Content
# AiWlangage — Kit de Migration WinDev/WebDev
> Lisez un projet WLangage, comprenez sa logique métier, migrez vers la stack de votre choix — orchestré par VS Code Copilot + MCP + RAG.
---
## Installation
### ✅ Recommandé — Depuis la dernière release
Le flux recommandé pour tous les utilisateurs (dev ou production) :
**Tous les systèmes (Windows, macOS, Linux)** :
1. Accédez à la page des releases : [github.com/Danalisao/AiWlangage-releases/releases/latest](https://github.com/Danalisao/AiWlangage-releases/releases/latest)
2. Téléchargez la source zip (`.zip`) ou archive tar (`.tar.gz`) disponible
3. Extrayez localement
4. Lancez le script d'installation :
```bash
# macOS / Linux
cd chemin/vers/AiWlangage
bash install.sh
# Windows (PowerShell)
cd C:\chemin\vers\AiWlangage
.\install.ps1
```
Le script clone les composants, crée l'environnement Python, configure le RAG et les agents VS Code. **Aucune étape manuelle supplémentaire.**
### Fallback — Clone local (vous avez déjà le dépôt)
Si vous avez déjà cloné le dépôt localement :
```bash
cd ~/AiWlangage # ou C:\AiWlangage sur Windows
./install.sh # ou .\install.ps1 sur Windows
```
### ⚡ Option avancée — One-liner rapide (exposé à certains antivirus)
**macOS / Linux** :
```bash
curl -sSL https://raw.githubusercontent.com/Danalisao/AiWlangage-releases/main/install.sh | bash
```
**Windows (PowerShell)** :
```powershell
irm https://raw.githubusercontent.com/Danalisao/AiWlangage-releases/main/install.ps1 | iex
```
⚠️ **Attention :** Certains antivirus (Windows Defender, Kaspersky, Avast, Norton…) bloquent ce pattern PowerShell en tant que vecteur potentiel de malveillance. Si vous rencontrez une erreur d'exécution, utilisez le **flux recommandé** (release + exécution locale).
### Installation manuelle
Consultez [GETTING_STARTED.md](GETTING_STARTED.md) pour les étapes détaillées.
Ensuite :
```bash
code ~/AiWlangage # puis @WLangage-Atlas dans Copilot Chat
```
→ [Démarrage rapide complet](QUICKSTART.md)
---
## Ce que vous obtenez
### Un kit en 4 composants autonomes
| Composant | Rôle | Commande |
|-----------|------|---------|
| **`wlangage-rag/`** | Moteur RAG — 14 000+ docs WLangage, recherche hybride BM25 + E5, API FastAPI | `make start-rag` |
| **`wlangage-mcp-server/`** | 22 outils MCP pour VS Code — scan projet, lecture procédures, migration guidée | auto (VS Code) |
| **`wlangage-agents/`** | 13 agents VS Code Copilot — Atlas orchestre la migration complète | `@WLangage-Atlas` |
| **`wlangage-dataset-kit/`** | Collecteur de contributions — anonymise + exporte vos procédures WLangage | `make dataset` |
### Un workflow de migration en 5 étapes
```
1. Scan @WLangage-Atlas analyse C:\MonProjet\App.wdp
→ cartographie procédures + tables HFSQL + dépendances
2. Compréhension WLangage-Analyst explique chaque procédure métier
→ pseudocode universel, cartographie HFSQL
3. Spec WLangage-Spec-Writer génère le cahier des charges
→ ERD Mermaid + user stories Gherkin + API OpenAPI 3.1
4. Migration WLangage-Migration-Director implémente dans la stack cible
→ React/Node, Django, Spring Boot, ou Vue/FastAPI
5. Parité WLangage-Test-Comparator valide le comportement
→ tests comparatifs WLangage ↔ stack cible
```
---
## Stacks cibles
| Stack | Technologies |
|-------|-------------|
| `react-node-postgres` | React 18 TypeScript + Node.js + PostgreSQL + Prisma |
| `django` | Django 5 + PostgreSQL + Django ORM |
| `spring` | Spring Boot 3 + Java 21 + Spring Data JPA |
| `vue-fastapi` | Vue 3 TypeScript + FastAPI + SQLAlchemy |
---
## Ce dont vous avez besoin
- **Python 3.10+** et **Git**
- **VS Code 1.90+** avec **GitHub Copilot** actif
- Un backend LLM — **GitHub Copilot/Models recommandé** (inclus si vous avez Copilot), ou Ollama, Groq, Gemini, OpenAI, Anthropic
### Configuration — Deux fichiers `.env`
**1. `.env` racine** — pour les scripts/notebooks :
```env
LLM_BACKEND=ollama
OLLAMA_URL=http://localhost:11434
OLLAMA_MODEL=qwen3-coder:480b-cloud
MIGRATION_TARGET_STACK=react-node-postgres
```
**2. `wlangage-rag/rag/.env`** — pour le moteur RAG (obligatoire) :
Configurez vos clés API (Groq, Gemini, Ollama, etc.) dans `wlangage-rag/rag/.env`.
