Captures : polices installées, et image réellement montrée au modèle

Deux défauts signalés à l'usage, tous deux réels.

1) Captures sans aucun texte. Le conteneur n'avait pas de polices : Chromium
   rendait images et aplats, mais pas un caractère. Ajout de Noto (écritures
   du monde, CJK, emoji), Liberation et DejaVu (substituts d'Arial/Times que
   réclament la plupart des sites), plus fc-cache. Le délai avant capture
   passe à 3,5 s : de nombreux sites chargent leurs polices en webfont et
   laissent le texte invisible le temps du téléchargement (font-display:
   block), ce qui produisait aussi des blocs vides.

2) « Je n'ai pas de vision » alors que le projecteur était configuré. Le
   modèle disait vrai deux fois : la description de l'outil lui affirmait
   « Tu ne vois pas l'image », et la capture ne lui était jamais transmise —
   un message  ne transporte que du texte.
   - la description SUIT désormais l'état du projecteur, comme web_open suit
     le moteur web choisi (même motif que l'amont) ;
   - la capture est relayée dans un message  multimodal (text +
     image_url en data URI), le format déjà utilisé par les pièces jointes.
     Sans projecteur, rien n'est envoyé : llama-server rejetterait l'image.

Vérifié : 359 polices dans l'image et texte lisible sur une capture réelle ;
tests sur la description et le relais selon MMPROJ, et sur l'extraction du
chemin de capture (si le texte de l'outil change, le relais casserait en
silence).

Dockerfile

@@ -50,9 +50,18 @@ RUN apt-get update && apt-get install -y --no-install-recommends \
 ARG PLAYWRIGHT=1
 ARG PLAYWRIGHT_VERSION=latest
 ENV PLAYWRIGHT_BROWSERS_PATH=/opt/pw-browsers
+# Les polices sont INDISPENSABLES : sans elles, Chromium rend les pages sans
+# AUCUN texte — boutons et titres sortent vides, seuls les images et les aplats
+# apparaissent. Noto couvre l'essentiel des écritures, Liberation fournit les
+# substituts d'Arial/Times que réclament la plupart des sites.
 RUN if [ "$PLAYWRIGHT" = "1" ]; then \
         npm i -g playwright@${PLAYWRIGHT_VERSION} \
         && playwright install --with-deps chromium \
+        && apt-get update \
+        && apt-get install -y --no-install-recommends \
+             fonts-liberation fonts-dejavu-core fonts-noto-core \
+             fonts-noto-cjk fonts-noto-color-emoji \
+        && fc-cache -f \
         && rm -rf /root/.npm /var/lib/apt/lists/* ; \
     fi
 

internal/loki/chat_screenshot.go

@@ -16,6 +16,7 @@ package loki
 
 import (
 	"context"
+	"encoding/base64"
 	"fmt"
 	"os"
 	"os/exec"
@@ -69,8 +70,11 @@ func webScreenshotTool() Tool {
 		Name: "web_screenshot",
 		// Description tenue au plus court : les schémas d'outils partent dans
 		// CHAQUE requête et le préambule a un budget (TestSystemPromptStaysLean).
+		// Elle DÉPEND de la vision : annoncer « tu ne vois pas l'image » à un
+		// modèle qui la reçoit ensuite le fait se contredire devant l'utilisateur
+		// (il refuse de décrire ce qu'il a pourtant sous les yeux).
 		Description: "Photographie une page web (JS exécuté) pour la MONTRER. " +
-			"La réponse donne la ligne markdown à recopier. Tu ne vois pas l'image.",
+			"La réponse donne la ligne markdown à recopier. " + screenshotVisionNote(),
 		Parameters: map[string]any{
 			"type": "object",
 			"properties": map[string]any{
@@ -82,6 +86,59 @@ func webScreenshotTool() Tool {
 	}}
 }
 
