diff --git a/.github/workflows/ci.yaml b/.github/workflows/ci.yaml
index 77b7440..d099d31 100644
--- a/.github/workflows/ci.yaml
+++ b/.github/workflows/ci.yaml
@@ -33,7 +33,6 @@ jobs:
     - name: Install dependencies
       run: |
         uv sync --dev
-        uv sync --dev --extra phoenix
 
     - name: Setup environment file
       run: cp .env.example .env
diff --git a/.gitignore b/.gitignore
index 1c0dd72..494bece 100644
--- a/.gitignore
+++ b/.gitignore
@@ -15,4 +15,5 @@ coverage.xml
 .coverage
 .scannerwork/
 opencode.json
-.vscode/
\ No newline at end of file
+.vscode/
+agents
\ No newline at end of file
diff --git a/Dockerfile b/Dockerfile
index fe52321..ea99ba8 100644
--- a/Dockerfile
+++ b/Dockerfile
@@ -20,7 +20,6 @@ COPY --from=builder /app/.venv /app/.venv
 
 # Copy application source and agent configs
 COPY src/ /app/src/
-COPY agents/ /app/agents/
 
 # Set Python path and venv
 ENV PYTHONPATH=/app:$PYTHONPATH
@@ -33,4 +32,4 @@ USER appuser
 
 EXPOSE 8000
 
-CMD ["uvicorn", "src.main:app", "--host", "0.0.0.0", "--port", "8000"]
+CMD ["python", "-m", "src.main"]
diff --git a/agents/code-reviewer.yaml b/agents/code-reviewer.yaml
deleted file mode 100644
index dc53b8a..0000000
--- a/agents/code-reviewer.yaml
+++ /dev/null
@@ -1,26 +0,0 @@
-name: code-reviewer
-model: "openai:anthropic/claude-haiku-4.5:nitro"
-system_prompt: |
-  You are an expert code reviewer. Analyze code for correctness,
-  performance, security, and maintainability.
-middleware:
-  - filesystem
-  - sub_agent
-backend:
-  type: state
-hitl:
-  rules:
-    write_file: true
-    execute:
-      allowed_decisions:
-        - approve
-        - reject
-subagents:
-  - name: security-auditor
-    model: "openai:anthropic/claude-haiku-4.5:nitro"
-    description: "Specialized in security vulnerability analysis"
-    instructions: "Focus on OWASP Top 10 and common security patterns"
-  - name: performance-analyst
-    model: "openai:anthropic/claude-haiku-4.5:nitro"
-    description: "Specialized in performance optimization"
-    instructions: "Analyze time complexity, memory usage, and bottlenecks"
diff --git a/agents/data-extractor.yaml b/agents/data-extractor.yaml
deleted file mode 100644
index b3afc5f..0000000
--- a/agents/data-extractor.yaml
+++ /dev/null
@@ -1,20 +0,0 @@
-name: data-extractor
-model: "openai:anthropic/claude-haiku-4.5:nitro"
-system_prompt: "You are a structured data extractor. Extract weather information from user messages."
-
-response_format:
-  type: object
-  properties:
-    temperature:
-      type: number
-      description: "Temperature in Celsius"
-    condition:
-      type: string
-      description: "Weather condition (sunny, cloudy, rainy, snowy, etc.)"
-    location:
-      type: string
-      description: "Location mentioned in the message"
-  required:
-    - temperature
-    - condition
-    - location
diff --git a/agents/example-agent.yaml b/agents/example-agent.yaml
deleted file mode 100644
index 26d0dfe..0000000
--- a/agents/example-agent.yaml
+++ /dev/null
@@ -1,3 +0,0 @@
-name: example-agent
-model: "openai:anthropic/claude-haiku-4.5:nitro"
-system_prompt: "You are a helpful assistant."
diff --git a/agents/mcp-agent.yaml b/agents/mcp-agent.yaml
deleted file mode 100644
index 90cf186..0000000
--- a/agents/mcp-agent.yaml
+++ /dev/null
@@ -1,8 +0,0 @@
-name: mcp-agent
-model: openai:anthropic/claude-haiku-4.5:nitro
-system_prompt: "You are an agent with MCP tool access."
-mcp_servers:
-  - name: filesystem
-    transport: stdio
-    command: npx
-    args: ["-y", "@modelcontextprotocol/server-filesystem", "/tmp"]
diff --git a/agents/minimal.yaml b/agents/minimal.yaml
deleted file mode 100644
index a448022..0000000
--- a/agents/minimal.yaml
+++ /dev/null
@@ -1 +0,0 @@
-name: minimal-agent
diff --git a/agents/rag.yaml b/agents/rag.yaml
deleted file mode 100644
index 879dbd6..0000000
--- a/agents/rag.yaml
+++ /dev/null
@@ -1,41 +0,0 @@
-name: rag
-model: google/gemini-2.5-flash:nitro
-system_prompt: |
-  You are a knowledge base assistant powered by RAG (Retrieval-Augmented Generation).
-  You answer user questions by querying an indexed knowledge base using the query_knowledge_base tool.
-
-  ## Tool Usage
-
-  Always use the query_knowledge_base tool to retrieve relevant information before answering.
-  Do not fabricate information -- if the knowledge base does not contain the answer, say so.
-
-  ### Parameters
-
-  - working_dir (required): The knowledge base directory to query. Ask the user which knowledge base
-    to use if not clear from context.
-  - query (required): A clear, specific search query derived from the user's question.
-    Rephrase the user's question into an effective search query when needed.
-  - mode (optional, default "naive"): The retrieval strategy.
-    - "naive": Simple keyword/vector search. Good for straightforward factual queries.
-    - "local": Focuses on specific entities and their relationships. Use for detailed questions
-      about particular topics.
-    - "global": Provides a broad overview using community summaries. Use for high-level or
-      thematic questions.
-    - "hybrid": Combines local and global strategies. Use when a question spans both specific
-      details and broader context.
-    - "mix": Combines naive, local, and global. Use for complex questions requiring comprehensive
-      coverage.
-  - top_k (optional, default 10): Number of results to retrieve. Increase for broad questions,
-    decrease for precise lookups.
-
-  ## Response Guidelines
-
-  - Cite or reference the source material when possible.
-  - Provide structured, clear answers with appropriate formatting.
-  - If the initial query returns insufficient results, try rephrasing or using a different mode.
-  - When the user's question is ambiguous, ask for clarification before querying.
-mcp_servers:
-  - name: raganything
-    transport: http
-    url: http://raganything-api:8000/mcp/
-    auth_token: ""
diff --git a/agents/real-estate-extractor-gemini.yaml b/agents/real-estate-extractor-gemini.yaml
deleted file mode 100644
index 24d9349..0000000
--- a/agents/real-estate-extractor-gemini.yaml
+++ /dev/null
@@ -1,408 +0,0 @@
-name: real-estate-extractor-gemini
-model: openai:google/gemini-2.5-flash:nitro
-system_prompt: |
-  Tu es un orchestrateur d'extraction de données spécialisé dans les documents immobiliers (crowdfunding).
-
-  ## Objectif
-
-  L'utilisateur te donne un identifiant de projet (working_dir). Tu dois extraire toutes les données
-  factuelles des documents de ce projet en déléguant le travail à tes 3 sous-agents spécialisés :
-  - financial-extractor : données financières (prix, prêt, garantie, durée)
-  - property-extractor : données du bien immobilier (surface, adresse, type, lots, DPE)
-  - company-extractor : données de la société porteuse (ancienneté, résultats, endettement)
-
-  ## Règles STRICTES
-
-  - Délègue TOUJOURS aux 3 sous-agents. Ne fais JAMAIS l'extraction toi-même.
-  - Transmets le working_dir du projet à chaque sous-agent.
-  - Combine les résultats des 3 sous-agents dans ta réponse finale.
-  - Si un sous-agent échoue, rapporte l'erreur mais continue avec les autres.
-  - Liste les champs manquants (null) à la fin sous "missing_fields".
-
-  ## Format de réponse
-
-  Tu DOIS répondre UNIQUEMENT avec un objet JSON brut, sans markdown, sans commentaire, sans bloc de code.
-  Pas de ```, pas de texte avant ou après. Juste le JSON.
-  Utilise les données exactes retournées par chaque sous-agent.
-  Les champs non trouvés doivent être null.
-  Liste tous les champs null dans missing_fields au format "groupe.champ".
-
-  Structure attendue :
-  {"financial_project": {...}, "property": {...}, "company": {...}, "missing_fields": [...]}
-
-middleware:
-  - sub_agent
-
-response_format:
-  title: RealEstateExtraction
-  type: object
-  properties:
-    financial_project:
-      type: object
-      properties:
-        acquisition_price:
-          type: number
-          description: "Prix d'acquisition en EUR"
-        works_cost:
-          type: number
-          description: "Coût des travaux en EUR"
-        planned_resale_price:
-          type: number
-          description: "Prix de revente prévu en EUR"
-        personal_contribution:
-          type: number
-          description: "Apport personnel en EUR"
-        loan_amount:
-          type: number
-          description: "Montant du prêt en EUR"
-        guarantee_value:
-          type: number
-          description: "Valeur de la garantie en EUR"
-        guarantee_type:
-          type: string
-          description: "Type de garantie : hypothèque, caution, nantissement"
-        duration_months:
-          type: integer
-          description: "Durée du projet en mois"
-    property:
-      type: object
-      properties:
-        living_area:
-          type: number
-          description: "Surface habitable en m²"
-        address:
-          type: string
-          description: "Adresse complète du bien"
-        property_type:
-          type: string
-          description: "Type : appartement, maison, immeuble, terrain, local commercial, parking"
-        monthly_rent_excluding_tax:
-          type: number
-          description: "Loyer mensuel hors taxes en EUR"
-        annual_charges:
-          type: number
-          description: "Charges annuelles en EUR"
-        presold_units:
-          type: integer
-          description: "Nombre de lots pré-commercialisés"
-        total_units:
-          type: integer
-          description: "Nombre total de lots/unités"
-        lots:
-          type: string
-          description: "Description textuelle des lots (ex: 3 T2 + 2 T3)"
-        lots_detail:
-          type: array
-          description: "Détail structuré des lots"
-          items:
-            type: object
-            properties:
-              lot_type:
-                type: string
-                description: "Type de lot : studio, T1, T2, T3, T4, T5, local commercial"
-              living_area:
-                type: number
-                description: "Surface habitable du lot en m²"
-        building_year:
-          type: integer
-          description: "Année de construction"
-        number_of_rooms:
-          type: integer
-          description: "Nombre de pièces principales"
-        condition:
-          type: string
-          description: "État : neuf, rénové récemment, bon état, à rénover"
-        land_area:
-          type: number
-          description: "Surface du terrain en m²"
-        floor_number:
-          type: integer
-          description: "Étage (0 = rez-de-chaussée)"
-        has_lift:
-          type: boolean
-          description: "Présence d'un ascenseur"
-        number_of_bathrooms:
-          type: integer
-          description: "Nombre de salles de bain/eau"
-        garden_area:
-          type: number
-          description: "Surface du jardin en m²"
-        balcony_area:
-          type: number
-          description: "Surface balcon/terrasse en m²"
-        energy_label:
-          type: string
-          description: "DPE : A, B, C, D, E, F, G"
-    company:
-      type: object
-      properties:
-        company_years_of_existence:
-          type: integer
-          description: "Ancienneté de la société en années"
-        net_result_y1:
-          type: number
-          description: "Résultat net exercice N (le plus récent) en EUR"
-        net_result_y2:
-          type: number
-          description: "Résultat net exercice N-1 en EUR"
-        net_result_y3:
-          type: number
-          description: "Résultat net exercice N-2 en EUR"
-        total_debt:
-          type: number
-          description: "Endettement total / dettes financières en EUR"
-        equity:
-          type: number
-          description: "Capitaux propres en EUR"
-    missing_fields:
-      type: array
-      description: "Liste des champs non trouvés (null) au format groupe.champ"
-      items:
-        type: string
-  required:
-    - financial_project
-    - property
-    - company
-    - missing_fields
-
-subagents:
-  - name: financial-extractor
-    model: openai:google/gemini-2.5-flash:nitro
-    description: "Extrait les données financières du projet immobilier (prix, prêt, garantie, durée) depuis la base de connaissances RAG."
-    instructions: |
-      Tu es un extracteur de données financières spécialisé dans les documents immobiliers.
-
-      ## Règles STRICTES
-      - Retourne UNIQUEMENT les données trouvées dans les documents.
-      - Si une donnée n'est pas trouvée, retourne null.
-      - Ne fais AUCUNE interprétation, calcul, arrondi ou estimation.
-      - Normalise les montants en nombres : "450K €" → 450000, "1,2 M€" → 1200000.
-      - Pour les durées : "18 mois" → 18, "2 ans" → 24.
-      - Ne déduis rien qui ne soit pas explicitement écrit.
-
-      ## Méthode
-
-      Utilise l'outil query_knowledge_base avec le working_dir fourni pour rechercher les données.
-      Fais plusieurs requêtes thématiques :
-      1. "prix acquisition vente montant financement prêt garantie apport travaux"
-      2. "durée projet calendrier planning mois"
-
-      Paramètres recommandés : mode="hybrid", top_k=10.
-
-      ## Champs à extraire
-      - acquisition_price : Prix d'acquisition en EUR
-      - works_cost : Coût des travaux en EUR
-      - planned_resale_price : Prix de revente prévu en EUR
-      - personal_contribution : Apport personnel en EUR
-      - loan_amount : Montant du prêt en EUR
-      - guarantee_value : Valeur de la garantie en EUR
-      - guarantee_type : Type de garantie (hypothèque, caution, nantissement)
-      - duration_months : Durée du projet en mois
-    mcp_servers:
-      - name: raganything
-        transport: http
-        url: http://raganything-api:8000/mcp/
-        auth_token: ""
-    response_format:
-      type: object
-      properties:
-        acquisition_price:
-          type: number
-          description: "Prix d'acquisition en EUR"
-        works_cost:
-          type: number
-          description: "Coût des travaux en EUR"
-        planned_resale_price:
-          type: number
-          description: "Prix de revente prévu en EUR"
-        personal_contribution:
-          type: number
-          description: "Apport personnel en EUR"
-        loan_amount:
-          type: number
-          description: "Montant du prêt en EUR"
-        guarantee_value:
-          type: number
-          description: "Valeur de la garantie en EUR"
-        guarantee_type:
-          type: string
-          description: "Type de garantie : hypothèque, caution, nantissement"
-        duration_months:
-          type: integer
-          description: "Durée du projet en mois"
-
-  - name: property-extractor
-    model: openai:google/gemini-2.5-flash:nitro
-    description: "Extrait les données du bien immobilier (surface, adresse, type, lots, DPE) depuis la base de connaissances RAG."
-    instructions: |
-      Tu es un extracteur de données immobilières spécialisé dans les caractéristiques des biens.
-
-      ## Règles STRICTES
-      - Retourne UNIQUEMENT les données trouvées dans les documents.
-      - Si une donnée n'est pas trouvée, retourne null.
-      - Ne fais AUCUNE interprétation, calcul, arrondi ou estimation.
-      - Normalise les surfaces : "120 m²" → 120.
-      - Normalise les montants en nombres : "450K €" → 450000, "1,2 M€" → 1200000.
-      - Ne déduis rien qui ne soit pas explicitement écrit.
-
-      ## Méthode
-
-      Utilise l'outil query_knowledge_base avec le working_dir fourni pour rechercher les données.
-      Fais plusieurs requêtes thématiques :
-      1. "surface habitable adresse bien immobilier localisation type appartement maison immeuble"
-      2. "loyer mensuel charges locatives lots unités nombre"
-      3. "année construction étage ascenseur pièces salles bain terrain jardin balcon terrasse DPE diagnostic performance énergétique état rénovation"
-
-      Paramètres recommandés : mode="hybrid", top_k=10.
-
-      ## Champs à extraire
-      - living_area : Surface habitable en m²
-      - address : Adresse complète du bien
-      - property_type : Type (appartement, maison, immeuble, terrain, local commercial, parking)
-      - monthly_rent_excluding_tax : Loyer mensuel hors taxes en EUR
-      - annual_charges : Charges annuelles en EUR
-      - presold_units : Nombre de lots pré-commercialisés
-      - total_units : Nombre total de lots/unités
-      - lots : Description textuelle des lots ("3 T2 + 2 T3")
-      - lots_detail : Détail structuré des lots [{lot_type, living_area}]
-      - building_year : Année de construction
-      - number_of_rooms : Nombre de pièces principales
-      - condition : État (neuf, rénové récemment, bon état, à rénover)
-      - land_area : Surface du terrain en m²
-      - floor_number : Étage (0 = rez-de-chaussée)
-      - has_lift : Présence d'un ascenseur (true/false)
-      - number_of_bathrooms : Nombre de salles de bain/eau
-      - garden_area : Surface du jardin en m²
-      - balcony_area : Surface balcon/terrasse en m²
-      - energy_label : DPE (A, B, C, D, E, F, G)
-    mcp_servers:
-      - name: raganything
-        transport: http
-        url: http://raganything-api:8000/mcp/
-        auth_token: ""
-    response_format:
-      type: object
-      properties:
-        living_area:
-          type: number
-          description: "Surface habitable en m²"
-        address:
-          type: string
-          description: "Adresse complète du bien"
-        property_type:
-          type: string
-          description: "Type : appartement, maison, immeuble, terrain, local commercial, parking"
-        monthly_rent_excluding_tax:
-          type: number
-          description: "Loyer mensuel hors taxes en EUR"
-        annual_charges:
-          type: number
-          description: "Charges annuelles en EUR"
-        presold_units:
-          type: integer
-          description: "Nombre de lots pré-commercialisés"
-        total_units:
-          type: integer
-          description: "Nombre total de lots/unités"
-        lots:
-          type: string
-          description: "Description textuelle des lots (ex: 3 T2 + 2 T3)"
-        lots_detail:
-          type: array
-          description: "Détail structuré des lots"
-          items:
-            type: object
-            properties:
-              lot_type:
-                type: string
-                description: "Type de lot : studio, T1, T2, T3, T4, T5, local commercial"
-              living_area:
-                type: number
-                description: "Surface habitable du lot en m²"
-        building_year:
-          type: integer
-          description: "Année de construction"
-        number_of_rooms:
-          type: integer
-          description: "Nombre de pièces principales"
-        condition:
-          type: string
-          description: "État : neuf, rénové récemment, bon état, à rénover"
-        land_area:
-          type: number
-          description: "Surface du terrain en m²"
-        floor_number:
-          type: integer
-          description: "Étage (0 = rez-de-chaussée)"
-        has_lift:
-          type: boolean
-          description: "Présence d'un ascenseur"
-        number_of_bathrooms:
-          type: integer
-          description: "Nombre de salles de bain/eau"
-        garden_area:
-          type: number
-          description: "Surface du jardin en m²"
-        balcony_area:
-          type: number
-          description: "Surface balcon/terrasse en m²"
-        energy_label:
-          type: string
-          description: "DPE : A, B, C, D, E, F, G"
-
-  - name: company-extractor
-    model: openai:google/gemini-2.5-flash:nitro
-    description: "Extrait les données de la société porteuse (ancienneté, résultats nets, endettement, capitaux propres) depuis la base de connaissances RAG."
-    instructions: |
-      Tu es un extracteur de données financières d'entreprise spécialisé dans les bilans comptables.
-
-      ## Règles STRICTES
-      - Retourne UNIQUEMENT les données trouvées dans les documents.
-      - Si une donnée n'est pas trouvée, retourne null.
-      - Ne fais AUCUNE interprétation, calcul, arrondi ou estimation.
-      - Normalise les montants en nombres : "450K €" → 450000, "1,2 M€" → 1200000.
-      - Ne déduis rien qui ne soit pas explicitement écrit.
-      - Les résultats nets doivent être ordonnés : y1 = exercice le plus récent (N), y2 = N-1, y3 = N-2.
-
-      ## Méthode
-
-      Utilise l'outil query_knowledge_base avec le working_dir fourni pour rechercher les données.
-      Fais plusieurs requêtes thématiques :
-      1. "bilan comptable résultat net exercice chiffre affaires"
-      2. "capitaux propres dette endettement ancienneté société création"
-
-      Paramètres recommandés : mode="hybrid", top_k=10.
-
-      ## Champs à extraire
-      - company_years_of_existence : Ancienneté de la société en années
-      - net_result_y1 : Résultat net exercice N (le plus récent) en EUR
-      - net_result_y2 : Résultat net exercice N-1 en EUR
-      - net_result_y3 : Résultat net exercice N-2 en EUR
-      - total_debt : Endettement total / dettes financières en EUR
-      - equity : Capitaux propres en EUR
-    mcp_servers:
-      - name: raganything
-        transport: http
-        url: http://raganything-api:8000/mcp/
-        auth_token: ""
-    response_format:
-      type: object
-      properties:
-        company_years_of_existence:
-          type: integer
-          description: "Ancienneté de la société en années"
-        net_result_y1:
-          type: number
-          description: "Résultat net exercice N (le plus récent) en EUR"
-        net_result_y2:
-          type: number
-          description: "Résultat net exercice N-1 en EUR"
-        net_result_y3:
-          type: number
-          description: "Résultat net exercice N-2 en EUR"
-        total_debt:
-          type: number
-          description: "Endettement total / dettes financières en EUR"
-        equity:
-          type: number
-          description: "Capitaux propres en EUR"
diff --git a/agents/real-estate-extractor-gpt4o-mini.yaml b/agents/real-estate-extractor-gpt4o-mini.yaml
deleted file mode 100644
index fc0ee78..0000000
--- a/agents/real-estate-extractor-gpt4o-mini.yaml
+++ /dev/null
@@ -1,318 +0,0 @@
-name: real-estate-extractor-gpt4o-mini
-model: openai:openai/gpt-4o-mini
-system_prompt: |
-  Tu es un orchestrateur d'extraction de données spécialisé dans les documents immobiliers (crowdfunding).
-
-  ## Objectif
-
-  L'utilisateur te donne un identifiant de projet (working_dir). Tu dois extraire toutes les données
-  factuelles des documents de ce projet en déléguant le travail à tes 3 sous-agents spécialisés :
-  - financial-extractor : données financières (prix, prêt, garantie, durée)
-  - property-extractor : données du bien immobilier (surface, adresse, type, lots, DPE)
-  - company-extractor : données de la société porteuse (ancienneté, résultats, endettement)
-
-  ## Règles STRICTES
-
-  - Délègue TOUJOURS aux 3 sous-agents. Ne fais JAMAIS l'extraction toi-même.
-  - Transmets le working_dir du projet à chaque sous-agent.
-  - Combine les résultats des 3 sous-agents dans ta réponse finale.
-  - Si un sous-agent échoue, rapporte l'erreur mais continue avec les autres.
-  - Liste les champs manquants (null) à la fin sous "missing_fields".
-
-  ## Format de réponse
-
-  Tu DOIS répondre UNIQUEMENT avec un objet JSON brut, sans markdown, sans commentaire, sans bloc de code.
-  Pas de ```, pas de texte avant ou après. Juste le JSON.
-  Utilise les données exactes retournées par chaque sous-agent.
-  Les champs non trouvés doivent être null.
-  Liste tous les champs null dans missing_fields au format "groupe.champ".
-
-  Tu DOIS utiliser EXACTEMENT ces noms de clés (en anglais), pas de traduction :
-
-  {
-    "financial_project": {
-      "acquisition_price": number|null,
-      "works_cost": number|null,
-      "planned_resale_price": number|null,
-      "personal_contribution": number|null,
-      "loan_amount": number|null,
-      "guarantee_value": number|null,
-      "guarantee_type": string|null,
-      "duration_months": integer|null
-    },
-    "property": {
-      "living_area": number|null,
-      "address": string|null,
-      "property_type": string|null,
-      "monthly_rent_excluding_tax": number|null,
-      "annual_charges": number|null,
-      "presold_units": integer|null,
-      "total_units": integer|null,
-      "lots": string|null,
-      "lots_detail": [{"lot_type": string, "living_area": number}]|null,
-      "building_year": integer|null,
-      "number_of_rooms": integer|null,
-      "condition": string|null,
-      "land_area": number|null,
-      "floor_number": integer|null,
-      "has_lift": boolean|null,
-      "number_of_bathrooms": integer|null,
-      "garden_area": number|null,
-      "balcony_area": number|null,
-      "energy_label": string|null
-    },
-    "company": {
-      "company_years_of_existence": integer|null,
-      "net_result_y1": number|null,
-      "net_result_y2": number|null,
-      "net_result_y3": number|null,
-      "total_debt": number|null,
-      "equity": number|null
-    },
-    "missing_fields": ["groupe.champ", ...]
-  }
-
-middleware:
-  - sub_agent
-
-subagents:
-  - name: financial-extractor
-    model: openai:openai/gpt-4o-mini
-    description: "Extrait les données financières du projet immobilier (prix, prêt, garantie, durée) depuis la base de connaissances RAG."
-    instructions: |
-      Tu es un extracteur de données financières spécialisé dans les documents immobiliers.
-
-      ## Règles STRICTES
-      - Retourne UNIQUEMENT les données trouvées dans les documents.
-      - Si une donnée n'est pas trouvée, retourne null.
-      - Ne fais AUCUNE interprétation, calcul, arrondi ou estimation.
-      - Normalise les montants en nombres : "450K €" → 450000, "1,2 M€" → 1200000.
-      - Pour les durées : "18 mois" → 18, "2 ans" → 24.
-      - Ne déduis rien qui ne soit pas explicitement écrit.
-
-      ## Méthode
-
-      Utilise l'outil query_knowledge_base avec le working_dir fourni pour rechercher les données.
-      Fais plusieurs requêtes thématiques :
-      1. "prix acquisition vente montant financement prêt garantie apport travaux"
-      2. "durée projet calendrier planning mois"
-
-      Paramètres recommandés : mode="hybrid", top_k=10.
-
-      ## Champs à extraire
-      - acquisition_price : Prix d'acquisition en EUR
-      - works_cost : Coût des travaux en EUR
-      - planned_resale_price : Prix de revente prévu en EUR
-      - personal_contribution : Apport personnel en EUR
-      - loan_amount : Montant du prêt en EUR
-      - guarantee_value : Valeur de la garantie en EUR
-      - guarantee_type : Type de garantie (hypothèque, caution, nantissement)
-      - duration_months : Durée du projet en mois
-    mcp_servers:
-      - name: raganything
-        transport: http
-        url: http://raganything-api:8000/mcp/
-        auth_token: ""
-    response_format:
-      type: object
-      properties:
-        acquisition_price:
-          type: number
-          description: "Prix d'acquisition en EUR"
-        works_cost:
-          type: number
-          description: "Coût des travaux en EUR"
-        planned_resale_price:
-          type: number
-          description: "Prix de revente prévu en EUR"
-        personal_contribution:
-          type: number
-          description: "Apport personnel en EUR"
-        loan_amount:
-          type: number
-          description: "Montant du prêt en EUR"
-        guarantee_value:
-          type: number
-          description: "Valeur de la garantie en EUR"
-        guarantee_type:
-          type: string
-          description: "Type de garantie : hypothèque, caution, nantissement"
-        duration_months:
-          type: integer
-          description: "Durée du projet en mois"
-
-  - name: property-extractor
-    model: openai:openai/gpt-4o-mini
-    description: "Extrait les données du bien immobilier (surface, adresse, type, lots, DPE) depuis la base de connaissances RAG."
-    instructions: |
-      Tu es un extracteur de données immobilières spécialisé dans les caractéristiques des biens.
-
-      ## Règles STRICTES
-      - Retourne UNIQUEMENT les données trouvées dans les documents.
-      - Si une donnée n'est pas trouvée, retourne null.
-      - Ne fais AUCUNE interprétation, calcul, arrondi ou estimation.
-      - Normalise les surfaces : "120 m²" → 120.
-      - Normalise les montants en nombres : "450K €" → 450000, "1,2 M€" → 1200000.
-      - Ne déduis rien qui ne soit pas explicitement écrit.
-
-      ## Méthode
-
-      Utilise l'outil query_knowledge_base avec le working_dir fourni pour rechercher les données.
-      Fais plusieurs requêtes thématiques :
-      1. "surface habitable adresse bien immobilier localisation type appartement maison immeuble"
-      2. "loyer mensuel charges locatives lots unités nombre"
-      3. "année construction étage ascenseur pièces salles bain terrain jardin balcon terrasse DPE diagnostic performance énergétique état rénovation"
-
-      Paramètres recommandés : mode="hybrid", top_k=10.
-
-      ## Champs à extraire
-      - living_area : Surface habitable en m²
-      - address : Adresse complète du bien
-      - property_type : Type (appartement, maison, immeuble, terrain, local commercial, parking)
-      - monthly_rent_excluding_tax : Loyer mensuel hors taxes en EUR
-      - annual_charges : Charges annuelles en EUR
-      - presold_units : Nombre de lots pré-commercialisés
-      - total_units : Nombre total de lots/unités
-      - lots : Description textuelle des lots ("3 T2 + 2 T3")
-      - lots_detail : Détail structuré des lots [{lot_type, living_area}]
-      - building_year : Année de construction
-      - number_of_rooms : Nombre de pièces principales
-      - condition : État (neuf, rénové récemment, bon état, à rénover)
-      - land_area : Surface du terrain en m²
-      - floor_number : Étage (0 = rez-de-chaussée)
-      - has_lift : Présence d'un ascenseur (true/false)
-      - number_of_bathrooms : Nombre de salles de bain/eau
-      - garden_area : Surface du jardin en m²
-      - balcony_area : Surface balcon/terrasse en m²
-      - energy_label : DPE (A, B, C, D, E, F, G)
-    mcp_servers:
-      - name: raganything
-        transport: http
-        url: http://raganything-api:8000/mcp/
-        auth_token: ""
-    response_format:
-      type: object
-      properties:
-        living_area:
-          type: number
-          description: "Surface habitable en m²"
-        address:
-          type: string
-          description: "Adresse complète du bien"
-        property_type:
-          type: string
-          description: "Type : appartement, maison, immeuble, terrain, local commercial, parking"
-        monthly_rent_excluding_tax:
-          type: number
-          description: "Loyer mensuel hors taxes en EUR"
-        annual_charges:
-          type: number
-          description: "Charges annuelles en EUR"
-        presold_units:
-          type: integer
-          description: "Nombre de lots pré-commercialisés"
-        total_units:
-          type: integer
-          description: "Nombre total de lots/unités"
-        lots:
-          type: string
-          description: "Description textuelle des lots (ex: 3 T2 + 2 T3)"
-        lots_detail:
-          type: array
-          description: "Détail structuré des lots"
-          items:
-            type: object
-            properties:
-              lot_type:
-                type: string
-                description: "Type de lot : studio, T1, T2, T3, T4, T5, local commercial"
-              living_area:
-                type: number
-                description: "Surface habitable du lot en m²"
-        building_year:
-          type: integer
-          description: "Année de construction"
-        number_of_rooms:
-          type: integer
-          description: "Nombre de pièces principales"
-        condition:
-          type: string
-          description: "État : neuf, rénové récemment, bon état, à rénover"
-        land_area:
-          type: number
-          description: "Surface du terrain en m²"
-        floor_number:
-          type: integer
-          description: "Étage (0 = rez-de-chaussée)"
-        has_lift:
-          type: boolean
-          description: "Présence d'un ascenseur"
-        number_of_bathrooms:
-          type: integer
-          description: "Nombre de salles de bain/eau"
-        garden_area:
-          type: number
-          description: "Surface du jardin en m²"
-        balcony_area:
-          type: number
-          description: "Surface balcon/terrasse en m²"
-        energy_label:
-          type: string
-          description: "DPE : A, B, C, D, E, F, G"
-
-  - name: company-extractor
-    model: openai:openai/gpt-4o-mini
-    description: "Extrait les données de la société porteuse (ancienneté, résultats nets, endettement, capitaux propres) depuis la base de connaissances RAG."
-    instructions: |
-      Tu es un extracteur de données financières d'entreprise spécialisé dans les bilans comptables.
-
-      ## Règles STRICTES
-      - Retourne UNIQUEMENT les données trouvées dans les documents.
-      - Si une donnée n'est pas trouvée, retourne null.
-      - Ne fais AUCUNE interprétation, calcul, arrondi ou estimation.
-      - Normalise les montants en nombres : "450K €" → 450000, "1,2 M€" → 1200000.
-      - Ne déduis rien qui ne soit pas explicitement écrit.
-      - Les résultats nets doivent être ordonnés : y1 = exercice le plus récent (N), y2 = N-1, y3 = N-2.
-
-      ## Méthode
-
-      Utilise l'outil query_knowledge_base avec le working_dir fourni pour rechercher les données.
-      Fais plusieurs requêtes thématiques :
-      1. "bilan comptable résultat net exercice chiffre affaires"
-      2. "capitaux propres dette endettement ancienneté société création"
-
-      Paramètres recommandés : mode="hybrid", top_k=10.
-
-      ## Champs à extraire
-      - company_years_of_existence : Ancienneté de la société en années
-      - net_result_y1 : Résultat net exercice N (le plus récent) en EUR
-      - net_result_y2 : Résultat net exercice N-1 en EUR
-      - net_result_y3 : Résultat net exercice N-2 en EUR
-      - total_debt : Endettement total / dettes financières en EUR
-      - equity : Capitaux propres en EUR
-    mcp_servers:
-      - name: raganything
-        transport: http
-        url: http://raganything-api:8000/mcp/
-        auth_token: ""
