Locations vacances Espagne - Ete 2026

Chargement...

Archives des runs précédents

Snapshot complet (locations + meta + council) à chaque ./refresh.sh.

Guide d'utilisation et architecture

Comment ce site fonctionne, comment le mettre à jour, et ce qui reste à améliorer.

Architecture des données

3 fichiers de données + 1 délibération LLM, tous séparés du template :

Workflow complet

1. Scraper Booking (Claude Desktop scheduled task)
   → écrase locations.json + meta.json
   → contraintes dures filtrées : prix ≤ 7200€, piscine, clim, 4 chambres
   → automatique, voir prompt.md

2. ./refresh.sh                            ← une seule commande
   ├─ python3 llm_council.py --vacation
   │  → 4 LLMs cheap en parallèle :
   │    - openai/gpt-5-mini       ($0.25/$2.00 par M tokens)
   │    - anthropic/claude-haiku-4.5 ($1.00/$5.00)
   │    - x-ai/grok-4.1-fast      ($0.20/$0.50)
   │    - deepseek/deepseek-v4-pro ($0.43/$0.87)
   │  → 3 stages : individuel → revue croisée anonymisée → synthèse Chairman
   │  → écrit council.json + council.md
   │  → coût : ~0,10-0,20$ par run
   └─ ./deploy.sh
      → déploie index.html + 4 JSON/MD vers vac2026.pham.fr

Tu peux aussi lancer les 2 étapes séparément (python3 llm_council.py --vacation puis ./deploy.sh) si tu veux contrôler.

Comment lire l'onglet Recommandations

• En haut, sans cliquer : la synthèse du Chairman (verdict, top 3, choix unique).
• Détails repliables :
  • Classement agrégé : quel modèle a été le mieux noté par ses pairs.
  • Évaluations croisées (Stage 2) : chaque modèle critique les autres en aveugle (anonymisé), avant que les identités soient révélées.
  • Réponses individuelles brutes (Stage 1) : ce que chaque LLM a répondu indépendamment, sans connaître les autres.
  • Prompt initial : le texte exact envoyé au council.
• Liens cliquables : tous les noms de location et références #N pointent vers Booking avec dates + nb personnes pré-remplis (paramètres pris dans meta.json.bookingParams).

Archivage

À chaque ./refresh.sh, les 4 fichiers (locations, meta, council.json, council.md) sont copiés dans archive/<timestamp>/. Un index archive/index.json liste tous les snapshots, consommé par l'onglet Historique.

Cas d'usage : revoir une délibération passée, comparer les prix Booking d'un mois sur l'autre, savoir quel modèle recommandait quoi à une date donnée.

Limites connues

• Le council ne consulte pas le web. Toute affirmation hors des données du tableau est une extrapolation (notamment "décaler les dates économiserait" : prix/dispo non vérifiés sur d'autres fenêtres).
• Calcul "même prix, plus de nuits" théorique : suppose un €/nuit constant, ce qui n'est pas garanti hors de la fenêtre scrapée.
• Données Booking gelées au moment du scrape. Une location peut devenir indisponible entre 2 runs.
• Pas de retry par stage : si un LLM échoue (ex. 402 Payment Required, 404 model id), on continue sans, mais pas de fallback automatique.

Points à améliorer

• Grille tarifaire (price_grid.json) : enrichir le scraper Booking pour requêter plusieurs fenêtres et durées (1-15 juil / 8-22 juil / 15 juil-5 août / 14 vs 21 nuits) sur le top N candidats. Le council consommerait alors des données réelles plutôt que des extrapolations.
• Validation des model IDs : ping OpenRouter au démarrage de llm_council.py pour détecter un ID obsolète avant de lancer le run.
• Retry par stage : si Stage 3 (Chairman) échoue, possibilité de relancer juste cette étape sans re-payer Stage 1/2.
• Coût en temps réel : afficher le coût estimé du run après exécution (les modèles renvoient usage dans la réponse OpenRouter).
• Sélecteur de modèles dans l'UI : permettre de changer la composition du council sans éditer config.py.
• Streaming Stage 1/2/3 : afficher la progression dans l'UI au lieu de "Consulting the council..." pendant 1-2 min.

Pour modifier le council

Édite llm_council.py :

• COUNCIL_MODELS : liste des modèles OpenRouter (3 cheap par défaut)
• CHAIRMAN_MODEL : modèle qui synthétise (peut être un membre du council ou un autre)
• VACATION_BUDGET_MAX, VACATION_REQUIRE_POOL, VACATION_REQUIRE_AC : contraintes du filtre --vacation
• build_vacation_prompt() : texte du prompt envoyé au council

Lancer en local

# Serveur statique (le double-clic file:// ne marche pas, fetch() bloqué)
python3 -m http.server
# Puis http://localhost:8000/

# Lancer le council (clé API : env OPENROUTER_API_KEY ou ~/work/cloud/apikey.yaml)
python3 llm_council.py --vacation