
+        const resultJson = JSON.parse(jsonStr);
+
+        return NextResponse.json(resultJson);
+
+    } catch (error) {
+        console.error("Batch Analyze Error:", error);
+        return NextResponse.json({ error: "Erreur interne du serveur." }, { status: 500 });
+    }
+}