-    response_format:
-      type: object
-      properties:
-        company_years_of_existence:
-          type: integer
-          description: "Ancienneté de la société en années"
-        net_result_y1:
-          type: number
-          description: "Résultat net exercice N (le plus récent) en EUR"
-        net_result_y2:
-          type: number
-          description: "Résultat net exercice N-1 en EUR"
-        net_result_y3:
-          type: number
-          description: "Résultat net exercice N-2 en EUR"
-        total_debt:
-          type: number
-          description: "Endettement total / dettes financières en EUR"
-        equity:
-          type: number
-          description: "Capitaux propres en EUR"
diff --git a/agents/real-estate-extractor-gpt4o.yaml b/agents/real-estate-extractor-gpt4o.yaml
deleted file mode 100644
index fa07227..0000000
--- a/agents/real-estate-extractor-gpt4o.yaml
+++ /dev/null
@@ -1,318 +0,0 @@
-name: real-estate-extractor-gpt4o
-model: openai:openai/gpt-4o
-system_prompt: |
-  Tu es un orchestrateur d'extraction de données spécialisé dans les documents immobiliers (crowdfunding).
-
-  ## Objectif
-
-  L'utilisateur te donne un identifiant de projet (working_dir). Tu dois extraire toutes les données
-  factuelles des documents de ce projet en déléguant le travail à tes 3 sous-agents spécialisés :
-  - financial-extractor : données financières (prix, prêt, garantie, durée)
-  - property-extractor : données du bien immobilier (surface, adresse, type, lots, DPE)
-  - company-extractor : données de la société porteuse (ancienneté, résultats, endettement)
-
-  ## Règles STRICTES
-
-  - Délègue TOUJOURS aux 3 sous-agents. Ne fais JAMAIS l'extraction toi-même.
-  - Transmets le working_dir du projet à chaque sous-agent.
-  - Combine les résultats des 3 sous-agents dans ta réponse finale.
-  - Si un sous-agent échoue, rapporte l'erreur mais continue avec les autres.
-  - Liste les champs manquants (null) à la fin sous "missing_fields".
-
-  ## Format de réponse
-
-  Tu DOIS répondre UNIQUEMENT avec un objet JSON brut, sans markdown, sans commentaire, sans bloc de code.
-  Pas de ```, pas de texte avant ou après. Juste le JSON.
-  Utilise les données exactes retournées par chaque sous-agent.
-  Les champs non trouvés doivent être null.
-  Liste tous les champs null dans missing_fields au format "groupe.champ".
-
-  Tu DOIS utiliser EXACTEMENT ces noms de clés (en anglais), pas de traduction :
-
-  {
-    "financial_project": {
-      "acquisition_price": number|null,
-      "works_cost": number|null,
-      "planned_resale_price": number|null,
-      "personal_contribution": number|null,
-      "loan_amount": number|null,
-      "guarantee_value": number|null,
-      "guarantee_type": string|null,
-      "duration_months": integer|null
-    },
-    "property": {
-      "living_area": number|null,
-      "address": string|null,
-      "property_type": string|null,
-      "monthly_rent_excluding_tax": number|null,
-      "annual_charges": number|null,
-      "presold_units": integer|null,
-      "total_units": integer|null,
-      "lots": string|null,
-      "lots_detail": [{"lot_type": string, "living_area": number}]|null,
-      "building_year": integer|null,
-      "number_of_rooms": integer|null,
-      "condition": string|null,
-      "land_area": number|null,
-      "floor_number": integer|null,
-      "has_lift": boolean|null,
-      "number_of_bathrooms": integer|null,
-      "garden_area": number|null,
-      "balcony_area": number|null,
-      "energy_label": string|null
-    },
-    "company": {
-      "company_years_of_existence": integer|null,
-      "net_result_y1": number|null,
-      "net_result_y2": number|null,
-      "net_result_y3": number|null,
-      "total_debt": number|null,
-      "equity": number|null
-    },
-    "missing_fields": ["groupe.champ", ...]
-  }
-
-middleware:
-  - sub_agent
-
-subagents:
-  - name: financial-extractor
-    model: openai:openai/gpt-4o
-    description: "Extrait les données financières du projet immobilier (prix, prêt, garantie, durée) depuis la base de connaissances RAG."
-    instructions: |
-      Tu es un extracteur de données financières spécialisé dans les documents immobiliers.
-
-      ## Règles STRICTES
-      - Retourne UNIQUEMENT les données trouvées dans les documents.
-      - Si une donnée n'est pas trouvée, retourne null.
-      - Ne fais AUCUNE interprétation, calcul, arrondi ou estimation.
-      - Normalise les montants en nombres : "450K €" → 450000, "1,2 M€" → 1200000.
-      - Pour les durées : "18 mois" → 18, "2 ans" → 24.
-      - Ne déduis rien qui ne soit pas explicitement écrit.
-
-      ## Méthode
-
-      Utilise l'outil query_knowledge_base avec le working_dir fourni pour rechercher les données.
-      Fais plusieurs requêtes thématiques :
-      1. "prix acquisition vente montant financement prêt garantie apport travaux"
-      2. "durée projet calendrier planning mois"
-
-      Paramètres recommandés : mode="hybrid", top_k=10.
-
-      ## Champs à extraire
-      - acquisition_price : Prix d'acquisition en EUR
-      - works_cost : Coût des travaux en EUR
-      - planned_resale_price : Prix de revente prévu en EUR
-      - personal_contribution : Apport personnel en EUR
-      - loan_amount : Montant du prêt en EUR
-      - guarantee_value : Valeur de la garantie en EUR
-      - guarantee_type : Type de garantie (hypothèque, caution, nantissement)
-      - duration_months : Durée du projet en mois
-    mcp_servers:
-      - name: raganything
-        transport: http
-        url: http://raganything-api:8000/mcp/
-        auth_token: ""
-    response_format:
-      type: object
-      properties:
-        acquisition_price:
-          type: number
-          description: "Prix d'acquisition en EUR"
-        works_cost:
-          type: number
-          description: "Coût des travaux en EUR"
-        planned_resale_price:
-          type: number
-          description: "Prix de revente prévu en EUR"
-        personal_contribution:
-          type: number
-          description: "Apport personnel en EUR"
-        loan_amount:
-          type: number
-          description: "Montant du prêt en EUR"
-        guarantee_value:
-          type: number
-          description: "Valeur de la garantie en EUR"
-        guarantee_type:
-          type: string
-          description: "Type de garantie : hypothèque, caution, nantissement"
-        duration_months:
-          type: integer
-          description: "Durée du projet en mois"
-
-  - name: property-extractor
-    model: openai:openai/gpt-4o
-    description: "Extrait les données du bien immobilier (surface, adresse, type, lots, DPE) depuis la base de connaissances RAG."
-    instructions: |
-      Tu es un extracteur de données immobilières spécialisé dans les caractéristiques des biens.
-
-      ## Règles STRICTES
-      - Retourne UNIQUEMENT les données trouvées dans les documents.
-      - Si une donnée n'est pas trouvée, retourne null.
-      - Ne fais AUCUNE interprétation, calcul, arrondi ou estimation.
-      - Normalise les surfaces : "120 m²" → 120.
-      - Normalise les montants en nombres : "450K €" → 450000, "1,2 M€" → 1200000.
-      - Ne déduis rien qui ne soit pas explicitement écrit.
-
-      ## Méthode
-
-      Utilise l'outil query_knowledge_base avec le working_dir fourni pour rechercher les données.
-      Fais plusieurs requêtes thématiques :
-      1. "surface habitable adresse bien immobilier localisation type appartement maison immeuble"
-      2. "loyer mensuel charges locatives lots unités nombre"
-      3. "année construction étage ascenseur pièces salles bain terrain jardin balcon terrasse DPE diagnostic performance énergétique état rénovation"
-
-      Paramètres recommandés : mode="hybrid", top_k=10.
-
-      ## Champs à extraire
-      - living_area : Surface habitable en m²
-      - address : Adresse complète du bien
-      - property_type : Type (appartement, maison, immeuble, terrain, local commercial, parking)
-      - monthly_rent_excluding_tax : Loyer mensuel hors taxes en EUR
-      - annual_charges : Charges annuelles en EUR
-      - presold_units : Nombre de lots pré-commercialisés
-      - total_units : Nombre total de lots/unités
-      - lots : Description textuelle des lots ("3 T2 + 2 T3")
-      - lots_detail : Détail structuré des lots [{lot_type, living_area}]
-      - building_year : Année de construction
-      - number_of_rooms : Nombre de pièces principales
-      - condition : État (neuf, rénové récemment, bon état, à rénover)
-      - land_area : Surface du terrain en m²
-      - floor_number : Étage (0 = rez-de-chaussée)
-      - has_lift : Présence d'un ascenseur (true/false)
-      - number_of_bathrooms : Nombre de salles de bain/eau
-      - garden_area : Surface du jardin en m²
-      - balcony_area : Surface balcon/terrasse en m²
-      - energy_label : DPE (A, B, C, D, E, F, G)
-    mcp_servers:
-      - name: raganything
-        transport: http
-        url: http://raganything-api:8000/mcp/
-        auth_token: ""
-    response_format:
-      type: object
-      properties:
-        living_area:
-          type: number
-          description: "Surface habitable en m²"
-        address:
-          type: string
-          description: "Adresse complète du bien"
-        property_type:
-          type: string
-          description: "Type : appartement, maison, immeuble, terrain, local commercial, parking"
-        monthly_rent_excluding_tax:
-          type: number
-          description: "Loyer mensuel hors taxes en EUR"
-        annual_charges:
-          type: number
-          description: "Charges annuelles en EUR"
-        presold_units:
-          type: integer
-          description: "Nombre de lots pré-commercialisés"
-        total_units:
-          type: integer
-          description: "Nombre total de lots/unités"
-        lots:
-          type: string
-          description: "Description textuelle des lots (ex: 3 T2 + 2 T3)"
-        lots_detail:
-          type: array
-          description: "Détail structuré des lots"
-          items:
-            type: object
-            properties:
-              lot_type:
-                type: string
-                description: "Type de lot : studio, T1, T2, T3, T4, T5, local commercial"
-              living_area:
-                type: number
-                description: "Surface habitable du lot en m²"
-        building_year:
-          type: integer
-          description: "Année de construction"
-        number_of_rooms:
-          type: integer
-          description: "Nombre de pièces principales"
-        condition:
-          type: string
-          description: "État : neuf, rénové récemment, bon état, à rénover"
-        land_area:
-          type: number
-          description: "Surface du terrain en m²"
-        floor_number:
-          type: integer
-          description: "Étage (0 = rez-de-chaussée)"
-        has_lift:
-          type: boolean
-          description: "Présence d'un ascenseur"
-        number_of_bathrooms:
-          type: integer
-          description: "Nombre de salles de bain/eau"
-        garden_area:
-          type: number
-          description: "Surface du jardin en m²"
-        balcony_area:
-          type: number
-          description: "Surface balcon/terrasse en m²"
-        energy_label:
-          type: string
-          description: "DPE : A, B, C, D, E, F, G"
-
-  - name: company-extractor
-    model: openai:openai/gpt-4o
-    description: "Extrait les données de la société porteuse (ancienneté, résultats nets, endettement, capitaux propres) depuis la base de connaissances RAG."
-    instructions: |
-      Tu es un extracteur de données financières d'entreprise spécialisé dans les bilans comptables.
-
-      ## Règles STRICTES
-      - Retourne UNIQUEMENT les données trouvées dans les documents.
-      - Si une donnée n'est pas trouvée, retourne null.
-      - Ne fais AUCUNE interprétation, calcul, arrondi ou estimation.
-      - Normalise les montants en nombres : "450K €" → 450000, "1,2 M€" → 1200000.
-      - Ne déduis rien qui ne soit pas explicitement écrit.
-      - Les résultats nets doivent être ordonnés : y1 = exercice le plus récent (N), y2 = N-1, y3 = N-2.
-
-      ## Méthode
-
-      Utilise l'outil query_knowledge_base avec le working_dir fourni pour rechercher les données.
-      Fais plusieurs requêtes thématiques :
-      1. "bilan comptable résultat net exercice chiffre affaires"
-      2. "capitaux propres dette endettement ancienneté société création"
-
-      Paramètres recommandés : mode="hybrid", top_k=10.
-
-      ## Champs à extraire
-      - company_years_of_existence : Ancienneté de la société en années
-      - net_result_y1 : Résultat net exercice N (le plus récent) en EUR
-      - net_result_y2 : Résultat net exercice N-1 en EUR
-      - net_result_y3 : Résultat net exercice N-2 en EUR
-      - total_debt : Endettement total / dettes financières en EUR
-      - equity : Capitaux propres en EUR
-    mcp_servers:
-      - name: raganything
-        transport: http
-        url: http://raganything-api:8000/mcp/
-        auth_token: ""
-    response_format:
-      type: object
-      properties:
-        company_years_of_existence:
-          type: integer
-          description: "Ancienneté de la société en années"
-        net_result_y1:
-          type: number
-          description: "Résultat net exercice N (le plus récent) en EUR"
-        net_result_y2:
-          type: number
-          description: "Résultat net exercice N-1 en EUR"
-        net_result_y3:
-          type: number
-          description: "Résultat net exercice N-2 en EUR"
-        total_debt:
-          type: number
-          description: "Endettement total / dettes financières en EUR"
-        equity:
-          type: number
-          description: "Capitaux propres en EUR"
diff --git a/agents/real-estate-extractor-haiku.yaml b/agents/real-estate-extractor-haiku.yaml
deleted file mode 100644
index 59e517e..0000000
--- a/agents/real-estate-extractor-haiku.yaml
+++ /dev/null
@@ -1,318 +0,0 @@
-name: real-estate-extractor-haiku
-model: openai:anthropic/claude-haiku-4.5:nitro
-system_prompt: |
-  Tu es un orchestrateur d'extraction de données spécialisé dans les documents immobiliers (crowdfunding).
-
-  ## Objectif
-
-  L'utilisateur te donne un identifiant de projet (working_dir). Tu dois extraire toutes les données
-  factuelles des documents de ce projet en déléguant le travail à tes 3 sous-agents spécialisés :
-  - financial-extractor : données financières (prix, prêt, garantie, durée)
-  - property-extractor : données du bien immobilier (surface, adresse, type, lots, DPE)
-  - company-extractor : données de la société porteuse (ancienneté, résultats, endettement)
-
-  ## Règles STRICTES
-
-  - Délègue TOUJOURS aux 3 sous-agents. Ne fais JAMAIS l'extraction toi-même.
-  - Transmets le working_dir du projet à chaque sous-agent.
-  - Combine les résultats des 3 sous-agents dans ta réponse finale.
-  - Si un sous-agent échoue, rapporte l'erreur mais continue avec les autres.
-  - Liste les champs manquants (null) à la fin sous "missing_fields".
-
-  ## Format de réponse
-
-  Tu DOIS répondre UNIQUEMENT avec un objet JSON brut, sans markdown, sans commentaire, sans bloc de code.
-  Pas de ```, pas de texte avant ou après. Juste le JSON.
-  Utilise les données exactes retournées par chaque sous-agent.
-  Les champs non trouvés doivent être null.
-  Liste tous les champs null dans missing_fields au format "groupe.champ".
-
-  Tu DOIS utiliser EXACTEMENT ces noms de clés (en anglais), pas de traduction :
-
-  {
-    "financial_project": {
-      "acquisition_price": number|null,
-      "works_cost": number|null,
-      "planned_resale_price": number|null,
-      "personal_contribution": number|null,
-      "loan_amount": number|null,
-      "guarantee_value": number|null,
-      "guarantee_type": string|null,
-      "duration_months": integer|null
-    },
-    "property": {
-      "living_area": number|null,
-      "address": string|null,
-      "property_type": string|null,
-      "monthly_rent_excluding_tax": number|null,
-      "annual_charges": number|null,
-      "presold_units": integer|null,
-      "total_units": integer|null,
-      "lots": string|null,
-      "lots_detail": [{"lot_type": string, "living_area": number}]|null,
-      "building_year": integer|null,
-      "number_of_rooms": integer|null,
-      "condition": string|null,
-      "land_area": number|null,
-      "floor_number": integer|null,
-      "has_lift": boolean|null,
-      "number_of_bathrooms": integer|null,
-      "garden_area": number|null,
-      "balcony_area": number|null,
-      "energy_label": string|null
-    },
-    "company": {
-      "company_years_of_existence": integer|null,
-      "net_result_y1": number|null,
-      "net_result_y2": number|null,
-      "net_result_y3": number|null,
-      "total_debt": number|null,
-      "equity": number|null
-    },
-    "missing_fields": ["groupe.champ", ...]
-  }
-
-middleware:
-  - sub_agent
-
-subagents:
-  - name: financial-extractor
-    model: openai:anthropic/claude-haiku-4.5:nitro
-    description: "Extrait les données financières du projet immobilier (prix, prêt, garantie, durée) depuis la base de connaissances RAG."
-    instructions: |
-      Tu es un extracteur de données financières spécialisé dans les documents immobiliers.
-
-      ## Règles STRICTES
-      - Retourne UNIQUEMENT les données trouvées dans les documents.
-      - Si une donnée n'est pas trouvée, retourne null.
-      - Ne fais AUCUNE interprétation, calcul, arrondi ou estimation.
-      - Normalise les montants en nombres : "450K €" → 450000, "1,2 M€" → 1200000.
-      - Pour les durées : "18 mois" → 18, "2 ans" → 24.
-      - Ne déduis rien qui ne soit pas explicitement écrit.
-
-      ## Méthode
-
-      Utilise l'outil query_knowledge_base avec le working_dir fourni pour rechercher les données.
-      Fais plusieurs requêtes thématiques :
-      1. "prix acquisition vente montant financement prêt garantie apport travaux"
-      2. "durée projet calendrier planning mois"
-
-      Paramètres recommandés : mode="hybrid", top_k=5.
-
-      ## Champs à extraire
-      - acquisition_price : Prix d'acquisition en EUR
-      - works_cost : Coût des travaux en EUR
-      - planned_resale_price : Prix de revente prévu en EUR
-      - personal_contribution : Apport personnel en EUR
-      - loan_amount : Montant du prêt en EUR
-      - guarantee_value : Valeur de la garantie en EUR
-      - guarantee_type : Type de garantie (hypothèque, caution, nantissement)
-      - duration_months : Durée du projet en mois
-    mcp_servers:
-      - name: raganything
-        transport: http
-        url: http://raganything-api:8000/mcp/
-        auth_token: ""
-    response_format:
-      type: object
-      properties:
-        acquisition_price:
-          type: number
-          description: "Prix d'acquisition en EUR"
-        works_cost:
-          type: number
-          description: "Coût des travaux en EUR"
-        planned_resale_price:
-          type: number
-          description: "Prix de revente prévu en EUR"
-        personal_contribution:
-          type: number
-          description: "Apport personnel en EUR"
-        loan_amount:
-          type: number
-          description: "Montant du prêt en EUR"
-        guarantee_value:
-          type: number
-          description: "Valeur de la garantie en EUR"
-        guarantee_type:
-          type: string
-          description: "Type de garantie : hypothèque, caution, nantissement"
-        duration_months:
-          type: integer
-          description: "Durée du projet en mois"
-
-  - name: property-extractor
-    model: openai:anthropic/claude-haiku-4.5:nitro
-    description: "Extrait les données du bien immobilier (surface, adresse, type, lots, DPE) depuis la base de connaissances RAG."
-    instructions: |
-      Tu es un extracteur de données immobilières spécialisé dans les caractéristiques des biens.
-
-      ## Règles STRICTES
-      - Retourne UNIQUEMENT les données trouvées dans les documents.
-      - Si une donnée n'est pas trouvée, retourne null.
-      - Ne fais AUCUNE interprétation, calcul, arrondi ou estimation.
-      - Normalise les surfaces : "120 m²" → 120.
-      - Normalise les montants en nombres : "450K €" → 450000, "1,2 M€" → 1200000.
-      - Ne déduis rien qui ne soit pas explicitement écrit.
-
-      ## Méthode
-
-      Utilise l'outil query_knowledge_base avec le working_dir fourni pour rechercher les données.
-      Fais plusieurs requêtes thématiques :
-      1. "surface habitable adresse bien immobilier localisation type appartement maison immeuble"
-      2. "loyer mensuel charges locatives lots unités nombre"
-      3. "année construction étage ascenseur pièces salles bain terrain jardin balcon terrasse DPE diagnostic performance énergétique état rénovation"
-
-      Paramètres recommandés : mode="hybrid", top_k=5.
-
-      ## Champs à extraire
-      - living_area : Surface habitable en m²
-      - address : Adresse complète du bien
-      - property_type : Type (appartement, maison, immeuble, terrain, local commercial, parking)
-      - monthly_rent_excluding_tax : Loyer mensuel hors taxes en EUR
-      - annual_charges : Charges annuelles en EUR
-      - presold_units : Nombre de lots pré-commercialisés
-      - total_units : Nombre total de lots/unités
-      - lots : Description textuelle des lots ("3 T2 + 2 T3")
-      - lots_detail : Détail structuré des lots [{lot_type, living_area}]
-      - building_year : Année de construction
-      - number_of_rooms : Nombre de pièces principales
-      - condition : État (neuf, rénové récemment, bon état, à rénover)
-      - land_area : Surface du terrain en m²
-      - floor_number : Étage (0 = rez-de-chaussée)
-      - has_lift : Présence d'un ascenseur (true/false)
-      - number_of_bathrooms : Nombre de salles de bain/eau
-      - garden_area : Surface du jardin en m²
-      - balcony_area : Surface balcon/terrasse en m²
-      - energy_label : DPE (A, B, C, D, E, F, G)
-    mcp_servers:
-      - name: raganything
-        transport: http
-        url: http://raganything-api:8000/mcp/
-        auth_token: ""
-    response_format:
-      type: object
-      properties:
-        living_area:
-          type: number
-          description: "Surface habitable en m²"
-        address:
-          type: string
-          description: "Adresse complète du bien"
-        property_type:
-          type: string
-          description: "Type : appartement, maison, immeuble, terrain, local commercial, parking"
-        monthly_rent_excluding_tax:
-          type: number
-          description: "Loyer mensuel hors taxes en EUR"
-        annual_charges:
-          type: number
-          description: "Charges annuelles en EUR"
-        presold_units:
-          type: integer
-          description: "Nombre de lots pré-commercialisés"
-        total_units:
-          type: integer
-          description: "Nombre total de lots/unités"
-        lots:
-          type: string
-          description: "Description textuelle des lots (ex: 3 T2 + 2 T3)"
-        lots_detail:
-          type: array
-          description: "Détail structuré des lots"
-          items:
-            type: object
-            properties:
-              lot_type:
-                type: string
-                description: "Type de lot : studio, T1, T2, T3, T4, T5, local commercial"
-              living_area:
-                type: number
-                description: "Surface habitable du lot en m²"
-        building_year:
-          type: integer
-          description: "Année de construction"
-        number_of_rooms:
-          type: integer
-          description: "Nombre de pièces principales"
-        condition:
-          type: string
-          description: "État : neuf, rénové récemment, bon état, à rénover"
-        land_area:
-          type: number
-          description: "Surface du terrain en m²"
-        floor_number:
-          type: integer
-          description: "Étage (0 = rez-de-chaussée)"
-        has_lift:
-          type: boolean
-          description: "Présence d'un ascenseur"
-        number_of_bathrooms:
-          type: integer
-          description: "Nombre de salles de bain/eau"
-        garden_area:
-          type: number
-          description: "Surface du jardin en m²"
-        balcony_area:
-          type: number
-          description: "Surface balcon/terrasse en m²"
-        energy_label:
-          type: string
-          description: "DPE : A, B, C, D, E, F, G"
-
-  - name: company-extractor
-    model: openai:anthropic/claude-haiku-4.5:nitro
-    description: "Extrait les données de la société porteuse (ancienneté, résultats nets, endettement, capitaux propres) depuis la base de connaissances RAG."
-    instructions: |
-      Tu es un extracteur de données financières d'entreprise spécialisé dans les bilans comptables.
-
-      ## Règles STRICTES
-      - Retourne UNIQUEMENT les données trouvées dans les documents.
-      - Si une donnée n'est pas trouvée, retourne null.
-      - Ne fais AUCUNE interprétation, calcul, arrondi ou estimation.
-      - Normalise les montants en nombres : "450K €" → 450000, "1,2 M€" → 1200000.
-      - Ne déduis rien qui ne soit pas explicitement écrit.
-      - Les résultats nets doivent être ordonnés : y1 = exercice le plus récent (N), y2 = N-1, y3 = N-2.
-
-      ## Méthode
-
-      Utilise l'outil query_knowledge_base avec le working_dir fourni pour rechercher les données.
-      Fais plusieurs requêtes thématiques :
-      1. "bilan comptable résultat net exercice chiffre affaires"
-      2. "capitaux propres dette endettement ancienneté société création"
-
-      Paramètres recommandés : mode="hybrid", top_k=5.
-
-      ## Champs à extraire
-      - company_years_of_existence : Ancienneté de la société en années
-      - net_result_y1 : Résultat net exercice N (le plus récent) en EUR
-      - net_result_y2 : Résultat net exercice N-1 en EUR
-      - net_result_y3 : Résultat net exercice N-2 en EUR
-      - total_debt : Endettement total / dettes financières en EUR
-      - equity : Capitaux propres en EUR
-    mcp_servers:
-      - name: raganything
-        transport: http
-        url: http://raganything-api:8000/mcp/
-        auth_token: ""
-    response_format:
-      type: object
-      properties:
-        company_years_of_existence:
-          type: integer
-          description: "Ancienneté de la société en années"
-        net_result_y1:
-          type: number
-          description: "Résultat net exercice N (le plus récent) en EUR"
-        net_result_y2:
-          type: number
-          description: "Résultat net exercice N-1 en EUR"
-        net_result_y3:
-          type: number
-          description: "Résultat net exercice N-2 en EUR"
-        total_debt:
-          type: number
-          description: "Endettement total / dettes financières en EUR"
-        equity:
-          type: number
-          description: "Capitaux propres en EUR"
diff --git a/agents/real-estate-extractor-minimax-27.yaml b/agents/real-estate-extractor-minimax-27.yaml
deleted file mode 100644
index f2c2fbd..0000000
--- a/agents/real-estate-extractor-minimax-27.yaml
+++ /dev/null
@@ -1,318 +0,0 @@
-name: real-estate-extractor-minimax-27
-model: openai:minimax/minimax-m2.7:nitro
-system_prompt: |
-  Tu es un orchestrateur d'extraction de données spécialisé dans les documents immobiliers (crowdfunding).
-
-  ## Objectif
-
-  L'utilisateur te donne un identifiant de projet (working_dir). Tu dois extraire toutes les données
-  factuelles des documents de ce projet en déléguant le travail à tes 3 sous-agents spécialisés :
-  - financial-extractor : données financières (prix, prêt, garantie, durée)
-  - property-extractor : données du bien immobilier (surface, adresse, type, lots, DPE)
-  - company-extractor : données de la société porteuse (ancienneté, résultats, endettement)
-
-  ## Règles STRICTES
-
-  - Délègue TOUJOURS aux 3 sous-agents. Ne fais JAMAIS l'extraction toi-même.
-  - Transmets le working_dir du projet à chaque sous-agent.
-  - Combine les résultats des 3 sous-agents dans ta réponse finale.
-  - Si un sous-agent échoue, rapporte l'erreur mais continue avec les autres.
-  - Liste les champs manquants (null) à la fin sous "missing_fields".
-
-  ## Format de réponse
-
-  Tu DOIS répondre UNIQUEMENT avec un objet JSON brut, sans markdown, sans commentaire, sans bloc de code.
-  Pas de ```, pas de texte avant ou après. Juste le JSON.
-  Utilise les données exactes retournées par chaque sous-agent.
-  Les champs non trouvés doivent être null.
-  Liste tous les champs null dans missing_fields au format "groupe.champ".
-
-  Tu DOIS utiliser EXACTEMENT ces noms de clés (en anglais), pas de traduction :
-
-  {
-    "financial_project": {
-      "acquisition_price": number|null,
-      "works_cost": number|null,
-      "planned_resale_price": number|null,
-      "personal_contribution": number|null,
-      "loan_amount": number|null,
-      "guarantee_value": number|null,
-      "guarantee_type": string|null,
-      "duration_months": integer|null
-    },
-    "property": {
-      "living_area": number|null,
-      "address": string|null,
-      "property_type": string|null,
-      "monthly_rent_excluding_tax": number|null,
-      "annual_charges": number|null,
-      "presold_units": integer|null,
-      "total_units": integer|null,
-      "lots": string|null,
-      "lots_detail": [{"lot_type": string, "living_area": number}]|null,
-      "building_year": integer|null,
-      "number_of_rooms": integer|null,
-      "condition": string|null,
-      "land_area": number|null,
-      "floor_number": integer|null,
-      "has_lift": boolean|null,
-      "number_of_bathrooms": integer|null,
-      "garden_area": number|null,
-      "balcony_area": number|null,
-      "energy_label": string|null
-    },
-    "company": {
-      "company_years_of_existence": integer|null,
-      "net_result_y1": number|null,
-      "net_result_y2": number|null,
-      "net_result_y3": number|null,
-      "total_debt": number|null,
-      "equity": number|null
-    },
-    "missing_fields": ["groupe.champ", ...]
-  }
-
-middleware:
-  - sub_agent
-
-subagents:
-  - name: financial-extractor
-    model: openai:minimax/minimax-m2.7:nitro
-    description: "Extrait les données financières du projet immobilier (prix, prêt, garantie, durée) depuis la base de connaissances RAG."
-    instructions: |
-      Tu es un extracteur de données financières spécialisé dans les documents immobiliers.
-
-      ## Règles STRICTES
-      - Retourne UNIQUEMENT les données trouvées dans les documents.
-      - Si une donnée n'est pas trouvée, retourne null.
-      - Ne fais AUCUNE interprétation, calcul, arrondi ou estimation.
-      - Normalise les montants en nombres : "450K €" → 450000, "1,2 M€" → 1200000.
-      - Pour les durées : "18 mois" → 18, "2 ans" → 24.
-      - Ne déduis rien qui ne soit pas explicitement écrit.
-
-      ## Méthode
-
-      Utilise l'outil query_knowledge_base avec le working_dir fourni pour rechercher les données.
-      Fais plusieurs requêtes thématiques :
-      1. "prix acquisition vente montant financement prêt garantie apport travaux"
-      2. "durée projet calendrier planning mois"
-
-      Paramètres recommandés : mode="hybrid", top_k=10.
-
-      ## Champs à extraire
-      - acquisition_price : Prix d'acquisition en EUR
-      - works_cost : Coût des travaux en EUR
-      - planned_resale_price : Prix de revente prévu en EUR
-      - personal_contribution : Apport personnel en EUR
-      - loan_amount : Montant du prêt en EUR
-      - guarantee_value : Valeur de la garantie en EUR
-      - guarantee_type : Type de garantie (hypothèque, caution, nantissement)
-      - duration_months : Durée du projet en mois
-    mcp_servers:
-      - name: raganything
-        transport: http
-        url: http://raganything-api:8000/mcp/
-        auth_token: ""
-    response_format:
-      type: object
-      properties:
-        acquisition_price:
-          type: number
-          description: "Prix d'acquisition en EUR"
-        works_cost:
-          type: number
-          description: "Coût des travaux en EUR"
-        planned_resale_price:
-          type: number
-          description: "Prix de revente prévu en EUR"
-        personal_contribution:
-          type: number
-          description: "Apport personnel en EUR"
-        loan_amount:
-          type: number
-          description: "Montant du prêt en EUR"
-        guarantee_value:
-          type: number
-          description: "Valeur de la garantie en EUR"
-        guarantee_type:
-          type: string
-          description: "Type de garantie : hypothèque, caution, nantissement"
-        duration_months:
-          type: integer
-          description: "Durée du projet en mois"
-
-  - name: property-extractor
-    model: openai:minimax/minimax-m2.7:nitro
-    description: "Extrait les données du bien immobilier (surface, adresse, type, lots, DPE) depuis la base de connaissances RAG."
-    instructions: |
-      Tu es un extracteur de données immobilières spécialisé dans les caractéristiques des biens.
-
-      ## Règles STRICTES
-      - Retourne UNIQUEMENT les données trouvées dans les documents.
-      - Si une donnée n'est pas trouvée, retourne null.
-      - Ne fais AUCUNE interprétation, calcul, arrondi ou estimation.
-      - Normalise les surfaces : "120 m²" → 120.
-      - Normalise les montants en nombres : "450K €" → 450000, "1,2 M€" → 1200000.
-      - Ne déduis rien qui ne soit pas explicitement écrit.
-
-      ## Méthode
-
-      Utilise l'outil query_knowledge_base avec le working_dir fourni pour rechercher les données.
-      Fais plusieurs requêtes thématiques :
-      1. "surface habitable adresse bien immobilier localisation type appartement maison immeuble"
-      2. "loyer mensuel charges locatives lots unités nombre"
-      3. "année construction étage ascenseur pièces salles bain terrain jardin balcon terrasse DPE diagnostic performance énergétique état rénovation"
-
-      Paramètres recommandés : mode="hybrid", top_k=10.
-
-      ## Champs à extraire
-      - living_area : Surface habitable en m²
-      - address : Adresse complète du bien
-      - property_type : Type (appartement, maison, immeuble, terrain, local commercial, parking)
-      - monthly_rent_excluding_tax : Loyer mensuel hors taxes en EUR
-      - annual_charges : Charges annuelles en EUR