+// screenshotVisionNote : ce que le modèle doit savoir de SA propre perception.
+// Avec un projecteur configuré, la capture lui est réellement transmise (voir
+// screenshotImageMessage) ; sans projecteur, il photographie sans regarder.
+func screenshotVisionNote() string {
+	if visionEnabled() {
+		return "L'image t'est ensuite montrée : tu peux la décrire."
+	}
+	return "Tu ne vois pas l'image."
+}
+
+// screenshotImageMessage construit le message utilisateur qui PORTE la capture
+// jusqu'au modèle. Le résultat d'un outil est un message `tool`, qui ne
+// transporte que du texte : pour qu'un modèle multimodal voie l'image, elle doit
+// arriver dans un message `user` au format OpenAI (partie text + partie
+// image_url en data URI), le même que celui des pièces jointes.
+//
+// Renvoie ok=false quand la vision est absente ou le fichier illisible :
+// llama-server rejette un contenu image sans --mmproj, donc mieux vaut ne rien
+// envoyer que de faire échouer le tour.
+func screenshotImageMessage(relPath string) (Message, bool) {
+	if !visionEnabled() {
+		return Message{}, false
+	}
+	abs := filepath.Join(agentWorkspace(), filepath.FromSlash(relPath))
+	mime := imageMime(abs)
+	if mime == "" {
+		return Message{}, false
+	}
+	b, err := os.ReadFile(abs)
+	if err != nil || len(b) == 0 {
+		return Message{}, false
+	}
+	return Message{Role: "user", Content: []map[string]any{
+		{"type": "text", "text": "Voici la capture demandée."},
+		{"type": "image_url", "image_url": map[string]any{
+			"url": "data:" + mime + ";base64," + base64.StdEncoding.EncodeToString(b),
+		}},
+	}}, true
+}
+
+// capturedRelPath extrait le chemin de la capture du texte rendu par
+// toolWebScreenshot, pour éviter de faire porter deux valeurs de retour à
+// l'outil (le protocole n'en accepte qu'une, textuelle).
+var capturedRe = regexp.MustCompile(`\(/api/chat/image\?path=([^)]+)\)`)
+
+func capturedRelPath(toolResult string) string {
+	m := capturedRe.FindStringSubmatch(toolResult)
+	if len(m) != 2 {
+		return ""
+	}
+	return m[1]
+}
+
 // safeSlug réduit un hôte à un nom de fichier sûr.
 var slugRe = regexp.MustCompile(`[^a-zA-Z0-9._-]+`)
 
@@ -147,7 +204,10 @@ func toolWebScreenshot(args map[string]any) string {
 
 	cmdArgs := []string{"screenshot", "--browser", "chromium",
 		"--viewport-size", fmt.Sprintf("%d,800", width),
-		"--wait-for-timeout", "2500"}
+		// 3,5 s : beaucoup de sites chargent leurs polices en webfont et laissent le
+		// texte INVISIBLE le temps du téléchargement (font-display: block). Capturer
+		// trop tôt donnait une page aux blocs vides, sans un mot.
+		"--wait-for-timeout", "3500"}
 	if fullPage {
 		cmdArgs = append(cmdArgs, "--full-page")
 	}

internal/loki/chat_screenshot_test.go

@@ -4,6 +4,7 @@ import (
 	"fmt"
 	"os"
 	"path/filepath"
+	"strings"
 	"testing"
 	"time"
 )
@@ -80,6 +81,64 @@ func TestConvDeleteSupprimeLesCaptures(t *testing.T) {
 	}
 }
 
