fix: AI returns type instead of category name — clearer prompt + guard

The AI was returning 'geopolitical' (the event type/family) instead of
a category name like 'Guerre — Moyen-Orient'. Two fixes:
1. Prompt: rename 'Type' → 'Famille', list categories as CAT_N: "name",
   explicit warning not to return a generic type, show valid name examples
2. Code: reject any response that matches a known type string before matching

Co-Authored-By: Claude Sonnet 4.6 <noreply@anthropic.com>

backend/services/impact_service.py

@@ -41,6 +41,9 @@ def _get_api_key() -> str:
     return key
 
 
+_KNOWN_TYPES = {"geopolitical", "fundamental", "event_calendar", "report", "sentiment", "technical"}
+
+
 def _build_prompt(
     event: Dict[str, Any],
     all_cats: List[Dict],
@@ -48,23 +51,25 @@ def _build_prompt(
 ) -> str:
     # ── Category selection block ──────────────────────────────────────────────
     if all_cats:
+        # Number each category so the AI can refer to it unambiguously
         cat_lines = "\n".join(
-            f"  {i+1}. [{c['type']}] {c['name']}"
-            + (f" — {c.get('sub_type','')}" if c.get('sub_type') else "")
-            + (f" : {c.get('description','')[:80]}" if c.get('description') else "")
+            f"  CAT_{i+1}: \"{c['name']}\""
+            + (f"  ({c.get('description','')[:70]})" if c.get('description') else "")
             for i, c in enumerate(all_cats)
         )
+        # Build the valid names list for the JSON instruction
+        valid_names = " | ".join(f'"{c["name"]}"' for c in all_cats[:6]) + " | ..."
         cat_selection_block = f"""
-ÉTAPE 1 — CHOIX DE CATÉGORIE :
-Voici toutes les catégories disponibles. Choisis celle qui correspond le mieux à cet événement (ou "none" si aucune ne convient) :
+LISTE DES CATÉGORIES DISPONIBLES (utilise uniquement ces noms) :
 {cat_lines}
 
-Retourne le nom EXACT de la catégorie choisie dans le champ "matched_category" du JSON.
+→ Dans le JSON, "matched_category" DOIT être l'un des noms entre guillemets ci-dessus (ex: {valid_names}), ou null si vraiment aucune ne convient.
+  NE retourne PAS un type générique comme "geopolitical" ou "fundamental" — ces valeurs sont invalides ici.
 """
     else:
         cat_selection_block = ""
 
-    # ── Default impacts from pre-selected category (fallback heuristic) ───────
+    # ── Default impacts from pre-selected category ────────────────────────────
     defaults_block = ""
     if preselected_defaults:
         top = sorted(preselected_defaults, key=lambda x: x.get("sensitivity", 0), reverse=True)[:8]
@@ -73,44 +78,37 @@ Retourne le nom EXACT de la catégorie choisie dans le champ "matched_category"
             f"direction usuelle = {d.get('typical_direction','?')}"
             for d in top
         ]
-        defaults_block = "\nImpacts par défaut (ajuste si l'événement est atypique) :\n" + "\n".join(lines)
+        defaults_block = "\nImpacts par défaut de la catégorie (ajuste si besoin) :\n" + "\n".join(lines)
 
     return f"""Tu es un analyste macro senior spécialisé en options et trading multi-actifs.
 
 ÉVÉNEMENT À ANALYSER :
 - Nom : {event.get('name', '')}
 - Date : {event.get('start_date', '')}
-- Type : {event.get('category', '')} / {event.get('sub_type', '')}
+- Famille : {event.get('category', '')}
 - Description : {event.get('description', '')}
-- Impact attendu (résumé) : {event.get('market_impact', '')}
+- Impact attendu : {event.get('market_impact', '')}
 {cat_selection_block}{defaults_block}
 
-ÉTAPE 2 — IMPACTS PAR INSTRUMENT :
-Évalue l'impact potentiel de cet événement sur chacun des 20 instruments.
-Si tu as choisi une catégorie à l'étape 1, utilise ses impacts par défaut comme point de départ et ajuste selon le contexte spécifique de l'événement.
-Instruments disponibles : {_INST_LIST_STR}
+MISSION — IMPACTS PAR INSTRUMENT :
+Choisis d'abord la catégorie la plus proche dans la liste ci-dessus, puis évalue l'impact sur chacun des instruments.
+Si une catégorie est choisie, utilise ses impacts par défaut comme point de départ.
+Instruments : {_INST_LIST_STR}
 
-Pour chaque instrument IMPACTÉ (score >= 0.15), retourne :
-- instrument_id : identifiant exact (ex: "SPY", "EURUSD=X", "BTC-USD")
-- impact_score : 0.0 (aucun) → 1.0 (impact majeur, mouvement > 2%)
+Pour chaque instrument IMPACTÉ (score >= 0.15) :
+- instrument_id : identifiant exact (ex: "SPY", "EURUSD=X")
+- impact_score : 0.0 → 1.0
 - direction : "bullish" | "bearish" | "neutral" | "depends_on_outcome"
-- rationale : 1 phrase MAX expliquant le mécanisme
-- confidence : 0.0-1.0 (ta certitude sur l'estimation)
-
-Critères de scoring :
-- 0.0-0.2 : négligeable (bruit)
-- 0.2-0.4 : faible (< 0.5% mouvement)
-- 0.4-0.6 : modéré (0.5-1% mouvement)
-- 0.6-0.8 : fort (1-2% mouvement)
-- 0.8-1.0 : majeur (> 2%, event driver primaire)
+- rationale : 1 phrase MAX
+- confidence : 0.0-1.0
 
 FORMAT JSON STRICT :
 {{
-  "matched_category": "Nom exact de la catégorie choisie ou null",
+  "matched_category": "Nom exact d'une CAT ci-dessus, ou null",
   "impacts": [
     {{"instrument_id": "SPY", "impact_score": 0.85, "direction": "bearish", "rationale": "...", "confidence": 0.90}}
   ],
-  "summary": "Contexte macro de cet événement en 1 phrase",
+  "summary": "Contexte macro en 1 phrase",
   "key_driver": "Instrument le plus impacté et pourquoi"
 }}"""
 
@@ -210,7 +208,7 @@ def evaluate_event_impacts(
     ai_cat_name = (raw.get("matched_category") or "").strip()
     logger.info(f"[impact_service] AI returned matched_category='{ai_cat_name}' for event {event_id}")
 
-    if ai_cat_name and ai_cat_name.lower() not in ("none", "null", ""):
+    if ai_cat_name and ai_cat_name.lower() not in ("none", "null", "") and ai_cat_name.lower() not in _KNOWN_TYPES:
         # Exact match first, then normalized fuzzy match
         matched = (
             next((c for c in all_cats if c["name"].lower() == ai_cat_name.lower()), None)