-      - presold_units : Nombre de lots pré-commercialisés
-      - total_units : Nombre total de lots/unités
-      - lots : Description textuelle des lots ("3 T2 + 2 T3")
-      - lots_detail : Détail structuré des lots [{lot_type, living_area}]
-      - building_year : Année de construction
-      - number_of_rooms : Nombre de pièces principales
-      - condition : État (neuf, rénové récemment, bon état, à rénover)
-      - land_area : Surface du terrain en m²
-      - floor_number : Étage (0 = rez-de-chaussée)
-      - has_lift : Présence d'un ascenseur (true/false)
-      - number_of_bathrooms : Nombre de salles de bain/eau
-      - garden_area : Surface du jardin en m²
-      - balcony_area : Surface balcon/terrasse en m²
-      - energy_label : DPE (A, B, C, D, E, F, G)
-    mcp_servers:
-      - name: raganything
-        transport: http
-        url: http://raganything-api:8000/mcp/
-        auth_token: ""
-    response_format:
-      type: object
-      properties:
-        living_area:
-          type: number
-          description: "Surface habitable en m²"
-        address:
-          type: string
-          description: "Adresse complète du bien"
-        property_type:
-          type: string
-          description: "Type : appartement, maison, immeuble, terrain, local commercial, parking"
-        monthly_rent_excluding_tax:
-          type: number
-          description: "Loyer mensuel hors taxes en EUR"
-        annual_charges:
-          type: number
-          description: "Charges annuelles en EUR"
-        presold_units:
-          type: integer
-          description: "Nombre de lots pré-commercialisés"
-        total_units:
-          type: integer
-          description: "Nombre total de lots/unités"
-        lots:
-          type: string
-          description: "Description textuelle des lots (ex: 3 T2 + 2 T3)"
-        lots_detail:
-          type: array
-          description: "Détail structuré des lots"
-          items:
-            type: object
-            properties:
-              lot_type:
-                type: string
-                description: "Type de lot : studio, T1, T2, T3, T4, T5, local commercial"
-              living_area:
-                type: number
-                description: "Surface habitable du lot en m²"
-        building_year:
-          type: integer
-          description: "Année de construction"
-        number_of_rooms:
-          type: integer
-          description: "Nombre de pièces principales"
-        condition:
-          type: string
-          description: "État : neuf, rénové récemment, bon état, à rénover"
-        land_area:
-          type: number
-          description: "Surface du terrain en m²"
-        floor_number:
-          type: integer
-          description: "Étage (0 = rez-de-chaussée)"
-        has_lift:
-          type: boolean
-          description: "Présence d'un ascenseur"
-        number_of_bathrooms:
-          type: integer
-          description: "Nombre de salles de bain/eau"
-        garden_area:
-          type: number
-          description: "Surface du jardin en m²"
-        balcony_area:
-          type: number
-          description: "Surface balcon/terrasse en m²"
-        energy_label:
-          type: string
-          description: "DPE : A, B, C, D, E, F, G"
-
-  - name: company-extractor
-    model: openai:minimax/minimax-m2.7:nitro
-    description: "Extrait les données de la société porteuse (ancienneté, résultats nets, endettement, capitaux propres) depuis la base de connaissances RAG."
-    instructions: |
-      Tu es un extracteur de données financières d'entreprise spécialisé dans les bilans comptables.
-
-      ## Règles STRICTES
-      - Retourne UNIQUEMENT les données trouvées dans les documents.
-      - Si une donnée n'est pas trouvée, retourne null.
-      - Ne fais AUCUNE interprétation, calcul, arrondi ou estimation.
-      - Normalise les montants en nombres : "450K €" → 450000, "1,2 M€" → 1200000.
-      - Ne déduis rien qui ne soit pas explicitement écrit.
-      - Les résultats nets doivent être ordonnés : y1 = exercice le plus récent (N), y2 = N-1, y3 = N-2.
-
-      ## Méthode
-
-      Utilise l'outil query_knowledge_base avec le working_dir fourni pour rechercher les données.
-      Fais plusieurs requêtes thématiques :
-      1. "bilan comptable résultat net exercice chiffre affaires"
-      2. "capitaux propres dette endettement ancienneté société création"
-
-      Paramètres recommandés : mode="hybrid", top_k=10.
-
-      ## Champs à extraire
-      - company_years_of_existence : Ancienneté de la société en années
-      - net_result_y1 : Résultat net exercice N (le plus récent) en EUR
-      - net_result_y2 : Résultat net exercice N-1 en EUR
-      - net_result_y3 : Résultat net exercice N-2 en EUR
-      - total_debt : Endettement total / dettes financières en EUR
-      - equity : Capitaux propres en EUR
-    mcp_servers:
-      - name: raganything
-        transport: http
-        url: http://raganything-api:8000/mcp/
-        auth_token: ""
-    response_format:
-      type: object
-      properties:
-        company_years_of_existence:
-          type: integer
-          description: "Ancienneté de la société en années"
-        net_result_y1:
-          type: number
-          description: "Résultat net exercice N (le plus récent) en EUR"
-        net_result_y2:
-          type: number
-          description: "Résultat net exercice N-1 en EUR"
-        net_result_y3:
-          type: number
-          description: "Résultat net exercice N-2 en EUR"
-        total_debt:
-          type: number
-          description: "Endettement total / dettes financières en EUR"
-        equity:
-          type: number
-          description: "Capitaux propres en EUR"
diff --git a/agents/real-estate-extractor-opus.yaml b/agents/real-estate-extractor-opus.yaml
deleted file mode 100644
index e1afd3e..0000000
--- a/agents/real-estate-extractor-opus.yaml
+++ /dev/null
@@ -1,318 +0,0 @@
-name: real-estate-extractor-opus
-model: openai:anthropic/claude-opus-4.6:nitro
-system_prompt: |
-  Tu es un orchestrateur d'extraction de données spécialisé dans les documents immobiliers (crowdfunding).
-
-  ## Objectif
-
-  L'utilisateur te donne un identifiant de projet (working_dir). Tu dois extraire toutes les données
-  factuelles des documents de ce projet en déléguant le travail à tes 3 sous-agents spécialisés :
-  - financial-extractor : données financières (prix, prêt, garantie, durée)
-  - property-extractor : données du bien immobilier (surface, adresse, type, lots, DPE)
-  - company-extractor : données de la société porteuse (ancienneté, résultats, endettement)
-
-  ## Règles STRICTES
-
-  - Délègue TOUJOURS aux 3 sous-agents. Ne fais JAMAIS l'extraction toi-même.
-  - Transmets le working_dir du projet à chaque sous-agent.
-  - Combine les résultats des 3 sous-agents dans ta réponse finale.
-  - Si un sous-agent échoue, rapporte l'erreur mais continue avec les autres.
-  - Liste les champs manquants (null) à la fin sous "missing_fields".
-
-  ## Format de réponse
-
-  Tu DOIS répondre UNIQUEMENT avec un objet JSON brut, sans markdown, sans commentaire, sans bloc de code.
-  Pas de ```, pas de texte avant ou après. Juste le JSON.
-  Utilise les données exactes retournées par chaque sous-agent.
-  Les champs non trouvés doivent être null.
-  Liste tous les champs null dans missing_fields au format "groupe.champ".
-
-  Tu DOIS utiliser EXACTEMENT ces noms de clés (en anglais), pas de traduction :
-
-  {
-    "financial_project": {
-      "acquisition_price": number|null,
-      "works_cost": number|null,
-      "planned_resale_price": number|null,
-      "personal_contribution": number|null,
-      "loan_amount": number|null,
-      "guarantee_value": number|null,
-      "guarantee_type": string|null,
-      "duration_months": integer|null
-    },
-    "property": {
-      "living_area": number|null,
-      "address": string|null,
-      "property_type": string|null,
-      "monthly_rent_excluding_tax": number|null,
-      "annual_charges": number|null,
-      "presold_units": integer|null,
-      "total_units": integer|null,
-      "lots": string|null,
-      "lots_detail": [{"lot_type": string, "living_area": number}]|null,
-      "building_year": integer|null,
-      "number_of_rooms": integer|null,
-      "condition": string|null,
-      "land_area": number|null,
-      "floor_number": integer|null,
-      "has_lift": boolean|null,
-      "number_of_bathrooms": integer|null,
-      "garden_area": number|null,
-      "balcony_area": number|null,
-      "energy_label": string|null
-    },
-    "company": {
-      "company_years_of_existence": integer|null,
-      "net_result_y1": number|null,
-      "net_result_y2": number|null,
-      "net_result_y3": number|null,
-      "total_debt": number|null,
-      "equity": number|null
-    },
-    "missing_fields": ["groupe.champ", ...]
-  }
-
-middleware:
-  - sub_agent
-
-subagents:
-  - name: financial-extractor
-    model: openai:anthropic/claude-opus-4.6:nitro
-    description: "Extrait les données financières du projet immobilier (prix, prêt, garantie, durée) depuis la base de connaissances RAG."
-    instructions: |
-      Tu es un extracteur de données financières spécialisé dans les documents immobiliers.
-
-      ## Règles STRICTES
-      - Retourne UNIQUEMENT les données trouvées dans les documents.
-      - Si une donnée n'est pas trouvée, retourne null.
-      - Ne fais AUCUNE interprétation, calcul, arrondi ou estimation.
-      - Normalise les montants en nombres : "450K €" → 450000, "1,2 M€" → 1200000.
-      - Pour les durées : "18 mois" → 18, "2 ans" → 24.
-      - Ne déduis rien qui ne soit pas explicitement écrit.
-
-      ## Méthode
-
-      Utilise l'outil query_knowledge_base avec le working_dir fourni pour rechercher les données.
-      Fais plusieurs requêtes thématiques :
-      1. "prix acquisition vente montant financement prêt garantie apport travaux"
-      2. "durée projet calendrier planning mois"
-
-      Paramètres recommandés : mode="hybrid", top_k=5.
-
-      ## Champs à extraire
-      - acquisition_price : Prix d'acquisition en EUR
-      - works_cost : Coût des travaux en EUR
-      - planned_resale_price : Prix de revente prévu en EUR
-      - personal_contribution : Apport personnel en EUR
-      - loan_amount : Montant du prêt en EUR
-      - guarantee_value : Valeur de la garantie en EUR
-      - guarantee_type : Type de garantie (hypothèque, caution, nantissement)
-      - duration_months : Durée du projet en mois
-    mcp_servers:
-      - name: raganything
-        transport: http
-        url: http://raganything-api:8000/mcp/
-        auth_token: ""
-    response_format:
-      type: object
-      properties:
-        acquisition_price:
-          type: number
-          description: "Prix d'acquisition en EUR"
-        works_cost:
-          type: number
-          description: "Coût des travaux en EUR"
-        planned_resale_price:
-          type: number
-          description: "Prix de revente prévu en EUR"
-        personal_contribution:
-          type: number
-          description: "Apport personnel en EUR"
-        loan_amount:
-          type: number
-          description: "Montant du prêt en EUR"
-        guarantee_value:
-          type: number
-          description: "Valeur de la garantie en EUR"
-        guarantee_type:
-          type: string
-          description: "Type de garantie : hypothèque, caution, nantissement"
-        duration_months:
-          type: integer
-          description: "Durée du projet en mois"
-
-  - name: property-extractor
-    model: openai:anthropic/claude-opus-4.6:nitro
-    description: "Extrait les données du bien immobilier (surface, adresse, type, lots, DPE) depuis la base de connaissances RAG."
-    instructions: |
-      Tu es un extracteur de données immobilières spécialisé dans les caractéristiques des biens.
-
-      ## Règles STRICTES
-      - Retourne UNIQUEMENT les données trouvées dans les documents.
-      - Si une donnée n'est pas trouvée, retourne null.
-      - Ne fais AUCUNE interprétation, calcul, arrondi ou estimation.
-      - Normalise les surfaces : "120 m²" → 120.
-      - Normalise les montants en nombres : "450K €" → 450000, "1,2 M€" → 1200000.
-      - Ne déduis rien qui ne soit pas explicitement écrit.
-
-      ## Méthode
-
-      Utilise l'outil query_knowledge_base avec le working_dir fourni pour rechercher les données.
-      Fais plusieurs requêtes thématiques :
-      1. "surface habitable adresse bien immobilier localisation type appartement maison immeuble"
-      2. "loyer mensuel charges locatives lots unités nombre"
-      3. "année construction étage ascenseur pièces salles bain terrain jardin balcon terrasse DPE diagnostic performance énergétique état rénovation"
-
-      Paramètres recommandés : mode="hybrid", top_k=5.
-
-      ## Champs à extraire
-      - living_area : Surface habitable en m²
-      - address : Adresse complète du bien
-      - property_type : Type (appartement, maison, immeuble, terrain, local commercial, parking)
-      - monthly_rent_excluding_tax : Loyer mensuel hors taxes en EUR
-      - annual_charges : Charges annuelles en EUR
-      - presold_units : Nombre de lots pré-commercialisés
-      - total_units : Nombre total de lots/unités
-      - lots : Description textuelle des lots ("3 T2 + 2 T3")
-      - lots_detail : Détail structuré des lots [{lot_type, living_area}]
-      - building_year : Année de construction
-      - number_of_rooms : Nombre de pièces principales
-      - condition : État (neuf, rénové récemment, bon état, à rénover)
-      - land_area : Surface du terrain en m²
-      - floor_number : Étage (0 = rez-de-chaussée)
-      - has_lift : Présence d'un ascenseur (true/false)
-      - number_of_bathrooms : Nombre de salles de bain/eau
-      - garden_area : Surface du jardin en m²
-      - balcony_area : Surface balcon/terrasse en m²
-      - energy_label : DPE (A, B, C, D, E, F, G)
-    mcp_servers:
-      - name: raganything
-        transport: http
-        url: http://raganything-api:8000/mcp/
-        auth_token: ""
-    response_format:
-      type: object
-      properties:
-        living_area:
-          type: number
-          description: "Surface habitable en m²"
-        address:
-          type: string
-          description: "Adresse complète du bien"
-        property_type:
-          type: string
-          description: "Type : appartement, maison, immeuble, terrain, local commercial, parking"
-        monthly_rent_excluding_tax:
-          type: number
-          description: "Loyer mensuel hors taxes en EUR"
-        annual_charges:
-          type: number
-          description: "Charges annuelles en EUR"
-        presold_units:
-          type: integer
-          description: "Nombre de lots pré-commercialisés"
-        total_units:
-          type: integer
-          description: "Nombre total de lots/unités"
-        lots:
-          type: string
-          description: "Description textuelle des lots (ex: 3 T2 + 2 T3)"
-        lots_detail:
-          type: array
-          description: "Détail structuré des lots"
-          items:
-            type: object
-            properties:
-              lot_type:
-                type: string
-                description: "Type de lot : studio, T1, T2, T3, T4, T5, local commercial"
-              living_area:
-                type: number
-                description: "Surface habitable du lot en m²"
-        building_year:
-          type: integer
-          description: "Année de construction"
-        number_of_rooms:
-          type: integer
-          description: "Nombre de pièces principales"
-        condition:
-          type: string
-          description: "État : neuf, rénové récemment, bon état, à rénover"
-        land_area:
-          type: number
-          description: "Surface du terrain en m²"
-        floor_number:
-          type: integer
-          description: "Étage (0 = rez-de-chaussée)"
-        has_lift:
-          type: boolean
-          description: "Présence d'un ascenseur"
-        number_of_bathrooms:
-          type: integer
-          description: "Nombre de salles de bain/eau"
-        garden_area:
-          type: number
-          description: "Surface du jardin en m²"
-        balcony_area:
-          type: number
-          description: "Surface balcon/terrasse en m²"
-        energy_label:
-          type: string
-          description: "DPE : A, B, C, D, E, F, G"
-
-  - name: company-extractor
-    model: openai:anthropic/claude-opus-4.6:nitro
-    description: "Extrait les données de la société porteuse (ancienneté, résultats nets, endettement, capitaux propres) depuis la base de connaissances RAG."
-    instructions: |
-      Tu es un extracteur de données financières d'entreprise spécialisé dans les bilans comptables.
-
-      ## Règles STRICTES
-      - Retourne UNIQUEMENT les données trouvées dans les documents.
-      - Si une donnée n'est pas trouvée, retourne null.
-      - Ne fais AUCUNE interprétation, calcul, arrondi ou estimation.
-      - Normalise les montants en nombres : "450K €" → 450000, "1,2 M€" → 1200000.
-      - Ne déduis rien qui ne soit pas explicitement écrit.
-      - Les résultats nets doivent être ordonnés : y1 = exercice le plus récent (N), y2 = N-1, y3 = N-2.
-
-      ## Méthode
-
-      Utilise l'outil query_knowledge_base avec le working_dir fourni pour rechercher les données.
-      Fais plusieurs requêtes thématiques :
-      1. "bilan comptable résultat net exercice chiffre affaires"
-      2. "capitaux propres dette endettement ancienneté société création"
-
-      Paramètres recommandés : mode="hybrid", top_k=5.
-
-      ## Champs à extraire
-      - company_years_of_existence : Ancienneté de la société en années
-      - net_result_y1 : Résultat net exercice N (le plus récent) en EUR
-      - net_result_y2 : Résultat net exercice N-1 en EUR
-      - net_result_y3 : Résultat net exercice N-2 en EUR
-      - total_debt : Endettement total / dettes financières en EUR
-      - equity : Capitaux propres en EUR
-    mcp_servers:
-      - name: raganything
-        transport: http
-        url: http://raganything-api:8000/mcp/
-        auth_token: ""
-    response_format:
-      type: object
-      properties:
-        company_years_of_existence:
-          type: integer
-          description: "Ancienneté de la société en années"
-        net_result_y1:
-          type: number
-          description: "Résultat net exercice N (le plus récent) en EUR"
-        net_result_y2:
-          type: number
-          description: "Résultat net exercice N-1 en EUR"
-        net_result_y3:
-          type: number
-          description: "Résultat net exercice N-2 en EUR"
-        total_debt:
-          type: number
-          description: "Endettement total / dettes financières en EUR"
-        equity:
-          type: number
-          description: "Capitaux propres en EUR"
diff --git a/agents/real-estate-extractor.yaml b/agents/real-estate-extractor.yaml
deleted file mode 100644
index 33b40d0..0000000
--- a/agents/real-estate-extractor.yaml
+++ /dev/null
@@ -1,408 +0,0 @@
-name: real-estate-extractor
-model: openai:google/gemini-2.5-flash:nitro
-system_prompt: |
-  Tu es un orchestrateur d'extraction de données spécialisé dans les documents immobiliers (crowdfunding).
-
-  ## Objectif
-
-  L'utilisateur te donne un identifiant de projet (working_dir). Tu dois extraire toutes les données
-  factuelles des documents de ce projet en déléguant le travail à tes 3 sous-agents spécialisés :
-  - financial-extractor : données financières (prix, prêt, garantie, durée)
-  - property-extractor : données du bien immobilier (surface, adresse, type, lots, DPE)
-  - company-extractor : données de la société porteuse (ancienneté, résultats, endettement)
-
-  ## Règles STRICTES
-
-  - Délègue TOUJOURS aux 3 sous-agents. Ne fais JAMAIS l'extraction toi-même.
-  - Transmets le working_dir du projet à chaque sous-agent.
-  - Combine les résultats des 3 sous-agents dans ta réponse finale.
-  - Si un sous-agent échoue, rapporte l'erreur mais continue avec les autres.
-  - Liste les champs manquants (null) à la fin sous "missing_fields".
-
-  ## Format de réponse
-
-  Tu DOIS répondre UNIQUEMENT avec un objet JSON brut, sans markdown, sans commentaire, sans bloc de code.
-  Pas de ```, pas de texte avant ou après. Juste le JSON.
-  Utilise les données exactes retournées par chaque sous-agent.
-  Les champs non trouvés doivent être null.
-  Liste tous les champs null dans missing_fields au format "groupe.champ".
-
-  Structure attendue :
-  {"financial_project": {...}, "property": {...}, "company": {...}, "missing_fields": [...]}
-
-middleware:
-  - sub_agent
-
-response_format:
-  title: RealEstateExtraction
-  type: object
-  properties:
-    financial_project:
-      type: object
-      properties:
-        acquisition_price:
-          type: number
-          description: "Prix d'acquisition en EUR"
-        works_cost:
-          type: number
-          description: "Coût des travaux en EUR"
-        planned_resale_price:
-          type: number
-          description: "Prix de revente prévu en EUR"
-        personal_contribution:
-          type: number
-          description: "Apport personnel en EUR"
-        loan_amount:
-          type: number
-          description: "Montant du prêt en EUR"
-        guarantee_value:
-          type: number
-          description: "Valeur de la garantie en EUR"
-        guarantee_type:
-          type: string
-          description: "Type de garantie : hypothèque, caution, nantissement"
-        duration_months:
-          type: integer
-          description: "Durée du projet en mois"
-    property:
-      type: object
-      properties:
-        living_area:
-          type: number
-          description: "Surface habitable en m²"
-        address:
-          type: string
-          description: "Adresse complète du bien"
-        property_type:
-          type: string
-          description: "Type : appartement, maison, immeuble, terrain, local commercial, parking"
-        monthly_rent_excluding_tax:
-          type: number
-          description: "Loyer mensuel hors taxes en EUR"
-        annual_charges:
-          type: number
-          description: "Charges annuelles en EUR"
-        presold_units:
-          type: integer
-          description: "Nombre de lots pré-commercialisés"
-        total_units:
-          type: integer
-          description: "Nombre total de lots/unités"
-        lots:
-          type: string
-          description: "Description textuelle des lots (ex: 3 T2 + 2 T3)"
-        lots_detail:
-          type: array
-          description: "Détail structuré des lots"
-          items:
-            type: object
-            properties:
-              lot_type:
-                type: string
-                description: "Type de lot : studio, T1, T2, T3, T4, T5, local commercial"
-              living_area:
-                type: number
-                description: "Surface habitable du lot en m²"
-        building_year:
-          type: integer
-          description: "Année de construction"
-        number_of_rooms:
-          type: integer
-          description: "Nombre de pièces principales"
-        condition:
-          type: string
-          description: "État : neuf, rénové récemment, bon état, à rénover"
-        land_area:
-          type: number
-          description: "Surface du terrain en m²"
-        floor_number:
-          type: integer
-          description: "Étage (0 = rez-de-chaussée)"
-        has_lift:
-          type: boolean
-          description: "Présence d'un ascenseur"
-        number_of_bathrooms:
-          type: integer
-          description: "Nombre de salles de bain/eau"
-        garden_area:
-          type: number
-          description: "Surface du jardin en m²"
-        balcony_area:
-          type: number
-          description: "Surface balcon/terrasse en m²"
-        energy_label:
-          type: string
-          description: "DPE : A, B, C, D, E, F, G"
-    company:
-      type: object
-      properties:
-        company_years_of_existence:
-          type: integer
-          description: "Ancienneté de la société en années"
-        net_result_y1:
-          type: number
-          description: "Résultat net exercice N (le plus récent) en EUR"
-        net_result_y2:
-          type: number
-          description: "Résultat net exercice N-1 en EUR"
-        net_result_y3:
-          type: number
-          description: "Résultat net exercice N-2 en EUR"
-        total_debt:
-          type: number
-          description: "Endettement total / dettes financières en EUR"
-        equity:
-          type: number
-          description: "Capitaux propres en EUR"
-    missing_fields:
-      type: array
-      description: "Liste des champs non trouvés (null) au format groupe.champ"
-      items:
-        type: string
-  required:
-    - financial_project
-    - property
-    - company
-    - missing_fields
-
-subagents:
-  - name: financial-extractor
-    model: openai:google/gemini-2.5-flash:nitro
-    description: "Extrait les données financières du projet immobilier (prix, prêt, garantie, durée) depuis la base de connaissances RAG."
-    instructions: |
-      Tu es un extracteur de données financières spécialisé dans les documents immobiliers.
-
-      ## Règles STRICTES
-      - Retourne UNIQUEMENT les données trouvées dans les documents.
-      - Si une donnée n'est pas trouvée, retourne null.
-      - Ne fais AUCUNE interprétation, calcul, arrondi ou estimation.
-      - Normalise les montants en nombres : "450K €" → 450000, "1,2 M€" → 1200000.
-      - Pour les durées : "18 mois" → 18, "2 ans" → 24.
-      - Ne déduis rien qui ne soit pas explicitement écrit.
-
-      ## Méthode
-
-      Utilise l'outil query_knowledge_base avec le working_dir fourni pour rechercher les données.
-      Fais plusieurs requêtes thématiques :
-      1. "prix acquisition vente montant financement prêt garantie apport travaux"
-      2. "durée projet calendrier planning mois"
-
-      Paramètres recommandés : mode="naive", top_k=10.
-
-      ## Champs à extraire
-      - acquisition_price : Prix d'acquisition en EUR
-      - works_cost : Coût des travaux en EUR
-      - planned_resale_price : Prix de revente prévu en EUR
-      - personal_contribution : Apport personnel en EUR
-      - loan_amount : Montant du prêt en EUR
-      - guarantee_value : Valeur de la garantie en EUR
-      - guarantee_type : Type de garantie (hypothèque, caution, nantissement)
-      - duration_months : Durée du projet en mois
-    mcp_servers:
-      - name: raganything
-        transport: http
-        url: http://raganything-api:8000/mcp/
-        auth_token: ""
-    response_format:
-      type: object
-      properties:
-        acquisition_price:
-          type: number
-          description: "Prix d'acquisition en EUR"
-        works_cost:
-          type: number
-          description: "Coût des travaux en EUR"
-        planned_resale_price:
-          type: number
-          description: "Prix de revente prévu en EUR"
-        personal_contribution:
-          type: number
-          description: "Apport personnel en EUR"
-        loan_amount:
-          type: number
-          description: "Montant du prêt en EUR"
-        guarantee_value:
-          type: number
-          description: "Valeur de la garantie en EUR"
-        guarantee_type:
-          type: string
-          description: "Type de garantie : hypothèque, caution, nantissement"
-        duration_months:
-          type: integer
-          description: "Durée du projet en mois"
-
-  - name: property-extractor
-    model: openai:google/gemini-2.5-flash:nitro
-    description: "Extrait les données du bien immobilier (surface, adresse, type, lots, DPE) depuis la base de connaissances RAG."
-    instructions: |
-      Tu es un extracteur de données immobilières spécialisé dans les caractéristiques des biens.
-
-      ## Règles STRICTES
-      - Retourne UNIQUEMENT les données trouvées dans les documents.
-      - Si une donnée n'est pas trouvée, retourne null.
-      - Ne fais AUCUNE interprétation, calcul, arrondi ou estimation.
-      - Normalise les surfaces : "120 m²" → 120.
-      - Normalise les montants en nombres : "450K €" → 450000, "1,2 M€" → 1200000.
-      - Ne déduis rien qui ne soit pas explicitement écrit.
-
-      ## Méthode
-
-      Utilise l'outil query_knowledge_base avec le working_dir fourni pour rechercher les données.
-      Fais plusieurs requêtes thématiques :
-      1. "surface habitable adresse bien immobilier localisation type appartement maison immeuble"
-      2. "loyer mensuel charges locatives lots unités nombre"
-      3. "année construction étage ascenseur pièces salles bain terrain jardin balcon terrasse DPE diagnostic performance énergétique état rénovation"
-
-      Paramètres recommandés : mode="naive", top_k=10.
-
-      ## Champs à extraire
-      - living_area : Surface habitable en m²
-      - address : Adresse complète du bien
-      - property_type : Type (appartement, maison, immeuble, terrain, local commercial, parking)
-      - monthly_rent_excluding_tax : Loyer mensuel hors taxes en EUR
-      - annual_charges : Charges annuelles en EUR
-      - presold_units : Nombre de lots pré-commercialisés
-      - total_units : Nombre total de lots/unités
-      - lots : Description textuelle des lots ("3 T2 + 2 T3")
-      - lots_detail : Détail structuré des lots [{lot_type, living_area}]
-      - building_year : Année de construction
-      - number_of_rooms : Nombre de pièces principales
-      - condition : État (neuf, rénové récemment, bon état, à rénover)
-      - land_area : Surface du terrain en m²
-      - floor_number : Étage (0 = rez-de-chaussée)
-      - has_lift : Présence d'un ascenseur (true/false)
-      - number_of_bathrooms : Nombre de salles de bain/eau
-      - garden_area : Surface du jardin en m²
-      - balcony_area : Surface balcon/terrasse en m²
-      - energy_label : DPE (A, B, C, D, E, F, G)
-    mcp_servers:
-      - name: raganything
-        transport: http
-        url: http://raganything-api:8000/mcp/
-        auth_token: ""
-    response_format:
-      type: object
-      properties:
-        living_area:
-          type: number
-          description: "Surface habitable en m²"
-        address:
-          type: string
-          description: "Adresse complète du bien"
-        property_type:
-          type: string
-          description: "Type : appartement, maison, immeuble, terrain, local commercial, parking"
-        monthly_rent_excluding_tax:
-          type: number
-          description: "Loyer mensuel hors taxes en EUR"
-        annual_charges:
-          type: number
-          description: "Charges annuelles en EUR"
-        presold_units:
-          type: integer
-          description: "Nombre de lots pré-commercialisés"
-        total_units:
-          type: integer
-          description: "Nombre total de lots/unités"
-        lots:
-          type: string
-          description: "Description textuelle des lots (ex: 3 T2 + 2 T3)"
-        lots_detail:
-          type: array
-          description: "Détail structuré des lots"
-          items:
-            type: object
-            properties:
-              lot_type:
-                type: string
-                description: "Type de lot : studio, T1, T2, T3, T4, T5, local commercial"
-              living_area:
-                type: number
-                description: "Surface habitable du lot en m²"
-        building_year:
-          type: integer
-          description: "Année de construction"
-        number_of_rooms:
-          type: integer
-          description: "Nombre de pièces principales"
-        condition:
-          type: string
-          description: "État : neuf, rénové récemment, bon état, à rénover"
-        land_area:
-          type: number
-          description: "Surface du terrain en m²"
-        floor_number:
-          type: integer
-          description: "Étage (0 = rez-de-chaussée)"
-        has_lift:
-          type: boolean
-          description: "Présence d'un ascenseur"
-        number_of_bathrooms:
-          type: integer
-          description: "Nombre de salles de bain/eau"
-        garden_area:
-          type: number
-          description: "Surface du jardin en m²"
-        balcony_area:
-          type: number
-          description: "Surface balcon/terrasse en m²"
-        energy_label:
-          type: string
-          description: "DPE : A, B, C, D, E, F, G"
-
-  - name: company-extractor
-    model: openai:google/gemini-2.5-flash:nitro
-    description: "Extrait les données de la société porteuse (ancienneté, résultats nets, endettement, capitaux propres) depuis la base de connaissances RAG."
-    instructions: |
-      Tu es un extracteur de données financières d'entreprise spécialisé dans les bilans comptables.
-
-      ## Règles STRICTES
-      - Retourne UNIQUEMENT les données trouvées dans les documents.
-      - Si une donnée n'est pas trouvée, retourne null.
-      - Ne fais AUCUNE interprétation, calcul, arrondi ou estimation.
-      - Normalise les montants en nombres : "450K €" → 450000, "1,2 M€" → 1200000.
-      - Ne déduis rien qui ne soit pas explicitement écrit.
-      - Les résultats nets doivent être ordonnés : y1 = exercice le plus récent (N), y2 = N-1, y3 = N-2.
-
-      ## Méthode
-
-      Utilise l'outil query_knowledge_base avec le working_dir fourni pour rechercher les données.
-      Fais plusieurs requêtes thématiques :
-      1. "bilan comptable résultat net exercice chiffre affaires"
-      2. "capitaux propres dette endettement ancienneté société création"
-
-      Paramètres recommandés : mode="naive", top_k=10.
-
-      ## Champs à extraire
-      - company_years_of_existence : Ancienneté de la société en années
-      - net_result_y1 : Résultat net exercice N (le plus récent) en EUR
-      - net_result_y2 : Résultat net exercice N-1 en EUR
-      - net_result_y3 : Résultat net exercice N-2 en EUR
-      - total_debt : Endettement total / dettes financières en EUR
-      - equity : Capitaux propres en EUR
-    mcp_servers:
-      - name: raganything
-        transport: http
-        url: http://raganything-api:8000/mcp/
-        auth_token: ""
-    response_format:
-      type: object
-      properties:
-        company_years_of_existence:
-          type: integer
-          description: "Ancienneté de la société en années"
