Architecture de l'agent de suivi de santé OpenClaw avec Telegram

Un utilisateur de Reddit prévoit de construire un agent OpenClaw pour suivre des objectifs de santé (prédiabète, régime, exercice, sommeil) via Telegram. L'agent gérerait des rappels quotidiens, l'analyse de photos, des retours et des rapports de tendances. Voici une analyse technique basée sur le message source et des connaissances pratiques de flux similaires.

Recommandation d'architecture

Le schéma de base : Bot Telegram → Agent OpenClaw (avec backend LLM) → Base de données → Tâche cron de rapports.

• Bot Telegram : Utilisez python-telegram-bot ou node-telegram-bot-api pour recevoir les messages et envoyer des rappels proactifs. Planifiez les rappels via une tâche cron en arrière-plan (par ex., APScheduler ou CronJob).
• Agent OpenClaw : L'agent encapsule un LLM (GPT-4o ou Gemini 2.0 Flash pour le coût) avec une invite système qui :
  • Pour les photos de repas : extrait le nom du plat, une estimation de portion et la conformité au régime méditerranéen.
  • Pour les captures d'écran d'exercice/sommeil : analyse les données structurées (par ex., pas, durée du sommeil).
  • Retourne un feedback de 3 à 4 phrases par mise à jour.
• Stockage : PostgreSQL ou SQLite pour plus de simplicité. Voir le schéma de base de données ci-dessous.
• Rapports : Une tâche cron hebdomadaire exécute une requête d'agrégation + appelle le LLM pour générer un rapport en langage naturel.

Structure de la base de données

-- Table des utilisateurs
CREATE TABLE users (
  user_id INTEGER PRIMARY KEY,
  telegram_id TEXT UNIQUE,
  goals TEXT,          -- JSON : objectifs régime, exercice, sommeil, eau
  blood_test_results TEXT -- JSON, facultatif
);

-- Entrées quotidiennes (une par type par jour)
CREATE TABLE entries (
  id INTEGER PRIMARY KEY AUTOINCREMENT,
  user_id INTEGER,
  entry_date DATE,
  type TEXT CHECK(type IN ('sleep', 'water', 'exercise', 'meal')),
  raw_text TEXT,
  raw_image BLOB,       -- ou URL S3
  structured_data JSON, -- ex. {"hours":7.5,"quality":"good"}
  feedback TEXT,
  created_at TIMESTAMP
);
-- Résumés hebdomadaires/mensuels (précalculés)
CREATE TABLE reports (
  id INTEGER PRIMARY KEY AUTOINCREMENT,
  user_id INTEGER,
  period_type TEXT CHECK(period_type IN ('weekly', 'monthly')),
  period_start DATE,
  report_text TEXT,
  generated_at TIMESTAMP
);

Fiabilité de l'interprétation d'images

Les agents OpenClaw reposent sur les capacités de vision du LLM sous-jacent. GPT-4o et Gemini 2.0 Flash sont bons pour identifier la conformité au régime méditerranéen (reconnaissance des légumes, légumineuses, huile d'olive) mais ont du mal avec les tailles de portion précises. Pour les captures d'écran d'applications de gym/sommeil, l'extraction de texte via OCR fonctionne bien si l'image est claire. Astuce budget : Utilisez Gemini 2.0 Flash (0,10 $/1M tokens d'entrée) pour les images et GPT-4o-mini pour le texte.

Faisabilité budgétaire (50 $/mois)

Réaliste avec optimisation. Exemple de répartition :

• Inférence LLM : ~40-50 appels/jour (bilans quotidiens, photos, rapports). En utilisant Gemini 2.0 Flash (0,10 $/1M entrée, 0,40 $/1M sortie) → ~5 $/mois.
• Base de données : SQLite sur un VPS à 5 $ (ex. Hetzner CX22) → 5 $/mois.
• Hébergement du bot Telegram : Même VPS → inclus.
• Total : ~10-15 $/mois. Il reste de la marge pour un fallback GPT-4o (20 appels, ~8 $) ou une analyse d'image occasionnelle avec Gemini Pro Vision.

Risques et fonctionnalités manquantes

• Limite des conseils médicaux : L'invite système doit strictement interdire le diagnostic ou la modification des conseils professionnels. Stockez une clause de non-responsabilité par utilisateur.
• Confidentialité : Chiffrez les données de santé au repos (AES-256). Envisagez la conformité HIPAA si vous servez d'autres personnes.
• Boucle de feedback : L'utilisateur peut ignorer les rappels. Concevez des notifications progressives (par ex., après 3 rappels d'eau ignorés, envoyez un GIF amusant).
• Génération du rapport hebdomadaire : Risque d'hallucination du LLM. Privilégiez une agrégation déterministe pour les métriques, utilisez le LLM uniquement pour le récit.

Composants existants : Vous pouvez adapter le connecteur Telegram intégré d'OpenClaw et le modèle PostgreSQL. Aucun agent santé prêt à l'emploi n'existe — vous devrez construire l'invite et le schéma de base de données de zéro.