→ [Configuration complète](.env.example) | [Guide détaillé](QUICKSTART.md#3-configuration)
---
## Architecture
```
Projet WinDev (.wdp / .wl)
│
▼
wl_scan_project (MCP) ← lit procédures, tables, modules
│
▼
wl_explain_procedure (MCP) ← RAG 14k docs + LLM → compréhension
wl_to_pseudocode (MCP)
│
▼
WLangage-Spec-Writer ← ERD + Gherkin + OpenAPI 3.1
│
▼
wl_migration_guidance (MCP) ← code cible + mapping Betula (52 patterns)
│
┌──────┴────────┐
▼ ▼
Frontend (React/Vue) Backend + DB (Node/Python/Java)
│
▼
WLangage-Test-Comparator ← tests de parité fonctionnelle
```
**Moteur RAG :** ChromaDB + 14 227 documents + embeddings E5 multilingual + BM25 hybrid
**Recall@5 : 85%** | **Temps réponse : 50–200 ms** | **Qualité LLM : 90%** (19/21 ✅ sur qwen3-coder:480b)
---
## Commandes
```bash
make help # aide interactive
make start # MCP server SSE + stdio
make start-rag # MCP server en mode SSE (HTTP) → http://localhost:8000/sse
make start-mcp # MCP server stdio (pour VS Code)
make test # 89 tests pytest
make dataset # collecte données depuis votre projet
make update # git pull + réinstallation
make clean # supprime caches Python
```
---
## Contribuer des données
Le `wlangage-dataset-kit` extrait et anonymise automatiquement les procédures de votre projet pour enrichir le RAG :
```bash
python wlangage-dataset-kit/collect.py \
--project "C:\MonProjet\App.wdp" \
--anonymize
# → contribution_YYYYMMDD_App.jsonl
```
Les données collectées n'incluent jamais : mots de passe, chaînes de connexion, emails, chemins absolus.
→ [Guide du collecteur](wlangage-dataset-kit/README.md)
---
## Fine-tuning (optionnel, post-v1)
Un notebook Colab est disponible pour fine-tuner Qwen2.5-Coder-7B sur vos données WLangage :
```
notebooks/train_qwen_wlangage_understanding_colab.ipynb
```
Le kit fonctionne à 100% sans modèle fine-tuné — avec GitHub Copilot/Models, Ollama ou tout LLM cloud.
→ [Guide ML](docs/ml-training.md)
---
## Structure du projet
```
AiWlangage/
├── wlangage-rag/ ← Moteur RAG Python (aiwlangage-rag v2.4.0)
├── wlangage-mcp-server/ ← Serveur MCP v1.0.0
├── wlangage-agents/ ← 13 agents VS Code (.agent.md)
├── wlangage-dataset-kit/ ← Kit contribution données
├── data/processed/ ← Datasets WLangage (14 000+ docs)
├── examples/ ← Exemples WLangage
├── docs/ ← Documentation (adr, plans, STATUS.md)
├── notebooks/ ← Notebooks fine-tuning (avancé)
├── scripts/ ← Pipeline build datasets
├── QUICKSTART.md ← Démarrage rapide
├── GETTING_STARTED.md ← Prise en main détaillée
## Licence
MIT — voir [LICENSE](wlangage-dataset-kit/LICENSE)
---
*Projet développé pour migrer des milliers de projets WinDev/WebDev actifs vers des stacks modernes, en préservant toute la logique métier.*