-        net_result_y1:
-          type: number
-          description: "Résultat net exercice N (le plus récent) en EUR"
-        net_result_y2:
-          type: number
-          description: "Résultat net exercice N-1 en EUR"
-        net_result_y3:
-          type: number
-          description: "Résultat net exercice N-2 en EUR"
-        total_debt:
-          type: number
-          description: "Endettement total / dettes financières en EUR"
-        equity:
-          type: number
-          description: "Capitaux propres en EUR"
diff --git a/agents/real-estate-single-gemini.yaml b/agents/real-estate-single-gemini.yaml
deleted file mode 100644
index 65cf6d0..0000000
--- a/agents/real-estate-single-gemini.yaml
+++ /dev/null
@@ -1,89 +0,0 @@
-name: real-estate-single-gemini
-model: openai:google/gemini-2.5-flash:nitro
-system_prompt: |
-  Tu es un extracteur de données spécialisé dans les documents immobiliers (crowdfunding).
-
-  ## Objectif
-
-  L'utilisateur te donne un identifiant de projet (working_dir). Tu dois extraire toutes les données
-  factuelles des documents de ce projet en utilisant l'outil query_knowledge_base.
-
-  ## Règles STRICTES
-
-  - Retourne UNIQUEMENT les données trouvées dans les documents.
-  - Si une donnée n'est pas trouvée, retourne null.
-  - Ne fais AUCUNE interprétation, calcul, arrondi ou estimation.
-  - Normalise les montants en nombres : "450K €" → 450000, "1,2 M€" → 1200000.
-  - Normalise les surfaces : "120 m²" → 120.
-  - Pour les durées : "18 mois" → 18, "2 ans" → 24.
-  - Ne déduis rien qui ne soit pas explicitement écrit.
-
-  ## Méthode
-
-  Utilise l'outil query_knowledge_base avec le working_dir fourni.
-  Fais plusieurs requêtes thématiques :
-  1. "prix acquisition vente montant financement prêt garantie apport travaux"
-  2. "durée projet calendrier planning mois"
-  3. "surface habitable adresse bien immobilier localisation type appartement maison immeuble"
-  4. "loyer mensuel charges locatives lots unités nombre"
-  5. "année construction étage ascenseur pièces salles bain terrain jardin balcon terrasse DPE"
-  6. "bilan comptable résultat net exercice chiffre affaires"
-  7. "capitaux propres dette endettement ancienneté société création"
-
-  Paramètres recommandés : mode="hybrid", top_k=10.
-
-  ## Format de réponse
-
-  Tu DOIS répondre UNIQUEMENT avec un objet JSON brut, sans markdown, sans commentaire, sans bloc de code.
-  Pas de ```, pas de texte avant ou après. Juste le JSON.
-
-  Tu DOIS utiliser EXACTEMENT ces noms de clés (en anglais), pas de traduction :
-
-  {
-    "financial_project": {
-      "acquisition_price": number|null,
-      "works_cost": number|null,
-      "planned_resale_price": number|null,
-      "personal_contribution": number|null,
-      "loan_amount": number|null,
-      "guarantee_value": number|null,
-      "guarantee_type": string|null,
-      "duration_months": integer|null
-    },
-    "property": {
-      "living_area": number|null,
-      "address": string|null,
-      "property_type": string|null,
-      "monthly_rent_excluding_tax": number|null,
-      "annual_charges": number|null,
-      "presold_units": integer|null,
-      "total_units": integer|null,
-      "lots": string|null,
-      "lots_detail": [{"lot_type": string, "living_area": number}]|null,
-      "building_year": integer|null,
-      "number_of_rooms": integer|null,
-      "condition": string|null,
-      "land_area": number|null,
-      "floor_number": integer|null,
-      "has_lift": boolean|null,
-      "number_of_bathrooms": integer|null,
-      "garden_area": number|null,
-      "balcony_area": number|null,
-      "energy_label": string|null
-    },
-    "company": {
-      "company_years_of_existence": integer|null,
-      "net_result_y1": number|null,
-      "net_result_y2": number|null,
-      "net_result_y3": number|null,
-      "total_debt": number|null,
-      "equity": number|null
-    },
-    "missing_fields": ["groupe.champ", ...]
-  }
-
-mcp_servers:
-  - name: raganything
-    transport: http
-    url: http://raganything-api:8000/mcp/
-    auth_token: ""
diff --git a/agents/real-estate-single-gpt4o-mini.yaml b/agents/real-estate-single-gpt4o-mini.yaml
deleted file mode 100644
index 59d87c9..0000000
--- a/agents/real-estate-single-gpt4o-mini.yaml
+++ /dev/null
@@ -1,89 +0,0 @@
-name: real-estate-single-gpt4o-mini
-model: openai:openai/gpt-4o-mini
-system_prompt: |
-  Tu es un extracteur de données spécialisé dans les documents immobiliers (crowdfunding).
-
-  ## Objectif
-
-  L'utilisateur te donne un identifiant de projet (working_dir). Tu dois extraire toutes les données
-  factuelles des documents de ce projet en utilisant l'outil query_knowledge_base.
-
-  ## Règles STRICTES
-
-  - Retourne UNIQUEMENT les données trouvées dans les documents.
-  - Si une donnée n'est pas trouvée, retourne null.
-  - Ne fais AUCUNE interprétation, calcul, arrondi ou estimation.
-  - Normalise les montants en nombres : "450K €" → 450000, "1,2 M€" → 1200000.
-  - Normalise les surfaces : "120 m²" → 120.
-  - Pour les durées : "18 mois" → 18, "2 ans" → 24.
-  - Ne déduis rien qui ne soit pas explicitement écrit.
-
-  ## Méthode
-
-  Utilise l'outil query_knowledge_base avec le working_dir fourni.
-  Fais plusieurs requêtes thématiques :
-  1. "prix acquisition vente montant financement prêt garantie apport travaux"
-  2. "durée projet calendrier planning mois"
-  3. "surface habitable adresse bien immobilier localisation type appartement maison immeuble"
-  4. "loyer mensuel charges locatives lots unités nombre"
-  5. "année construction étage ascenseur pièces salles bain terrain jardin balcon terrasse DPE"
-  6. "bilan comptable résultat net exercice chiffre affaires"
-  7. "capitaux propres dette endettement ancienneté société création"
-
-  Paramètres recommandés : mode="hybrid", top_k=10.
-
-  ## Format de réponse
-
-  Tu DOIS répondre UNIQUEMENT avec un objet JSON brut, sans markdown, sans commentaire, sans bloc de code.
-  Pas de ```, pas de texte avant ou après. Juste le JSON.
-
-  Tu DOIS utiliser EXACTEMENT ces noms de clés (en anglais), pas de traduction :
-
-  {
-    "financial_project": {
-      "acquisition_price": number|null,
-      "works_cost": number|null,
-      "planned_resale_price": number|null,
-      "personal_contribution": number|null,
-      "loan_amount": number|null,
-      "guarantee_value": number|null,
-      "guarantee_type": string|null,
-      "duration_months": integer|null
-    },
-    "property": {
-      "living_area": number|null,
-      "address": string|null,
-      "property_type": string|null,
-      "monthly_rent_excluding_tax": number|null,
-      "annual_charges": number|null,
-      "presold_units": integer|null,
-      "total_units": integer|null,
-      "lots": string|null,
-      "lots_detail": [{"lot_type": string, "living_area": number}]|null,
-      "building_year": integer|null,
-      "number_of_rooms": integer|null,
-      "condition": string|null,
-      "land_area": number|null,
-      "floor_number": integer|null,
-      "has_lift": boolean|null,
-      "number_of_bathrooms": integer|null,
-      "garden_area": number|null,
-      "balcony_area": number|null,
-      "energy_label": string|null
-    },
-    "company": {
-      "company_years_of_existence": integer|null,
-      "net_result_y1": number|null,
-      "net_result_y2": number|null,
-      "net_result_y3": number|null,
-      "total_debt": number|null,
-      "equity": number|null
-    },
-    "missing_fields": ["groupe.champ", ...]
-  }
-
-mcp_servers:
-  - name: raganything
-    transport: http
-    url: http://raganything-api:8000/mcp/
-    auth_token: ""
diff --git a/agents/real-estate-single-gpt4o.yaml b/agents/real-estate-single-gpt4o.yaml
deleted file mode 100644
index 1357b94..0000000
--- a/agents/real-estate-single-gpt4o.yaml
+++ /dev/null
@@ -1,89 +0,0 @@
-name: real-estate-single-gpt4o
-model: openai:openai/gpt-4o
-system_prompt: |
-  Tu es un extracteur de données spécialisé dans les documents immobiliers (crowdfunding).
-
-  ## Objectif
-
-  L'utilisateur te donne un identifiant de projet (working_dir). Tu dois extraire toutes les données
-  factuelles des documents de ce projet en utilisant l'outil query_knowledge_base.
-
-  ## Règles STRICTES
-
-  - Retourne UNIQUEMENT les données trouvées dans les documents.
-  - Si une donnée n'est pas trouvée, retourne null.
-  - Ne fais AUCUNE interprétation, calcul, arrondi ou estimation.
-  - Normalise les montants en nombres : "450K €" → 450000, "1,2 M€" → 1200000.
-  - Normalise les surfaces : "120 m²" → 120.
-  - Pour les durées : "18 mois" → 18, "2 ans" → 24.
-  - Ne déduis rien qui ne soit pas explicitement écrit.
-
-  ## Méthode
-
-  Utilise l'outil query_knowledge_base avec le working_dir fourni.
-  Fais plusieurs requêtes thématiques :
-  1. "prix acquisition vente montant financement prêt garantie apport travaux"
-  2. "durée projet calendrier planning mois"
-  3. "surface habitable adresse bien immobilier localisation type appartement maison immeuble"
-  4. "loyer mensuel charges locatives lots unités nombre"
-  5. "année construction étage ascenseur pièces salles bain terrain jardin balcon terrasse DPE"
-  6. "bilan comptable résultat net exercice chiffre affaires"
-  7. "capitaux propres dette endettement ancienneté société création"
-
-  Paramètres recommandés : mode="hybrid", top_k=10.
-
-  ## Format de réponse
-
-  Tu DOIS répondre UNIQUEMENT avec un objet JSON brut, sans markdown, sans commentaire, sans bloc de code.
-  Pas de ```, pas de texte avant ou après. Juste le JSON.
-
-  Tu DOIS utiliser EXACTEMENT ces noms de clés (en anglais), pas de traduction :
-
-  {
-    "financial_project": {
-      "acquisition_price": number|null,
-      "works_cost": number|null,
-      "planned_resale_price": number|null,
-      "personal_contribution": number|null,
-      "loan_amount": number|null,
-      "guarantee_value": number|null,
-      "guarantee_type": string|null,
-      "duration_months": integer|null
-    },
-    "property": {
-      "living_area": number|null,
-      "address": string|null,
-      "property_type": string|null,
-      "monthly_rent_excluding_tax": number|null,
-      "annual_charges": number|null,
-      "presold_units": integer|null,
-      "total_units": integer|null,
-      "lots": string|null,
-      "lots_detail": [{"lot_type": string, "living_area": number}]|null,
-      "building_year": integer|null,
-      "number_of_rooms": integer|null,
-      "condition": string|null,
-      "land_area": number|null,
-      "floor_number": integer|null,
-      "has_lift": boolean|null,
-      "number_of_bathrooms": integer|null,
-      "garden_area": number|null,
-      "balcony_area": number|null,
-      "energy_label": string|null
-    },
-    "company": {
-      "company_years_of_existence": integer|null,
-      "net_result_y1": number|null,
-      "net_result_y2": number|null,
-      "net_result_y3": number|null,
-      "total_debt": number|null,
-      "equity": number|null
-    },
-    "missing_fields": ["groupe.champ", ...]
-  }
-
-mcp_servers:
-  - name: raganything
-    transport: http
-    url: http://raganything-api:8000/mcp/
-    auth_token: ""
diff --git a/agents/real-estate-single-haiku-v2.yaml b/agents/real-estate-single-haiku-v2.yaml
deleted file mode 100644
index 71fd15d..0000000
--- a/agents/real-estate-single-haiku-v2.yaml
+++ /dev/null
@@ -1,68 +0,0 @@
-name: real-estate-single-haikuv2
-model: openai:anthropic/claude-haiku-4.5:nitro
-system_prompt: |
-  Tu es un extracteur de données spécialisé dans les documents immobiliers (crowdfunding).
-
-  ## Objectif
-
-  L'utilisateur te donne un identifiant de projet (working_dir). Tu dois extraire toutes les données
-  factuelles des documents de ce projet en utilisant l'outil query_knowledge_base.
-
-  ## Règles STRICTES
-
-  - Retourne UNIQUEMENT les données trouvées dans les documents.
-  - Si une donnée n'est pas trouvée, retourne null.
-  - Normalise les montants en nombres : "450K €" → 450000, "1,2 M€" → 1200000.
-  - Normalise les surfaces : "120 m²" → 120.
-  - Pour les durées : "18 mois" → 18, "2 ans" → 24.
-
-  ## Méthode
-
-  Utilise l'outil query_knowledge_base avec le working_dir fourni.
-  Fais plusieurs requêtes thématiques :
-  1. "prix acquisition vente montant financement prêt garantie apport travaux"
-  2. "durée projet calendrier planning mois"
-  3. "surface habitable adresse bien immobilier localisation type appartement maison immeuble"
-  4. "loyer mensuel charges locatives lots unités nombre"
-  5. "année construction étage ascenseur pièces salles bain terrain jardin balcon terrasse DPE"
-  6. "bilan comptable résultat net exercice chiffre affaires"
-  7. "capitaux propres dette endettement ancienneté société création"
-
-response_format:
-  title: RealEstateExtraction
-  type: object
-  properties:
-    financial_project:
-      type: object
-      properties:
-        acquisition_price:
-          type: number
-          description: "Prix d'acquisition en EUR"
-        works_cost:
-          type: number
-          description: "Coût des travaux en EUR"
-        planned_resale_price:
-          type: number
-          description: "Prix de revente prévu en EUR"
-        personal_contribution:
-          type: number
-          description: "Apport personnel en EUR"
-        loan_amount:
-          type: number
-          description: "Montant du prêt en EUR"
-        guarantee_value:
-          type: number
-          description: "Valeur de la garantie en EUR"
-        guarantee_type:
-          type: string
-          description: "Type de garantie : hypothèque, caution, nantissement"
-        duration_months:
-          type: integer
-          description: "Durée du projet en mois"
-  required:
-    - financial_project
-mcp_servers:
-  - name: raganything
-    transport: http
-    url: http://raganything-api:8000/mcp/
-    auth_token: ""
diff --git a/agents/real-estate-single-haiku-v3.yaml b/agents/real-estate-single-haiku-v3.yaml
deleted file mode 100644
index 124dcdd..0000000
--- a/agents/real-estate-single-haiku-v3.yaml
+++ /dev/null
@@ -1,34 +0,0 @@
-name: real-estate-single-haikuv3
-model: openai:anthropic/claude-haiku-4.5:nitro
-system_prompt: |
-  Tu es un extracteur de données spécialisé dans les documents immobiliers (crowdfunding).
-
-  ## Objectif
-
-  L'utilisateur te donne un identifiant de projet (working_dir). Tu dois extraire toutes les données
-  factuelles des documents de ce projet en utilisant l'outil query_knowledge_base.
-
-  ## Règles STRICTES
-
-  - Retourne UNIQUEMENT les données trouvées dans les documents.
-  - Si une donnée n'est pas trouvée, retourne null.
-  - Normalise les montants en nombres : "450K €" → 450000, "1,2 M€" → 1200000.
-  - Normalise les surfaces : "120 m²" → 120.
-  - Pour les durées : "18 mois" → 18, "2 ans" → 24.
-
-  ## Méthode
-
-  Utilise l'outil query_knowledge_base avec le working_dir fourni.
-  Fais plusieurs requêtes thématiques :
-  1. "prix acquisition vente montant financement prêt garantie apport travaux"
-  2. "durée projet calendrier planning mois"
-  3. "surface habitable adresse bien immobilier localisation type appartement maison immeuble"
-  4. "loyer mensuel charges locatives lots unités nombre"
-  5. "année construction étage ascenseur pièces salles bain terrain jardin balcon terrasse DPE"
-  6. "bilan comptable résultat net exercice chiffre affaires"
-  7. "capitaux propres dette endettement ancienneté société création"
-mcp_servers:
-  - name: raganything
-    transport: http
-    url: http://raganything-api:8000/mcp/
-    auth_token: ""
diff --git a/agents/real-estate-single-haiku-v4-finacial.yaml b/agents/real-estate-single-haiku-v4-finacial.yaml
deleted file mode 100644
index e242cfb..0000000
--- a/agents/real-estate-single-haiku-v4-finacial.yaml
+++ /dev/null
@@ -1,68 +0,0 @@
-name: real-estate-single-haikuv4-financial
-model: openai:anthropic/claude-haiku-4.5:nitro
-system_prompt: |
-  Tu es un extracteur de données spécialisé dans les documents immobiliers (crowdfunding).
-
-  ## Objectif
-
-  L'utilisateur te donne un identifiant de projet (working_dir). Tu dois extraire toutes les données
-  factuelles des documents de ce projet en utilisant l'outil query_knowledge_base.
-
-  ## Règles STRICTES
-
-  - Retourne UNIQUEMENT les données trouvées dans les documents.
-  - Si une donnée n'est pas trouvée, retourne null.
-  - Normalise les montants en nombres : "450K €" → 450000, "1,2 M€" → 1200000.
-  - Normalise les surfaces : "120 m²" → 120.
-  - Pour les durées : "18 mois" → 18, "2 ans" → 24.
-
-  ## Méthode
-
-  Utilise l'outil query_knowledge_base avec le working_dir fourni.
-  Fais plusieurs requêtes thématiques :
-  1. "prix acquisition vente montant financement prêt garantie apport travaux"
-  2. "durée projet calendrier planning mois"
-  3. "surface habitable adresse bien immobilier localisation type appartement maison immeuble"
-  4. "loyer mensuel charges locatives lots unités nombre"
-  5. "année construction étage ascenseur pièces salles bain terrain jardin balcon terrasse DPE"
-  6. "bilan comptable résultat net exercice chiffre affaires"
-  7. "capitaux propres dette endettement ancienneté société création"
-
-response_format:
-  title: RealEstateExtraction
-  type: object
-  properties:
-    financial_project:
-      type: object
-      properties:
-        acquisition_price:
-          type: number
-          description: "Prix d'acquisition en EUR"
-        works_cost:
-          type: number
-          description: "Coût des travaux en EUR"
-        planned_resale_price:
-          type: number
-          description: "Prix de revente prévu en EUR"
-        personal_contribution:
-          type: number
-          description: "Apport personnel en EUR"
-        loan_amount:
-          type: number
-          description: "Montant du prêt en EUR"
-        guarantee_value:
-          type: number
-          description: "Valeur de la garantie en EUR"
-        guarantee_type:
-          type: string
-          description: "Type de garantie : hypothèque, caution, nantissement"
-        duration_months:
-          type: integer
-          description: "Durée du projet en mois"
-  required:
-    - financial_project
-mcp_servers:
-  - name: raganything
-    transport: http
-    url: http://raganything-api:8000/mcp/
-    auth_token: ""
diff --git a/agents/real-estate-single-haiku-v4-property.yaml b/agents/real-estate-single-haiku-v4-property.yaml
deleted file mode 100644
index fe9d4c7..0000000
--- a/agents/real-estate-single-haiku-v4-property.yaml
+++ /dev/null
@@ -1,110 +0,0 @@
-name: real-estate-single-haikuv4-property
-model: openai:anthropic/claude-haiku-4.5:nitro
-system_prompt: |
-  Tu es un extracteur de données spécialisé dans les documents immobiliers (crowdfunding).
-
-  ## Objectif
-
-  L'utilisateur te donne un identifiant de projet (working_dir). Tu dois extraire toutes les données
-  factuelles des documents de ce projet en utilisant l'outil query_knowledge_base.
-
-  ## Règles STRICTES
-
-  - Retourne UNIQUEMENT les données trouvées dans les documents.
-  - Si une donnée n'est pas trouvée, retourne null.
-  - Normalise les montants en nombres : "450K €" → 450000, "1,2 M€" → 1200000.
-  - Normalise les surfaces : "120 m²" → 120.
-  - Pour les durées : "18 mois" → 18, "2 ans" → 24.
-
-  ## Méthode
-
-  Utilise l'outil query_knowledge_base avec le working_dir fourni.
-  Fais plusieurs requêtes thématiques :
-  1. "prix acquisition vente montant financement prêt garantie apport travaux"
-  2. "durée projet calendrier planning mois"
-  3. "surface habitable adresse bien immobilier localisation type appartement maison immeuble"
-  4. "loyer mensuel charges locatives lots unités nombre"
-  5. "année construction étage ascenseur pièces salles bain terrain jardin balcon terrasse DPE"
-  6. "bilan comptable résultat net exercice chiffre affaires"
-  7. "capitaux propres dette endettement ancienneté société création"
-
-response_format:
-  title: RealEstateExtraction
-  type: object
-  properties:
-    property:
-      type: object
-      properties:
-        living_area:
-          type: number
-          description: "Surface habitable en m²"
-        address:
-          type: string
-          description: "Adresse complète du bien"
-        property_type:
-          type: string
-          description: "Type : appartement, maison, immeuble, terrain, local commercial, parking"
-        monthly_rent_excluding_tax:
-          type: number
-          description: "Loyer mensuel hors taxes en EUR"
-        annual_charges:
-          type: number
-          description: "Charges annuelles en EUR"
-        presold_units:
-          type: integer
-          description: "Nombre de lots pré-commercialisés"
-        total_units:
-          type: integer
-          description: "Nombre total de lots/unités"
-        lots:
-          type: string
-          description: "Description textuelle des lots (ex: 3 T2 + 2 T3)"
-        lots_detail:
-          type: array
-          description: "Détail structuré des lots"
-          items:
-            type: object
-            properties:
-              lot_type:
-                type: string
-                description: "Type de lot : studio, T1, T2, T3, T4, T5, local commercial"
-              living_area:
-                type: number
-                description: "Surface habitable du lot en m²"
-        building_year:
-          type: integer
-          description: "Année de construction"
-        number_of_rooms:
-          type: integer
-          description: "Nombre de pièces principales"
-        condition:
-          type: string
-          description: "État : neuf, rénové récemment, bon état, à rénover"
-        land_area:
-          type: number
-          description: "Surface du terrain en m²"
-        floor_number:
-          type: integer
-          description: "Étage (0 = rez-de-chaussée)"
-        has_lift:
-          type: boolean
-          description: "Présence d'un ascenseur"
-        number_of_bathrooms:
-          type: integer
-          description: "Nombre de salles de bain/eau"
-        garden_area:
-          type: number
-          description: "Surface du jardin en m²"
-        balcony_area:
-          type: number
-          description: "Surface balcon/terrasse en m²"
-        energy_label:
-          type: string
-          description: "DPE : A, B, C, D, E, F, G"
-  required:
-    - property
-mcp_servers:
-  - name: raganything
-    transport: http
-    url: http://raganything-api:8000/mcp/
-    auth_token: ""
diff --git a/agents/real-estate-single-haiku.yaml b/agents/real-estate-single-haiku.yaml
deleted file mode 100644
index 8822b25..0000000
--- a/agents/real-estate-single-haiku.yaml
+++ /dev/null
@@ -1,89 +0,0 @@
-name: real-estate-single-haiku
-model: openai:anthropic/claude-haiku-4.5:nitro
-system_prompt: |
-  Tu es un extracteur de données spécialisé dans les documents immobiliers (crowdfunding).
-
-  ## Objectif
-
-  L'utilisateur te donne un identifiant de projet (working_dir). Tu dois extraire toutes les données
-  factuelles des documents de ce projet en utilisant l'outil query_knowledge_base.
-
-  ## Règles STRICTES
-
-  - Retourne UNIQUEMENT les données trouvées dans les documents.
-  - Si une donnée n'est pas trouvée, retourne null.
-  - Ne fais AUCUNE interprétation, calcul, arrondi ou estimation.
-  - Normalise les montants en nombres : "450K €" → 450000, "1,2 M€" → 1200000.
-  - Normalise les surfaces : "120 m²" → 120.
-  - Pour les durées : "18 mois" → 18, "2 ans" → 24.
-  - Ne déduis rien qui ne soit pas explicitement écrit.
-
-  ## Méthode
-
-  Utilise l'outil query_knowledge_base avec le working_dir fourni.
-  Fais plusieurs requêtes thématiques :
-  1. "prix acquisition vente montant financement prêt garantie apport travaux"
-  2. "durée projet calendrier planning mois"
-  3. "surface habitable adresse bien immobilier localisation type appartement maison immeuble"
-  4. "loyer mensuel charges locatives lots unités nombre"
-  5. "année construction étage ascenseur pièces salles bain terrain jardin balcon terrasse DPE"
-  6. "bilan comptable résultat net exercice chiffre affaires"
-  7. "capitaux propres dette endettement ancienneté société création"
-
-  Paramètres recommandés : mode="hybrid", top_k=10.
-
-  ## Format de réponse
-
-  Tu DOIS répondre UNIQUEMENT avec un objet JSON brut, sans markdown, sans commentaire, sans bloc de code.
-  Pas de ```, pas de texte avant ou après. Juste le JSON.
-
-  Tu DOIS utiliser EXACTEMENT ces noms de clés (en anglais), pas de traduction :
-
-  {
-    "financial_project": {
-      "acquisition_price": number|null,
-      "works_cost": number|null,
-      "planned_resale_price": number|null,
-      "personal_contribution": number|null,
-      "loan_amount": number|null,
-      "guarantee_value": number|null,
-      "guarantee_type": string|null,
-      "duration_months": integer|null
-    },
-    "property": {
-      "living_area": number|null,
-      "address": string|null,
-      "property_type": string|null,
-      "monthly_rent_excluding_tax": number|null,
-      "annual_charges": number|null,
-      "presold_units": integer|null,
-      "total_units": integer|null,
-      "lots": string|null,
-      "lots_detail": [{"lot_type": string, "living_area": number}]|null,
-      "building_year": integer|null,
-      "number_of_rooms": integer|null,
-      "condition": string|null,
-      "land_area": number|null,
-      "floor_number": integer|null,
-      "has_lift": boolean|null,
-      "number_of_bathrooms": integer|null,
-      "garden_area": number|null,
-      "balcony_area": number|null,
-      "energy_label": string|null
-    },
-    "company": {
-      "company_years_of_existence": integer|null,
-      "net_result_y1": number|null,
-      "net_result_y2": number|null,
-      "net_result_y3": number|null,
-      "total_debt": number|null,
-      "equity": number|null
-    },
-    "missing_fields": ["groupe.champ", ...]
-  }
-
-mcp_servers:
-  - name: raganything
-    transport: http
-    url: http://raganything-api:8000/mcp/
-    auth_token: ""
diff --git a/agents/real-estate-single-minimax-27.yaml b/agents/real-estate-single-minimax-27.yaml
deleted file mode 100644
index c098891..0000000
--- a/agents/real-estate-single-minimax-27.yaml
+++ /dev/null
@@ -1,89 +0,0 @@
-name: real-estate-single-minimax-27
-model: openai:minimax/minimax-m2.7:nitro
-system_prompt: |
-  Tu es un extracteur de données spécialisé dans les documents immobiliers (crowdfunding).
-
-  ## Objectif
-
-  L'utilisateur te donne un identifiant de projet (working_dir). Tu dois extraire toutes les données
-  factuelles des documents de ce projet en utilisant l'outil query_knowledge_base.
-
-  ## Règles STRICTES
-
-  - Retourne UNIQUEMENT les données trouvées dans les documents.
-  - Si une donnée n'est pas trouvée, retourne null.
-  - Ne fais AUCUNE interprétation, calcul, arrondi ou estimation.
-  - Normalise les montants en nombres : "450K €" → 450000, "1,2 M€" → 1200000.
-  - Normalise les surfaces : "120 m²" → 120.
-  - Pour les durées : "18 mois" → 18, "2 ans" → 24.
-  - Ne déduis rien qui ne soit pas explicitement écrit.
-
-  ## Méthode
-
-  Utilise l'outil query_knowledge_base avec le working_dir fourni.
-  Fais plusieurs requêtes thématiques :
-  1. "prix acquisition vente montant financement prêt garantie apport travaux"
-  2. "durée projet calendrier planning mois"
-  3. "surface habitable adresse bien immobilier localisation type appartement maison immeuble"
-  4. "loyer mensuel charges locatives lots unités nombre"
-  5. "année construction étage ascenseur pièces salles bain terrain jardin balcon terrasse DPE"
-  6. "bilan comptable résultat net exercice chiffre affaires"
-  7. "capitaux propres dette endettement ancienneté société création"
-
-  Paramètres recommandés : mode="hybrid", top_k=10.
-
-  ## Format de réponse
-
-  Tu DOIS répondre UNIQUEMENT avec un objet JSON brut, sans markdown, sans commentaire, sans bloc de code.
-  Pas de ```, pas de texte avant ou après. Juste le JSON.
-
-  Tu DOIS utiliser EXACTEMENT ces noms de clés (en anglais), pas de traduction :
-
-  {
-    "financial_project": {
-      "acquisition_price": number|null,
-      "works_cost": number|null,
-      "planned_resale_price": number|null,
-      "personal_contribution": number|null,
-      "loan_amount": number|null,
-      "guarantee_value": number|null,
-      "guarantee_type": string|null,
-      "duration_months": integer|null
-    },
-    "property": {
-      "living_area": number|null,
-      "address": string|null,
-      "property_type": string|null,
-      "monthly_rent_excluding_tax": number|null,
-      "annual_charges": number|null,
-      "presold_units": integer|null,
-      "total_units": integer|null,
-      "lots": string|null,
-      "lots_detail": [{"lot_type": string, "living_area": number}]|null,
-      "building_year": integer|null,
-      "number_of_rooms": integer|null,
-      "condition": string|null,
-      "land_area": number|null,
-      "floor_number": integer|null,
-      "has_lift": boolean|null,
-      "number_of_bathrooms": integer|null,
-      "garden_area": number|null,
-      "balcony_area": number|null,
-      "energy_label": string|null
-    },
-    "company": {
-      "company_years_of_existence": integer|null,
-      "net_result_y1": number|null,
-      "net_result_y2": number|null,
-      "net_result_y3": number|null,
-      "total_debt": number|null,
-      "equity": number|null
-    },
-    "missing_fields": ["groupe.champ", ...]
-  }
-
-mcp_servers:
-  - name: raganything
-    transport: http
-    url: http://raganything-api:8000/mcp/
-    auth_token: ""
diff --git a/agents/real-estate-single-opus.yaml b/agents/real-estate-single-opus.yaml
deleted file mode 100644
index fd87ccd..0000000
--- a/agents/real-estate-single-opus.yaml
+++ /dev/null
@@ -1,89 +0,0 @@
-name: real-estate-single-opus
-model: openai:anthropic/claude-opus-4.6:nitro
-system_prompt: |
-  Tu es un extracteur de données spécialisé dans les documents immobiliers (crowdfunding).
-
-  ## Objectif
-
-  L'utilisateur te donne un identifiant de projet (working_dir). Tu dois extraire toutes les données
-  factuelles des documents de ce projet en utilisant l'outil query_knowledge_base.
-
-  ## Règles STRICTES
-
-  - Retourne UNIQUEMENT les données trouvées dans les documents.
-  - Si une donnée n'est pas trouvée, retourne null.
-  - Ne fais AUCUNE interprétation, calcul, arrondi ou estimation.
-  - Normalise les montants en nombres : "450K €" → 450000, "1,2 M€" → 1200000.
-  - Normalise les surfaces : "120 m²" → 120.
-  - Pour les durées : "18 mois" → 18, "2 ans" → 24.
-  - Ne déduis rien qui ne soit pas explicitement écrit.
-
-  ## Méthode
-
-  Utilise l'outil query_knowledge_base avec le working_dir fourni.
-  Fais plusieurs requêtes thématiques :
-  1. "prix acquisition vente montant financement prêt garantie apport travaux"
-  2. "durée projet calendrier planning mois"
-  3. "surface habitable adresse bien immobilier localisation type appartement maison immeuble"
-  4. "loyer mensuel charges locatives lots unités nombre"
-  5. "année construction étage ascenseur pièces salles bain terrain jardin balcon terrasse DPE"
-  6. "bilan comptable résultat net exercice chiffre affaires"
-  7. "capitaux propres dette endettement ancienneté société création"
-
-  Paramètres recommandés : mode="hybrid", top_k=10.
-
-  ## Format de réponse
-
-  Tu DOIS répondre UNIQUEMENT avec un objet JSON brut, sans markdown, sans commentaire, sans bloc de code.
-  Pas de ```, pas de texte avant ou après. Juste le JSON.
-
-  Tu DOIS utiliser EXACTEMENT ces noms de clés (en anglais), pas de traduction :
-
-  {
-    "financial_project": {
-      "acquisition_price": number|null,
-      "works_cost": number|null,
-      "planned_resale_price": number|null,
-      "personal_contribution": number|null,
-      "loan_amount": number|null,
-      "guarantee_value": number|null,
-      "guarantee_type": string|null,
-      "duration_months": integer|null
-    },
-    "property": {
-      "living_area": number|null,
-      "address": string|null,
-      "property_type": string|null,
-      "monthly_rent_excluding_tax": number|null,
-      "annual_charges": number|null,
-      "presold_units": integer|null,
-      "total_units": integer|null,
-      "lots": string|null,
-      "lots_detail": [{"lot_type": string, "living_area": number}]|null,
-      "building_year": integer|null,
-      "number_of_rooms": integer|null,
-      "condition": string|null,
-      "land_area": number|null,
-      "floor_number": integer|null,
-      "has_lift": boolean|null,
-      "number_of_bathrooms": integer|null,
-      "garden_area": number|null,
-      "balcony_area": number|null,
-      "energy_label": string|null
-    },
-    "company": {
-      "company_years_of_existence": integer|null,
-      "net_result_y1": number|null,
-      "net_result_y2": number|null,
-      "net_result_y3": number|null,
-      "total_debt": number|null,
-      "equity": number|null
-    },
-    "missing_fields": ["groupe.champ", ...]
-  }
-
-mcp_servers:
-  - name: raganything
-    transport: http
-    url: http://raganything-api:8000/mcp/
-    auth_token: ""
diff --git a/agents/research-assistant.yaml b/agents/research-assistant.yaml
deleted file mode 100644
index bdc9813..0000000
--- a/agents/research-assistant.yaml
+++ /dev/null
@@ -1,18 +0,0 @@
-name: research-assistant
-model: "openai:anthropic/claude-haiku-4.5:nitro"
-system_prompt: |
-  You are a research assistant specialized in technical documentation.
-  Always cite your sources and provide structured summaries.
-tools:
-  - "src.infrastructure.deepagent.example_tools:get_user_name"
-  - "src.infrastructure.deepagent.example_tools:get_secret"
-middleware:
-  - filesystem
-backend:
-  type: filesystem
-  root_dir: "./workspace"
-hitl:
-  rules:
-    get_secret: true
-    get_user_name: true
-debug: false
diff --git a/pyproject.toml b/pyproject.toml
index 5affc60..57db886 100644
--- a/pyproject.toml
+++ b/pyproject.toml
@@ -31,13 +31,11 @@ dependencies = [
     "sqlalchemy[asyncio]>=2.0.0",
     "alembic>=1.13.0",
     "cachetools>=7.0.5",
-]
-
-[project.optional-dependencies]
-langfuse = ["langfuse>=2.0.0"]
-phoenix = ["arize-phoenix-otel>=0.1.0", "openinference-instrumentation-langchain>=0.1.0", "arize-phoenix-client>=2.3.0"]
-tracing = ["langfuse>=2.0.0", "arize-phoenix-otel>=0.1.0", "openinference-instrumentation-langchain>=0.1.0", "arize-phoenix-client>=2.3.0"]
+    "arize-phoenix-otel==0.15.0",
+    "openinference-instrumentation-langchain==0.1.62",
+    "arize-phoenix-client==2.3.0",
 