+// Le modèle annonçait « je ne vois pas l'image » alors que la vision était
+// activée : sa description d'outil le lui disait, et la capture ne lui était
+// jamais transmise. Les deux doivent suivre l'état réel du projecteur.
+func TestScreenshotSuitLEtatDeLaVision(t *testing.T) {
+	t.Setenv("LOKI_HOME", t.TempDir())
+
+	if got := screenshotVisionNote(); !strings.Contains(got, "ne vois pas") {
+		t.Fatalf("sans projecteur, la description doit annoncer l'absence de vision : %q", got)
+	}
+	// Une capture existe, mais sans projecteur elle ne doit PAS partir au modèle :
+	// llama-server rejette un contenu image sans --mmproj.
+	dir, rel := captureDirFor(convEnsureActive())
+	if err := os.MkdirAll(dir, 0o755); err != nil {
+		t.Fatal(err)
+	}
+	shot := filepath.Join(dir, "vue.jpg")
+	if err := os.WriteFile(shot, []byte("\xff\xd8\xff jpeg"), 0o644); err != nil {
+		t.Fatal(err)
+	}
+	relPath := rel + "/vue.jpg"
+	if _, ok := screenshotImageMessage(relPath); ok {
+		t.Fatal("image transmise au modèle alors qu'aucun projecteur n'est configuré")
+	}
+
+	// Projecteur configuré → description ET transmission changent.
+	if err := SetConfigKey("MMPROJ", "mmproj-test.gguf"); err != nil {
+		t.Fatal(err)
+	}
+	if got := screenshotVisionNote(); strings.Contains(got, "ne vois pas") {
+		t.Fatalf("avec projecteur, la description ne doit plus nier la vision : %q", got)
+	}
+	msg, ok := screenshotImageMessage(relPath)
+	if !ok {
+		t.Fatal("image non transmise alors que le projecteur est configuré")
+	}
+	if msg.Role != "user" {
+		t.Fatalf("role %q : l'image doit voyager dans un message user, un message tool ne porte que du texte", msg.Role)
+	}
+	parts, _ := msg.Content.([]map[string]any)
+	if len(parts) != 2 || parts[1]["type"] != "image_url" {
+		t.Fatalf("contenu multimodal attendu (text + image_url), obtenu %#v", msg.Content)
+	}
+}
+
+// Le chemin de la capture est extrait du texte rendu par l'outil : si le format
+// de ce texte change, le relais vers le modèle casse en silence.
+func TestCapturedRelPath(t *testing.T) {
+	res := "Capture enregistrée (captures/c1/x.jpg, 42 Ko).\n" +
+		"Pour la montrer à l'utilisateur, recopie TELLE QUELLE cette ligne markdown dans ta réponse :\n" +
+		"![capture de exemple.com](/api/chat/image?path=captures/c1/x.jpg)"
+	if got := capturedRelPath(res); got != "captures/c1/x.jpg" {
+		t.Fatalf("chemin extrait %q", got)
+	}
+	if got := capturedRelPath("[erreur] capture impossible"); got != "" {
+		t.Fatalf("une erreur ne doit produire aucun chemin, obtenu %q", got)
+	}
+}
+
 // Une capture unique plus lourde que le plafond en OCTETS ne doit pas s'effacer
 // elle-même : il ne resterait alors rien à montrer.
 func TestPruneCapturesNEffacePasUneCaptureUniqueTropLourde(t *testing.T) {

internal/loki/llm_client.go

@@ -1076,6 +1076,19 @@ func runChat(ctx context.Context, messages []Message, temperature float64, caps
 				toolMsg := Message{Role: "tool", ToolCallID: tc.ID, Content: result}
 				messages = append(messages, toolMsg)
 				extra = append(extra, toolMsg)
+				// Capture d'écran + vision active : on fait SUIVRE l'image elle-même
+				// dans un message `user`. Un message `tool` ne transporte que du
+				// texte, donc sans ce relais le modèle recevait le chemin du fichier
+				// et rien d'autre — il annonçait alors à l'utilisateur qu'il ne
+				// voyait pas l'image, alors que le projecteur était bien chargé.
+				if tc.Function.Name == "web_screenshot" {
+					if rel := capturedRelPath(result); rel != "" {
+						if imgMsg, ok := screenshotImageMessage(rel); ok {
+							messages = append(messages, imgMsg)
+							extra = append(extra, imgMsg)
+						}
+					}
+				}
 			}
 			// Compaction EN COURS DE TOUR. Le seuil n'était testé qu'AU DÉBUT du tour :
 			// une boucle d'outils peut à elle seule remplir la fenêtre (résultats