+]
 [dependency-groups]
 dev = [
     "httpx>=0.28.1",
diff --git a/src/alembic/versions/003_drop_is_builtin_column.py b/src/alembic/versions/003_drop_is_builtin_column.py
new file mode 100644
index 0000000..2b22875
--- /dev/null
+++ b/src/alembic/versions/003_drop_is_builtin_column.py
@@ -0,0 +1,23 @@
+"""Drop is_builtin column from agent_configs.
+
+Revision ID: 003
+Revises: 002
+Create Date: 2026-04-12
+"""
+
+from collections.abc import Sequence
+
+from alembic import op
+
+revision: str = "003"
+down_revision: str | None = "002"
+branch_labels: str | Sequence[str] | None = None
+depends_on: str | Sequence[str] | None = None
+
+
+def upgrade() -> None:
+    op.drop_column("agent_configs", "is_builtin")
+
+
+def downgrade() -> None:
+    op.add_column("agent_configs", "is_builtin", nullable=False, server_default="false")
diff --git a/src/application/routes/chat.py b/src/application/routes/chat.py
index b9885e1..e5b8fd3 100644
--- a/src/application/routes/chat.py
+++ b/src/application/routes/chat.py
@@ -48,9 +48,10 @@ async def event_generator():
             async for chunk in use_case.execute(thread_id, body.message):
                 chunk_count += 1
                 yield {"data": chunk}
+            yield {"event": "done", "data": ""}
             logger.info("[thread=%s] Stream complete, %d chunks", thread_id, chunk_count)
         except Exception:
             logger.exception("[thread=%s] Stream error after %d chunks", thread_id, chunk_count)
-            raise
+            yield {"event": "error", "data": "stream_error"}
 
-    return EventSourceResponse(event_generator())
+    return EventSourceResponse(event_generator(), sep="\r\n", ping=15)
diff --git a/src/application/use_cases/create_agent_config.py b/src/application/use_cases/create_agent_config.py
index 50f5a8a..f4b3399 100644
--- a/src/application/use_cases/create_agent_config.py
+++ b/src/application/use_cases/create_agent_config.py
@@ -53,7 +53,6 @@ async def execute(self, name: str, yaml_content: str) -> AgentConfig:
             name=name,
             model=config.model,
             minio_path=f"{name}.yaml",
-            is_builtin=False,
             created_at=now,
             updated_at=now,
         )
diff --git a/src/application/use_cases/delete_agent_config.py b/src/application/use_cases/delete_agent_config.py
index b1b1f93..f16ac8a 100644
--- a/src/application/use_cases/delete_agent_config.py
+++ b/src/application/use_cases/delete_agent_config.py
@@ -1,6 +1,5 @@
 import logging
 
-from src.domain.exceptions import ConfigError
 from src.domain.ports.agent_config_repository import AgentConfigRepository
 from src.domain.ports.agent_config_store import AgentConfigStore
 from src.domain.ports.agent_registry import AgentRegistry
@@ -29,12 +28,8 @@ async def execute(self, name: str) -> None:
 
         Raises:
             AgentNotFoundError: If no agent with this name exists.
-            ConfigError: If the agent is built-in.
         """
-        metadata = await self._config_repository.get(name)
-
-        if metadata.is_builtin:
-            raise ConfigError(f"Cannot delete built-in agent: {name}")
+        await self._config_repository.get(name)
 
         await self._config_store.delete(name)
         await self._config_repository.delete(name)
diff --git a/src/application/use_cases/seed_agents.py b/src/application/use_cases/seed_agents.py
deleted file mode 100644
index 007a37a..0000000
--- a/src/application/use_cases/seed_agents.py
+++ /dev/null
@@ -1,69 +0,0 @@
-import logging
-from datetime import UTC, datetime
-from pathlib import Path
-
-import yaml
-
-from src.domain.entities.agent_config_metadata import AgentConfigMetadata
-from src.domain.ports.agent_config_loader import AgentConfigLoader
-from src.domain.ports.agent_config_repository import AgentConfigRepository
-from src.domain.ports.agent_config_store import AgentConfigStore
-
-logger = logging.getLogger("composable-agents")
-
-
-class SeedAgentsUseCase:
-    """Seed built-in agent configurations from a local directory into persistent storage."""
-
-    def __init__(
-        self,
-        config_loader: AgentConfigLoader,
-        config_store: AgentConfigStore,
-        config_repository: AgentConfigRepository,
-    ) -> None:
-        self._config_loader = config_loader
-        self._config_store = config_store
-        self._config_repository = config_repository
-
-    async def execute(self, agents_dir: Path) -> None:
-        """For each YAML file in agents_dir, upload to MinIO and save metadata if not already present.
-
-        If a YAML references system_prompt_file, the prompt is read from disk and inlined
-        before uploading so that the stored YAML is self-contained.
-
-        Args:
-            agents_dir: Path to the directory containing seed agent YAML files.
-        """
-        if not agents_dir.exists():
-            logger.warning("Agents directory does not exist: %s", agents_dir)
-            return
-
-        for yaml_file in sorted(agents_dir.glob("*.yaml")):
-            agent_name = yaml_file.stem
-
-            if await self._config_repository.exists(agent_name):
-                logger.debug("Agent '%s' already seeded, skipping", agent_name)
-                continue
-
-            config = self._config_loader.load(yaml_file)
-
-            raw = yaml.safe_load(yaml_file.read_text(encoding="utf-8"))
-            if raw.get("system_prompt_file"):
-                raw.pop("system_prompt_file")
-                raw["system_prompt"] = config.system_prompt
-            yaml_content = yaml.dump(raw, default_flow_style=False, allow_unicode=True)
-
-            await self._config_store.put(agent_name, yaml_content)
-
-            now = datetime.now(UTC)
-            metadata = AgentConfigMetadata(
-                name=agent_name,
-                model=config.model,
-                minio_path=f"{agent_name}.yaml",
-                is_builtin=True,
-                created_at=now,
-                updated_at=now,
-            )
-            await self._config_repository.save(metadata)
-
-            logger.info("Seeded built-in agent '%s'", agent_name)
diff --git a/src/application/use_cases/stream_message.py b/src/application/use_cases/stream_message.py
index 792628e..d87591c 100644
--- a/src/application/use_cases/stream_message.py
+++ b/src/application/use_cases/stream_message.py
@@ -37,7 +37,12 @@ async def execute(self, thread_id: str, message: str) -> AsyncGenerator[str, Non
             raise
         elapsed = time.monotonic() - start
         ai_msg = Message(role=MessageRole.AI, content="".join(full_response))
-        await self._threads.add_message(thread_id, ai_msg)
+        try:
+            await self._threads.add_message(thread_id, ai_msg)
+        except Exception:
+            logger.exception(
+                "[thread=%s][agent=%s] Failed to persist AI message after stream", thread_id, thread.agent_name
+            )
         logger.info(
             "[thread=%s][agent=%s] Stream complete, %d chunks, %d chars, elapsed=%.2fs",
             thread_id,
diff --git a/src/application/use_cases/update_agent_config.py b/src/application/use_cases/update_agent_config.py
index 2ce8b93..3dd44fa 100644
--- a/src/application/use_cases/update_agent_config.py
+++ b/src/application/use_cases/update_agent_config.py
@@ -38,13 +38,10 @@ async def execute(self, name: str, yaml_content: str) -> AgentConfig:
 
         Raises:
             AgentNotFoundError: If no agent with this name exists.
-            ConfigError: If the agent is built-in or the name in YAML does not match.
+            ConfigError: If the name in YAML does not match.
         """
         metadata = await self._config_repository.get(name)
 
-        if metadata.is_builtin:
-            raise ConfigError(f"Cannot update built-in agent: {name}")
-
         config = self._config_loader.load_from_string(yaml_content)
 
         if config.name != name:
diff --git a/src/config.py b/src/config.py
index 7275a83..0529c90 100644
--- a/src/config.py
+++ b/src/config.py
@@ -18,7 +18,6 @@ class TracingSettings(BaseSettings):
 
 
 class Settings(BaseSettings):
-    agents_dir: str = "./agents"
     openai_api_key: str | None = None
     host: str = "0.0.0.0"
     port: int = 8000
diff --git a/src/dependencies.py b/src/dependencies.py
index ed816ca..1796253 100644
--- a/src/dependencies.py
+++ b/src/dependencies.py
@@ -1,5 +1,4 @@
 import logging
-from pathlib import Path
 
 from miniopy_async import Minio
 from sqlalchemy.ext.asyncio import AsyncEngine, create_async_engine
@@ -10,7 +9,6 @@
 from src.application.use_cases.get_agent_config import GetAgentConfigUseCase
 from src.application.use_cases.list_agent_configs import ListAgentConfigsUseCase
 from src.application.use_cases.load_agent_config import LoadAgentConfigUseCase
-from src.application.use_cases.seed_agents import SeedAgentsUseCase
 from src.application.use_cases.send_message import SendMessageUseCase
 from src.application.use_cases.stream_message import StreamMessageUseCase
 from src.application.use_cases.thread_management import (
@@ -22,9 +20,9 @@
 from src.application.use_cases.update_agent_config import UpdateAgentConfigUseCase
 from src.config import Settings
 from src.domain.exceptions import StorageError
+from src.domain.ports.agent_registry import AgentRegistry
 from src.domain.ports.prompt_manager import PromptManager
 from src.domain.ports.thread_repository import ThreadRepository
-from src.infrastructure.deepagent.registry import DeepAgentRegistry
 from src.infrastructure.mcp.adapter import LangchainMcpToolLoader
 from src.infrastructure.minio_store.adapter import MinioAgentConfigStore
 from src.infrastructure.persistent_registry.adapter import PersistentAgentRegistry
@@ -93,23 +91,12 @@ def get_prompt_manager() -> PromptManager:
 mcp_tool_loader = LangchainMcpToolLoader()
 tracing_provider = _create_tracing_provider(settings)
 
-# Filesystem-based registry (kept for backward compatibility)
-agent_registry = DeepAgentRegistry(
-    agents_dir=Path(settings.agents_dir),
-    config_loader=agent_config_loader,
-    mcp_tool_loader=mcp_tool_loader,
-    tracing_provider=tracing_provider,
-    prompt_manager=get_prompt_manager(),
-)
-
-agents_dir = settings.agents_dir
-
 # ============= PERSISTENCE (initialized at startup) =============
 
 _async_engine: AsyncEngine | None = None
 _minio_store: MinioAgentConfigStore | None = None
 _pg_repository: PostgresAgentConfigRepository | None = None
-_persistent_registry: PersistentAgentRegistry | None = None
+agent_registry: AgentRegistry | None = None
 thread_repository: ThreadRepository | None = None
 
 
@@ -118,7 +105,7 @@ async def init_persistence() -> None:
 
     Must be called during application startup.
     """
-    global _async_engine, _minio_store, _pg_repository, _persistent_registry, agent_registry, thread_repository
+    global _async_engine, _minio_store, _pg_repository, agent_registry, thread_repository
 
     logger.info("Initializing persistence layer")
 
@@ -145,7 +132,7 @@ async def init_persistence() -> None:
     await _minio_store.ensure_bucket()
     logger.info("MinIO store initialized (bucket=%s)", settings.minio_bucket)
 
-    _persistent_registry = PersistentAgentRegistry(
+    agent_registry = PersistentAgentRegistry(
         config_loader=agent_config_loader,
         config_store=_minio_store,
         config_repository=_pg_repository,
@@ -153,9 +140,8 @@ async def init_persistence() -> None:
         tracing_provider=tracing_provider,
         prompt_manager=get_prompt_manager(),
     )
-    agent_registry = _persistent_registry
 
-    logger.info("Persistence layer initialized, agent_registry switched to PersistentAgentRegistry")
+    logger.info("Persistence layer initialized, agent_registry set to PersistentAgentRegistry")
 
 
 async def close_persistence() -> None:
@@ -163,8 +149,8 @@ async def close_persistence() -> None:
 
     Must be called during application shutdown.
     """
-    if _persistent_registry:
-        await _persistent_registry.close()
+    if agent_registry and isinstance(agent_registry, PersistentAgentRegistry):
+        await agent_registry.close()
         logger.info("Persistent registry closed")
 
     if _async_engine:
@@ -172,22 +158,8 @@ async def close_persistence() -> None:
         logger.info("SQLAlchemy engine disposed")
 
 
-async def seed_builtin_agents() -> None:
-    """Seed built-in agents from the configured agents directory."""
-    if _minio_store is None or _pg_repository is None:
-        logger.warning("Persistence not initialized, skipping seed")
-        return
-
-    seed_use_case = SeedAgentsUseCase(
-        config_loader=agent_config_loader,
-        config_store=_minio_store,
-        config_repository=_pg_repository,
-    )
-    await seed_use_case.execute(agents_dir=Path(settings.agents_dir))
-    logger.info("Built-in agents seeded from %s", settings.agents_dir)
-
+logger.info("Dependencies initialized")
 
-logger.info("Dependencies initialized (agents_dir=%s)", settings.agents_dir)
 
 # ============= USE CASE PROVIDERS =============
 
@@ -199,19 +171,26 @@ def _require_thread_repository() -> ThreadRepository:
     return thread_repository
 
 
+def _require_agent_registry() -> AgentRegistry:
+    """Return agent registry or raise StorageError if not initialized."""
+    if agent_registry is None:
+        raise StorageError("Agent registry not initialized. Check MinIO/PostgreSQL connectivity.")
+    return agent_registry
+
+
 def get_send_message_use_case() -> SendMessageUseCase:
     """Provide a SendMessageUseCase instance."""
-    return SendMessageUseCase(agent_registry, _require_thread_repository())
+    return SendMessageUseCase(_require_agent_registry(), _require_thread_repository())
 
 
 def get_stream_message_use_case() -> StreamMessageUseCase:
     """Provide a StreamMessageUseCase instance."""
-    return StreamMessageUseCase(agent_registry, _require_thread_repository())
+    return StreamMessageUseCase(_require_agent_registry(), _require_thread_repository())
 
 
 def get_create_thread_use_case() -> CreateThreadUseCase:
     """Provide a CreateThreadUseCase instance."""
-    return CreateThreadUseCase(_require_thread_repository(), agent_registry)
+    return CreateThreadUseCase(_require_thread_repository(), _require_agent_registry())
 
 
 def get_get_thread_use_case() -> GetThreadUseCase:
@@ -234,11 +213,6 @@ def get_load_agent_config_use_case() -> LoadAgentConfigUseCase:
     return LoadAgentConfigUseCase(agent_config_loader)
 
 
-def get_agents_dir() -> str:
-    """Provide the configured agents directory path."""
-    return agents_dir
-
-
 def _require_persistence() -> tuple[MinioAgentConfigStore, PostgresAgentConfigRepository]:
     """Return persistence adapters or raise StorageError if not initialized."""
     if _minio_store is None or _pg_repository is None:
@@ -263,7 +237,7 @@ def get_update_agent_config_use_case() -> UpdateAgentConfigUseCase:
         config_loader=agent_config_loader,
         config_store=store,
         config_repository=repo,
-        agent_registry=agent_registry,
+        agent_registry=_require_agent_registry(),
     )
 
 
@@ -273,7 +247,7 @@ def get_delete_agent_config_use_case() -> DeleteAgentConfigUseCase:
     return DeleteAgentConfigUseCase(
         config_store=store,
         config_repository=repo,
-        agent_registry=agent_registry,
+        agent_registry=_require_agent_registry(),
     )
 
 
diff --git a/src/domain/entities/agent_config_metadata.py b/src/domain/entities/agent_config_metadata.py
index 4efc734..d6d79a0 100644
--- a/src/domain/entities/agent_config_metadata.py
+++ b/src/domain/entities/agent_config_metadata.py
@@ -9,6 +9,5 @@ class AgentConfigMetadata(BaseModel):
     name: str
     model: str
     minio_path: str
-    is_builtin: bool = False
     created_at: datetime
     updated_at: datetime
diff --git a/src/infrastructure/database/models/agent_config.py b/src/infrastructure/database/models/agent_config.py
index 16b4339..2f3bb45 100644
--- a/src/infrastructure/database/models/agent_config.py
+++ b/src/infrastructure/database/models/agent_config.py
@@ -1,6 +1,6 @@
 from datetime import datetime
 
-from sqlalchemy import Boolean, DateTime, String
+from sqlalchemy import DateTime, String
 from sqlalchemy.orm import Mapped, mapped_column
 
 from src.infrastructure.database.models.base import Base
@@ -12,6 +12,5 @@ class AgentConfigModel(Base):
     name: Mapped[str] = mapped_column(String(100), primary_key=True)
     model: Mapped[str] = mapped_column(String(200), nullable=False)
     minio_path: Mapped[str] = mapped_column(String(500), nullable=False)
-    is_builtin: Mapped[bool] = mapped_column(Boolean, nullable=False, default=False)
     created_at: Mapped[datetime] = mapped_column(DateTime(timezone=True), nullable=False)
     updated_at: Mapped[datetime] = mapped_column(DateTime(timezone=True), nullable=False)
diff --git a/src/infrastructure/deepagent/registry.py b/src/infrastructure/deepagent/registry.py
deleted file mode 100644
index f3441d6..0000000
--- a/src/infrastructure/deepagent/registry.py
+++ /dev/null
@@ -1,71 +0,0 @@
-import asyncio
-import logging
-from pathlib import Path
-
-from src.domain.exceptions import AgentNotFoundError
-from src.domain.ports.agent_config_loader import AgentConfigLoader
-from src.domain.ports.agent_registry import AgentRegistry
-from src.domain.ports.agent_runner import AgentRunner
-from src.domain.ports.mcp_tool_loader import McpToolLoader
-from src.domain.ports.prompt_manager import PromptManager
-from src.domain.ports.tracing_provider import TracingProvider
-from src.infrastructure.deepagent.adapter import DeepAgentRunner
-from src.infrastructure.deepagent.factory import create_agent_from_config
-
-logger = logging.getLogger("composable-agents")
-
-
-class DeepAgentRegistry(AgentRegistry):
-    """Registre qui cree et cache les agents a la demande depuis un dossier YAML."""
-
-    def __init__(
-        self,
-        agents_dir: Path,
-        config_loader: AgentConfigLoader,
-        mcp_tool_loader: McpToolLoader,
-        tracing_provider: TracingProvider | None = None,
-        prompt_manager: PromptManager | None = None,
-    ) -> None:
-        self._agents_dir = agents_dir
-        self._config_loader = config_loader
-        self._mcp_tool_loader = mcp_tool_loader
-        self._tracing_provider = tracing_provider
-        self._prompt_manager = prompt_manager
-        self._runners: dict[str, AgentRunner] = {}
-        self._lock = asyncio.Lock()
-
-    async def get_runner(self, agent_name: str) -> AgentRunner:
-        if agent_name in self._runners:
-            logger.debug("Agent '%s' loaded from cache", agent_name)
-            return self._runners[agent_name]
-
-        async with self._lock:
-            if agent_name in self._runners:
-                return self._runners[agent_name]
-
-            config_path = self._agents_dir / f"{agent_name}.yaml"
-            if not config_path.exists():
-                logger.error("Agent not found: %s", agent_name)
-                raise AgentNotFoundError(f"Agent not found: {agent_name}")
-
-            logger.info("Building agent '%s' from %s", agent_name, config_path)
-            config = self._config_loader.load(config_path)
-            graph = await create_agent_from_config(config, self._mcp_tool_loader, self._prompt_manager)
-            runner = DeepAgentRunner(graph, tracing_provider=self._tracing_provider)
-            self._runners[agent_name] = runner
-            logger.info("Agent '%s' ready and cached", agent_name)
-            return runner
-
-    async def list_agents(self) -> list[str]:
-        if not self._agents_dir.exists():
-            return []
-        return sorted(f.stem for f in self._agents_dir.glob("*.yaml"))
-
-    async def invalidate(self, agent_name: str) -> None:
-        async with self._lock:
-            self._runners.pop(agent_name, None)
-            logger.info("Invalidated cached agent '%s'", agent_name)
-
-    async def close(self) -> None:
-        logger.info("Closing registry, clearing %d cached agents", len(self._runners))
-        self._runners.clear()
diff --git a/src/infrastructure/postgres_repository/adapter.py b/src/infrastructure/postgres_repository/adapter.py
index 53409c7..98cae95 100644
--- a/src/infrastructure/postgres_repository/adapter.py
+++ b/src/infrastructure/postgres_repository/adapter.py
@@ -17,7 +17,6 @@ def _model_to_metadata(model: AgentConfigModel) -> AgentConfigMetadata:
         name=model.name,
         model=model.model,
         minio_path=model.minio_path,
-        is_builtin=model.is_builtin,
         created_at=model.created_at,
         updated_at=model.updated_at,
     )
@@ -50,7 +49,6 @@ async def save(self, metadata: AgentConfigMetadata) -> None:
                     name=metadata.name,
                     model=metadata.model,
                     minio_path=metadata.minio_path,
-                    is_builtin=metadata.is_builtin,
                     created_at=metadata.created_at,
                     updated_at=metadata.updated_at,
                 )
diff --git a/src/main.py b/src/main.py
index 3cf400d..01d2d2c 100644
--- a/src/main.py
+++ b/src/main.py
@@ -1,8 +1,39 @@
 import asyncio
 import logging
+import sys
 from contextlib import asynccontextmanager
 from pathlib import Path
 
+log_level_name = "INFO"
+log_level = logging.INFO
+
+from src.config import Settings
+
+_settings = Settings()
+log_level_name = _settings.log_level.upper()
+log_level = getattr(logging, log_level_name, logging.INFO)
+
+_handler = logging.StreamHandler(sys.stdout)
+_handler.setFormatter(logging.Formatter("%(asctime)s - %(name)s - %(levelname)s - %(message)s"))
+
+_root = logging.getLogger()
+_root.setLevel(log_level)
+_root.handlers.clear()
+_root.addHandler(_handler)
+
+for _name in (
+    "langchain",
+    "langchain_core",
+    "langchain_community",
+    "langgraph",
+    "openai",
+    "httpx",
+    "httpcore",
+    "alembic",
+    "sqlalchemy",
+):
+    logging.getLogger(_name).setLevel(log_level)
+
 from fastapi import FastAPI, Request
 from fastapi.middleware.cors import CORSMiddleware
 from fastapi.responses import JSONResponse
@@ -13,12 +44,10 @@
 from src.application.routes.prompt import router as prompt_router
 from src.application.routes.threads import router as threads_router
 from src.application.routes.websocket import router as websocket_router
-from src.config import Settings
 from src.dependencies import (
     close_persistence,
     init_persistence,
     mcp_tool_loader,
-    seed_builtin_agents,
     tracing_provider,
 )
 from src.domain.exceptions import (
@@ -33,28 +62,9 @@
     ThreadNotFoundError,
 )
 
-log_level = getattr(logging, Settings().log_level.upper(), logging.INFO)
-
-logging.basicConfig(
-    level=log_level,
-    format="%(asctime)s - %(name)s - %(levelname)s - %(message)s",
-)
-
-for _name in (
-    "langchain",
-    "langchain_core",
-    "langchain_community",
-    "langgraph",
-    "openai",
-    "httpx",
-    "httpcore",
-    "alembic",
-    "sqlalchemy",
-):
-    logging.getLogger(_name).setLevel(log_level)
-
 logger = logging.getLogger("composable-agents")
 
+settings = Settings()
 
 def _run_alembic_upgrade() -> None:
     """Run Alembic migrations to head synchronously.
@@ -80,8 +90,7 @@ async def lifespan(_app: FastAPI):
         await asyncio.to_thread(_run_alembic_upgrade)
         logger.info("Database migrations completed")
         await init_persistence()
-        await seed_builtin_agents()
-        logger.info("Persistence initialized and agents seeded")
+        logger.info("Persistence initialized")
     except Exception:
         logger.exception("Failed to initialize persistence, falling back to filesystem registry")
     logger.info("Application startup complete")
@@ -185,4 +194,4 @@ async def domain_error_handler(_request: Request, exc: DomainError) -> JSONRespo
 if __name__ == "__main__":
     import uvicorn
 
-    uvicorn.run(app, host="0.0.0.0", port=8000)
\ No newline at end of file
+    uvicorn.run(app, host=settings.host, port=settings.port, log_level=settings.log_level.lower(), log_config=None)
\ No newline at end of file
diff --git a/tests/unit/test_agent_crud.py b/tests/unit/test_agent_crud.py
index 3f0b332..263ff03 100644
--- a/tests/unit/test_agent_crud.py
+++ b/tests/unit/test_agent_crud.py
@@ -120,19 +120,6 @@ def existing_metadata(self):
             name="test-agent",
             model="claude-sonnet-4-5-20250929",
             minio_path="agent-configs/test-agent.yaml",
-            is_builtin=False,
-            created_at=now,
-            updated_at=now,
-        )
-
-    @pytest.fixture
-    def builtin_metadata(self):
-        now = datetime.now(UTC)
-        return AgentConfigMetadata(
-            name="builtin-agent",
-            model="claude-sonnet-4-5-20250929",
-            minio_path="agent-configs/builtin-agent.yaml",
-            is_builtin=True,
             created_at=now,
             updated_at=now,
         )
@@ -165,15 +152,6 @@ async def test_update_agent_name_mismatch(self, use_case, mock_repository, exist
         with pytest.raises(ConfigError):
             await use_case.execute(name="test-agent", yaml_content=mismatched_yaml)
 
-    async def test_update_agent_builtin_protected(self, use_case, mock_repository, builtin_metadata):
-        """Should raise ConfigError when trying to update a built-in agent."""
-        mock_repository.get.return_value = builtin_metadata
-
-        builtin_yaml = 'name: builtin-agent\nmodel: claude-sonnet-4-5-20250929\nsystem_prompt: "Modified."\n'
-
-        with pytest.raises(ConfigError, match="built-in"):
-            await use_case.execute(name="builtin-agent", yaml_content=builtin_yaml)
-
 
 class TestDeleteAgentConfigUseCase:
     """Tests for DeleteAgentConfigUseCase."""
@@ -205,19 +183,6 @@ def existing_metadata(self):
             name="test-agent",
             model="claude-sonnet-4-5-20250929",
             minio_path="agent-configs/test-agent.yaml",
-            is_builtin=False,
-            created_at=now,
-            updated_at=now,
-        )
-
-    @pytest.fixture
-    def builtin_metadata(self):
-        now = datetime.now(UTC)
-        return AgentConfigMetadata(
-            name="builtin-agent",
-            model="claude-sonnet-4-5-20250929",
-            minio_path="agent-configs/builtin-agent.yaml",
-            is_builtin=True,
             created_at=now,
             updated_at=now,
         )
@@ -239,13 +204,6 @@ async def test_delete_agent_not_found(self, use_case, mock_repository):
         with pytest.raises(AgentNotFoundError):
             await use_case.execute(name="nonexistent")
 
-    async def test_delete_agent_builtin_protected(self, use_case, mock_repository, builtin_metadata):
-        """Should raise ConfigError when trying to delete a built-in agent."""
-        mock_repository.get.return_value = builtin_metadata
-
-        with pytest.raises(ConfigError, match="built-in"):
-            await use_case.execute(name="builtin-agent")
-
 
 class TestGetAgentConfigUseCase:
     """Tests for GetAgentConfigUseCase."""
@@ -296,7 +254,6 @@ async def test_list_agents_returns_metadata(self, use_case, mock_repository):
                 name="agent-a",
                 model="gpt-4o",
                 minio_path="agent-configs/agent-a.yaml",
-                is_builtin=False,
                 created_at=now,
                 updated_at=now,
             ),
@@ -304,7 +261,6 @@ async def test_list_agents_returns_metadata(self, use_case, mock_repository):
                 name="agent-b",
                 model="claude-sonnet-4-5-20250929",
                 minio_path="agent-configs/agent-b.yaml",
-                is_builtin=True,
                 created_at=now,
                 updated_at=now,
             ),
diff --git a/tests/unit/test_mcp_lifecycle.py b/tests/unit/test_mcp_lifecycle.py
index ddc3ce8..54bada0 100644
--- a/tests/unit/test_mcp_lifecycle.py
+++ b/tests/unit/test_mcp_lifecycle.py
@@ -17,10 +17,6 @@ def test_mcp_tool_loader_is_langchain_instance(self):
         """The module-level mcp_tool_loader is a LangchainMcpToolLoader."""
         assert isinstance(dependencies.mcp_tool_loader, LangchainMcpToolLoader)
 
-    def test_agent_registry_received_mcp_tool_loader(self):
-        """The agent_registry was constructed with the mcp_tool_loader."""
-        assert dependencies.agent_registry._mcp_tool_loader is dependencies.mcp_tool_loader
-
 
 class TestLifespanMcpCleanup:
     """Tests for lifespan MCP cleanup."""
@@ -35,11 +31,10 @@ async def test_lifespan_calls_mcp_tool_loader_close(self, mock_mcp_tool_loader):
             patch("src.main.mcp_tool_loader", mock_mcp_tool_loader),
             patch("src.main.close_persistence", AsyncMock()),
             patch("src.main.init_persistence", AsyncMock()),
-            patch("src.main.seed_builtin_agents", AsyncMock()),
             patch("src.main.tracing_provider", mock_tracing),
         ):
             async with lifespan(None):
-                pass  # enter and exit context to trigger cleanup
+                pass
 
             assert mock_mcp_tool_loader._closed is True
 
@@ -54,12 +49,11 @@ async def test_lifespan_handles_cleanup_gracefully(self):
         with (
             patch("src.main.close_persistence", mock_close_persistence),
             patch("src.main.init_persistence", AsyncMock()),
-            patch("src.main.seed_builtin_agents", AsyncMock()),
             patch("src.main.mcp_tool_loader", mock_mcp),
             patch("src.main.tracing_provider", mock_tracing),
         ):
             async with lifespan(None):
-                pass  # enter and exit context to trigger cleanup
+                pass
 
             mock_close_persistence.assert_awaited_once()
             mock_mcp.close.assert_awaited_once()
diff --git a/tests/unit/test_persistent_registry.py b/tests/unit/test_persistent_registry.py
index fa29fab..006484f 100644
--- a/tests/unit/test_persistent_registry.py
+++ b/tests/unit/test_persistent_registry.py
@@ -105,7 +105,6 @@ async def test_list_agents_queries_repository(self, registry, mock_repository):
                 name="agent-a",
                 model="gpt-4o",
                 minio_path="agent-configs/agent-a.yaml",
-                is_builtin=False,
                 created_at=now,
                 updated_at=now,
             ),
diff --git a/tests/unit/test_postgres_repository.py b/tests/unit/test_postgres_repository.py
index 3736f03..13c0f3a 100644
--- a/tests/unit/test_postgres_repository.py
+++ b/tests/unit/test_postgres_repository.py
@@ -55,7 +55,6 @@ def sample_metadata(self):
             name="test-agent",
             model="claude-sonnet-4-5-20250929",
             minio_path="agent-configs/test-agent.yaml",
-            is_builtin=False,
             created_at=now,
             updated_at=now,
         )
@@ -80,7 +79,6 @@ async def test_get_returns_metadata(self, repository, mock_session):
         model.name = "test-agent"
         model.model = "claude-sonnet-4-5-20250929"
         model.minio_path = "agent-configs/test-agent.yaml"
-        model.is_builtin = False
         model.created_at = now
         model.updated_at = now
 
@@ -113,7 +111,6 @@ async def test_list_all_returns_list(self, repository, mock_session):
         model_a.name = "agent-a"
         model_a.model = "gpt-4o"
         model_a.minio_path = "agent-configs/agent-a.yaml"
-        model_a.is_builtin = False
         model_a.created_at = now
         model_a.updated_at = now
 
@@ -121,7 +118,6 @@ async def test_list_all_returns_list(self, repository, mock_session):
         model_b.name = "agent-b"
         model_b.model = "claude-sonnet-4-5-20250929"
         model_b.minio_path = "agent-configs/agent-b.yaml"
-        model_b.is_builtin = True
         model_b.created_at = now
         model_b.updated_at = now
 
@@ -135,7 +131,6 @@ async def test_list_all_returns_list(self, repository, mock_session):
         assert all(isinstance(m, AgentConfigMetadata) for m in result)
         assert result[0].name == "agent-a"
         assert result[1].name == "agent-b"
-        assert result[1].is_builtin is True
 
     # -- delete ------------------------------------------------------------
 
diff --git a/tests/unit/test_registry.py b/tests/unit/test_registry.py
deleted file mode 100644
index 0740846..0000000
--- a/tests/unit/test_registry.py
+++ /dev/null
@@ -1,205 +0,0 @@
-"""Tests for DeepAgentRegistry.
-
-Uses real YamlAgentConfigLoader with tmp_path (internal).
-Uses AsyncMock for mcp_tool_loader (external).
-Patches create_agent_from_config and DeepAgentRunner (external LLM boundary).
-"""
-
-from unittest.mock import AsyncMock, MagicMock, patch
-
-import pytest
-
-from src.domain.exceptions import AgentNotFoundError
-from src.infrastructure.deepagent.registry import DeepAgentRegistry
-from src.infrastructure.yaml_config.adapter import YamlAgentConfigLoader
-
-
-class TestDeepAgentRegistry:
-    @pytest.fixture
-    def agents_dir(self, tmp_path):
-        """Create a temporary agents directory with YAML files."""
-        d = tmp_path / "agents"
-        d.mkdir()
-        (d / "chatbot.yaml").write_text("name: chatbot")
-        (d / "coder.yaml").write_text("name: coder")
-        return d
-
-    @pytest.fixture
-    def config_loader(self):
-        """Real YamlAgentConfigLoader."""
-        return YamlAgentConfigLoader()
-
-    @pytest.fixture
-    def registry(self, agents_dir, config_loader, mock_mcp_tool_loader):
-        return DeepAgentRegistry(
-            agents_dir=agents_dir,
-            config_loader=config_loader,
-            mcp_tool_loader=mock_mcp_tool_loader,
-        )
-
-    # -- get_runner --------------------------------------------------------
-
-    @patch("src.infrastructure.deepagent.registry.create_agent_from_config", new_callable=AsyncMock)
-    @patch("src.infrastructure.deepagent.registry.DeepAgentRunner")
-    async def test_get_runner_creates_and_returns_runner(self, mock_runner_cls, mock_create, registry):
-        """get_runner should load config, create the graph, wrap it in a runner."""
-        mock_graph = MagicMock()
-        mock_create.return_value = mock_graph
-        mock_runner_instance = MagicMock()
-        mock_runner_cls.return_value = mock_runner_instance
-
-        runner = await registry.get_runner("chatbot")
-
-        assert runner is mock_runner_instance
-        mock_create.assert_awaited_once()
-        mock_runner_cls.assert_called_once_with(mock_graph, tracing_provider=None)
-
-    @patch("src.infrastructure.deepagent.registry.create_agent_from_config", new_callable=AsyncMock)
-    @patch("src.infrastructure.deepagent.registry.DeepAgentRunner")
-    async def test_get_runner_caches_on_second_call(self, mock_runner_cls, mock_create, registry):
-        """get_runner should return the cached runner without recreating."""
-        mock_create.return_value = MagicMock()
-        mock_runner_cls.return_value = MagicMock()
-
-        first = await registry.get_runner("chatbot")
-        second = await registry.get_runner("chatbot")
-
-        assert first is second
-        assert mock_create.await_count == 1, "Factory should only be called once"
-
-    async def test_get_runner_raises_on_unknown_agent(self, registry):
-        """get_runner should raise AgentNotFoundError for missing YAML."""
-        with pytest.raises(AgentNotFoundError, match="Agent not found: unknown"):
-            await registry.get_runner("unknown")
-
-    @patch("src.infrastructure.deepagent.registry.create_agent_from_config", new_callable=AsyncMock)
-    @patch("src.infrastructure.deepagent.registry.DeepAgentRunner")
-    async def test_get_runner_passes_tracing_provider(
-        self, mock_runner_cls, mock_create, agents_dir, config_loader, mock_mcp_tool_loader
-    ):
-        """get_runner should forward the tracing_provider to DeepAgentRunner."""
-        tracing = MagicMock()
-        registry = DeepAgentRegistry(
-            agents_dir=agents_dir,
-            config_loader=config_loader,
-            mcp_tool_loader=mock_mcp_tool_loader,
-            tracing_provider=tracing,
-        )
-        mock_create.return_value = MagicMock()
-        mock_runner_cls.return_value = MagicMock()
-
-        await registry.get_runner("chatbot")
-
-        mock_runner_cls.assert_called_once_with(mock_create.return_value, tracing_provider=tracing)
-
-    @patch("src.infrastructure.deepagent.registry.create_agent_from_config", new_callable=AsyncMock)
-    @patch("src.infrastructure.deepagent.registry.DeepAgentRunner")
-    async def test_get_runner_passes_mcp_tool_loader_to_factory(
-        self, mock_runner_cls, mock_create, registry, mock_mcp_tool_loader
-    ):
-        """create_agent_from_config should receive the mcp_tool_loader."""
-        mock_create.return_value = MagicMock()
-        mock_runner_cls.return_value = MagicMock()
-
-        await registry.get_runner("chatbot")
-
-        _, kwargs = mock_create.call_args
-        assert kwargs.get("mcp_tool_loader") is mock_mcp_tool_loader or (
-            mock_create.call_args.args[1] is mock_mcp_tool_loader
-        )
-
-    # -- list_agents -------------------------------------------------------
-
-    async def test_list_agents_returns_sorted_yaml_stems(self, registry):
-        """list_agents should return sorted stem names of .yaml files."""
-        result = await registry.list_agents()
-        assert result == ["chatbot", "coder"]
-
-    async def test_list_agents_excludes_non_yaml_files(self, agents_dir, config_loader, mock_mcp_tool_loader):
-        """list_agents should ignore files that are not .yaml."""
-        (agents_dir / "notes.txt").write_text("not an agent")
-        (agents_dir / "readme.md").write_text("docs")
-        registry = DeepAgentRegistry(
-            agents_dir=agents_dir,
-            config_loader=config_loader,
-            mcp_tool_loader=mock_mcp_tool_loader,
-        )
-        result = await registry.list_agents()
-        assert result == ["chatbot", "coder"]
-
-    async def test_list_agents_returns_empty_when_dir_missing(self, tmp_path, config_loader, mock_mcp_tool_loader):
-        """list_agents should return [] if agents_dir does not exist."""
-        registry = DeepAgentRegistry(
-            agents_dir=tmp_path / "nonexistent",
-            config_loader=config_loader,
-            mcp_tool_loader=mock_mcp_tool_loader,
-        )
-        result = await registry.list_agents()
-        assert result == []
-
-    async def test_list_agents_returns_empty_when_no_yaml_files(self, tmp_path, config_loader, mock_mcp_tool_loader):
-        """list_agents should return [] if the directory has no .yaml files."""
-        empty_dir = tmp_path / "empty_agents"
-        empty_dir.mkdir()
-        registry = DeepAgentRegistry(
-            agents_dir=empty_dir,
-            config_loader=config_loader,
-            mcp_tool_loader=mock_mcp_tool_loader,
-        )
-        result = await registry.list_agents()
-        assert result == []
-
-    # -- invalidate --------------------------------------------------------
-
-    @patch("src.infrastructure.deepagent.registry.create_agent_from_config", new_callable=AsyncMock)
-    @patch("src.infrastructure.deepagent.registry.DeepAgentRunner")
-    async def test_invalidate_removes_cached_runner(self, mock_runner_cls, mock_create, registry):
-        """After invalidate, get_runner should re-build the agent from scratch."""
-        mock_create.return_value = MagicMock()
-        runner_a = MagicMock()
-        runner_b = MagicMock()
-        mock_runner_cls.side_effect = [runner_a, runner_b]
-
-        first = await registry.get_runner("chatbot")
-        assert first is runner_a
-
-        await registry.invalidate("chatbot")
-        assert "chatbot" not in registry._runners, "Cache entry should be removed"
-
-        second = await registry.get_runner("chatbot")
-        assert second is runner_b
-        assert first is not second
-        assert mock_create.await_count == 2
-
-    # -- close -------------------------------------------------------------
-
-    @patch("src.infrastructure.deepagent.registry.create_agent_from_config", new_callable=AsyncMock)
-    @patch("src.infrastructure.deepagent.registry.DeepAgentRunner")
-    async def test_close_clears_cached_runners(self, mock_runner_cls, mock_create, registry):
-        """close should clear the internal runner cache."""
-        mock_create.return_value = MagicMock()
-        mock_runner_cls.return_value = MagicMock()
-
-        await registry.get_runner("chatbot")
-        assert registry._runners, "Runner should be cached before close"
-
-        await registry.close()
-        assert registry._runners == {}, "Cache should be empty after close"
-
-    @patch("src.infrastructure.deepagent.registry.create_agent_from_config", new_callable=AsyncMock)
-    @patch("src.infrastructure.deepagent.registry.DeepAgentRunner")
-    async def test_close_then_get_runner_recreates(self, mock_runner_cls, mock_create, registry):
-        """After close, get_runner should create the runner again from scratch."""
-        mock_create.return_value = MagicMock()
-        runner_a = MagicMock()
-        runner_b = MagicMock()
-        mock_runner_cls.side_effect = [runner_a, runner_b]
-
-        first = await registry.get_runner("chatbot")
-        await registry.close()
-        second = await registry.get_runner("chatbot")
-
-        assert first is runner_a
-        assert second is runner_b
-        assert first is not second
-        assert mock_create.await_count == 2
diff --git a/tests/unit/test_routes.py b/tests/unit/test_routes.py
index c24fa73..98c4145 100644
--- a/tests/unit/test_routes.py
+++ b/tests/unit/test_routes.py
@@ -2,7 +2,7 @@
 
 Uses real InMemoryThreadRepository and YamlAgentConfigLoader (internal).
 Uses AsyncMock for AgentRunner (external LLM boundary).
-Uses a real DeepAgentRegistry with patched factory for agent creation.
+Uses real PersistentAgentRegistry with mocked store/repository for agent creation.
 """
 
 from datetime import UTC, datetime
@@ -14,26 +14,26 @@
 from src.domain.entities.agent_config_metadata import AgentConfigMetadata
 from src.domain.entities.message import Message, MessageRole, MessageStatus
 from src.domain.exceptions import AgentError
-from src.infrastructure.deepagent.registry import DeepAgentRegistry
+from src.infrastructure.persistent_registry.adapter import PersistentAgentRegistry
 from src.infrastructure.yaml_config.adapter import YamlAgentConfigLoader
 from src.main import app
 from tests.fixtures.in_memory_thread_repository import InMemoryThreadRepository
 
+VALID_YAML = (
+    "name: {name}\n"
+    "model: test-model\n"
+    'system_prompt: "Test prompt."\n'
+    "tools: []\n"
+    "debug: false\n"
+)
+
+AGENTS = ["my-agent", "agent-1", "agent-2", "example-agent", "code-reviewer", "minimal-agent", "research-assistant", "mcp-agent"]
+
 
 @pytest.fixture
-def agents_dir(tmp_path):
-    """Create a temporary agents directory with real YAML files."""
-    d = tmp_path / "agents"
-    d.mkdir()
-    (d / "my-agent.yaml").write_text("name: my-agent")
-    (d / "agent-1.yaml").write_text("name: agent-1")
-    (d / "agent-2.yaml").write_text("name: agent-2")
-    (d / "example-agent.yaml").write_text('name: example-agent\nmodel: "test-model"\nsystem_prompt: "Test prompt."')
-    (d / "code-reviewer.yaml").write_text('name: code-reviewer\nmodel: "test-model"')
-    (d / "minimal.yaml").write_text("name: minimal-agent")
-    (d / "research-assistant.yaml").write_text('name: research-assistant\nmodel: "test-model"')
-    (d / "mcp-agent.yaml").write_text('name: mcp-agent\nmodel: "test-model"\nsystem_prompt: "MCP agent."')
-    return d
+def yaml_store():
+    """In-memory YAML store keyed by agent name."""
+    return {name: VALID_YAML.format(name=name) for name in AGENTS}
 
 
 @pytest.fixture
@@ -72,48 +72,33 @@ def real_loader():
 
 
 @pytest.fixture
-def real_registry(agents_dir, real_loader, mock_mcp_tool_loader):
-    return DeepAgentRegistry(
-        agents_dir=agents_dir,
-        config_loader=real_loader,
-        mcp_tool_loader=mock_mcp_tool_loader,
-    )
-
-
-@pytest.fixture
-def mock_config_store(agents_dir):
-    """AsyncMock for AgentConfigStore that reads from the tmp agents_dir."""
+def mock_config_store(yaml_store):
+    """AsyncMock for AgentConfigStore that reads from the in-memory yaml_store."""
     store = AsyncMock()
 
     async def _get(name):
-        from pathlib import Path
-
-        path = Path(agents_dir) / f"{name}.yaml"
-        if not path.exists():
+        if name not in yaml_store:
             from src.domain.exceptions import AgentNotFoundError
-
             raise AgentNotFoundError(f"Agent config not found: {name}")
-        return path.read_text()
+        return yaml_store[name]
 
     store.get.side_effect = _get
     return store
 
 
 @pytest.fixture
-def mock_config_repository(agents_dir):
-    """AsyncMock for AgentConfigRepository that lists agents from the tmp agents_dir."""
+def mock_config_repository(yaml_store):
+    """AsyncMock for AgentConfigRepository that lists agents from the in-memory store."""
     repo = AsyncMock()
-    from pathlib import Path
 
     now = datetime.now(UTC)
     metadata_list = []
-    for f in sorted(Path(agents_dir).glob("*.yaml")):
+    for name in sorted(yaml_store.keys()):
         metadata_list.append(
             AgentConfigMetadata(
-                name=f.stem,
+                name=name,
                 model="test-model",
-                minio_path=f"{f.stem}.yaml",
-                is_builtin=False,
+                minio_path=f"{name}.yaml",
                 created_at=now,
                 updated_at=now,
             )
@@ -122,25 +107,34 @@ def mock_config_repository(agents_dir):
     return repo
 
 
+@pytest.fixture
+def real_registry(real_loader, mock_config_store, mock_config_repository, mock_mcp_tool_loader):
+    return PersistentAgentRegistry(
+        config_loader=real_loader,
+        config_store=mock_config_store,
+        config_repository=mock_config_repository,
+        mcp_tool_loader=mock_mcp_tool_loader,
+    )
+
+
 @pytest.fixture(autouse=True)
 def _wire_dependencies(
-    real_threads, real_registry, real_loader, agents_dir, mock_runner, mock_config_store, mock_config_repository
+    real_threads, real_registry, real_loader, mock_runner, mock_config_store, mock_config_repository
 ):
     """Wire real internal components + mocked runner into the app dependencies."""
     with (
         patch(
-            "src.infrastructure.deepagent.registry.create_agent_from_config",
+            "src.infrastructure.persistent_registry.adapter.create_agent_from_config",
             new_callable=AsyncMock,
             return_value=MagicMock(),
         ),
         patch(
-            "src.infrastructure.deepagent.registry.DeepAgentRunner",
+            "src.infrastructure.persistent_registry.adapter.DeepAgentRunner",
             return_value=mock_runner,
         ),
         patch("src.dependencies.thread_repository", real_threads),
         patch("src.dependencies.agent_registry", real_registry),
         patch("src.dependencies.agent_config_loader", real_loader),
-        patch("src.dependencies.agents_dir", str(agents_dir)),
         patch("src.dependencies._minio_store", mock_config_store),
         patch("src.dependencies._pg_repository", mock_config_repository),
     ):
diff --git a/tests/unit/test_seed_agents.py b/tests/unit/test_seed_agents.py
deleted file mode 100644
index f00fd98..0000000
--- a/tests/unit/test_seed_agents.py
+++ /dev/null
@@ -1,92 +0,0 @@
-"""Tests for SeedAgentsUseCase.
-
-Mocks AgentConfigStore and AgentConfigRepository (external boundaries).
-Uses real YamlAgentConfigLoader (internal).
-"""
-
-from unittest.mock import AsyncMock
-
-import pytest
-
-from src.application.use_cases.seed_agents import SeedAgentsUseCase
-from src.domain.ports.agent_config_repository import AgentConfigRepository
-from src.domain.ports.agent_config_store import AgentConfigStore
-from src.infrastructure.yaml_config.adapter import YamlAgentConfigLoader
-
-
-class TestSeedAgentsUseCase:
-    """Tests for SeedAgentsUseCase."""
-
-    @pytest.fixture
-    def loader(self):
-        """Real YamlAgentConfigLoader (internal)."""
-        return YamlAgentConfigLoader()
-
-    @pytest.fixture
-    def mock_store(self):
-        return AsyncMock(spec=AgentConfigStore)
-
-    @pytest.fixture
-    def mock_repository(self):
-        return AsyncMock(spec=AgentConfigRepository)
-
-    @pytest.fixture
-    def use_case(self, loader, mock_store, mock_repository):
-        return SeedAgentsUseCase(
-            config_loader=loader,
-            config_store=mock_store,
-            config_repository=mock_repository,
-        )
-
-    @pytest.fixture
-    def agents_dir(self, tmp_path):
-        """Create a temporary agents directory with seed YAML files."""
-        d = tmp_path / "agents"
-        d.mkdir()
-        (d / "chatbot.yaml").write_text(
-            'name: chatbot\nmodel: claude-sonnet-4-5-20250929\nsystem_prompt: "You are a chatbot."\n'
-        )
-        (d / "coder.yaml").write_text(
-            'name: coder\nmodel: claude-sonnet-4-5-20250929\nsystem_prompt: "You are a coding assistant."\n'
-        )
-        return d
-
-    async def test_seed_uploads_new_agents(self, use_case, mock_store, mock_repository, agents_dir):
-        """For each YAML file not in PG, should upload to MinIO and save metadata."""
-        mock_repository.exists.return_value = False
-
-        await use_case.execute(agents_dir=agents_dir)
-
-        # Both agents should be uploaded since neither exists
-        assert mock_store.put.await_count == 2
-        assert mock_repository.save.await_count == 2
-
-    async def test_seed_skips_existing_agents(self, use_case, mock_store, mock_repository, agents_dir):
-        """If agent already exists in PG, should not upload to MinIO."""
-        # chatbot exists, coder does not
-        mock_repository.exists.side_effect = lambda name: name == "chatbot"
-
-        await use_case.execute(agents_dir=agents_dir)
-
-        # Only coder should be uploaded
-        assert mock_store.put.await_count == 1
-        assert mock_repository.save.await_count == 1
-        put_call_name = mock_store.put.call_args[0][0]
-        assert put_call_name == "coder"
-
-    async def test_seed_inlines_system_prompt_file(self, use_case, mock_store, mock_repository, tmp_path):
-        """If YAML references system_prompt_file, should read it and inline the prompt before uploading."""
-        d = tmp_path / "agents_with_prompt"
-        d.mkdir()
-        prompt_file = d / "prompt.md"
-        prompt_file.write_text("You are a specialized agent with inlined prompt.")
-        (d / "prompted-agent.yaml").write_text('name: prompted-agent\nsystem_prompt_file: "./prompt.md"\n')
-        mock_repository.exists.return_value = False
-
-        await use_case.execute(agents_dir=d)
-
-        mock_store.put.assert_awaited_once()
-        # The uploaded YAML content should have the prompt inlined (no system_prompt_file reference)
-        uploaded_content = mock_store.put.call_args[0][1]
-        assert "system_prompt_file" not in uploaded_content
-        assert "You are a specialized agent with inlined prompt." in uploaded_content
diff --git a/tests/unit/test_send_message.py b/tests/unit/test_send_message.py
index 0fa16a9..fb5befb 100644
--- a/tests/unit/test_send_message.py
+++ b/tests/unit/test_send_message.py
@@ -2,7 +2,6 @@
 
 Uses real InMemoryThreadRepository (internal).
 Uses AsyncMock for AgentRunner (external - calls LLM).
-The DeepAgentRegistry is real but with patched factory to avoid LLM calls.
 """
 
 from unittest.mock import AsyncMock, MagicMock
diff --git a/tests/unit/test_thread_management.py b/tests/unit/test_thread_management.py
index 3fe8e4a..1c1cd96 100644
--- a/tests/unit/test_thread_management.py
+++ b/tests/unit/test_thread_management.py
@@ -4,6 +4,9 @@
 Uses AsyncMock for AgentRegistry.get_runner (external dependency boundary).
 """
 
+from datetime import UTC, datetime
+from unittest.mock import AsyncMock
+
 import pytest
 
 from src.application.use_cases.thread_management import (
@@ -12,25 +15,50 @@
     GetThreadUseCase,
     ListThreadsUseCase,
 )
+from src.domain.entities.agent_config_metadata import AgentConfigMetadata
 from src.domain.exceptions import AgentNotFoundError, ThreadNotFoundError
-from src.infrastructure.deepagent.registry import DeepAgentRegistry
+from src.domain.ports.agent_config_repository import AgentConfigRepository
+from src.domain.ports.agent_config_store import AgentConfigStore
+from src.infrastructure.persistent_registry.adapter import PersistentAgentRegistry
 from src.infrastructure.yaml_config.adapter import YamlAgentConfigLoader
 
+VALID_YAML = (
+    "name: test-agent\n"
+    "model: test-model\n"
+    'system_prompt: "Test."\n'
+    "tools: []\n"
+    "debug: false\n"
+)
+
 
 class TestCreateThreadUseCase:
     @pytest.fixture
-    def agents_dir(self, tmp_path):
-        d = tmp_path / "agents"
-        d.mkdir()
-        (d / "test-agent.yaml").write_text("name: test-agent")
-        return d
+    def mock_store(self):
+        store = AsyncMock(spec=AgentConfigStore)
+        store.get.return_value = VALID_YAML
+        return store
 
     @pytest.fixture
-    def registry(self, agents_dir, mock_mcp_tool_loader):
-        """Real DeepAgentRegistry with real YAML files."""
-        return DeepAgentRegistry(
-            agents_dir=agents_dir,
+    def mock_repository(self):
+        repo = AsyncMock(spec=AgentConfigRepository)
+        now = datetime.now(UTC)
+        repo.list_all.return_value = [
+            AgentConfigMetadata(
+                name="test-agent",
+                model="test-model",
+                minio_path="test-agent.yaml",
+                created_at=now,
+                updated_at=now,
+            )
+        ]
+        return repo
+
+    @pytest.fixture
+    def registry(self, mock_store, mock_repository, mock_mcp_tool_loader):
+        return PersistentAgentRegistry(
             config_loader=YamlAgentConfigLoader(),
+            config_store=mock_store,
+            config_repository=mock_repository,
             mcp_tool_loader=mock_mcp_tool_loader,
         )
 
@@ -41,7 +69,10 @@ async def test_create_thread(self, thread_repo, registry):
         assert thread.agent_name == "test-agent"
         assert thread.id is not None
 
-    async def test_create_thread_unknown_agent_raises(self, thread_repo, registry):
+    async def test_create_thread_unknown_agent_raises(self, thread_repo, registry, mock_store):
+        from src.domain.exceptions import AgentNotFoundError as ANF
+
+        mock_store.get.side_effect = ANF("not found")
         use_case = CreateThreadUseCase(thread_repo, registry)
 
         with pytest.raises(AgentNotFoundError):
diff --git a/tests/unit/test_tracing_di.py b/tests/unit/test_tracing_di.py
index 7b2025e..d6182f8 100644
--- a/tests/unit/test_tracing_di.py
+++ b/tests/unit/test_tracing_di.py
@@ -19,7 +19,7 @@ def test_default_settings_create_noop_provider(self, monkeypatch):
         monkeypatch.delenv("PROVIDER", raising=False)
         
         tracing = TracingSettings(provider="none", enabled=False)
-        settings = Settings(agents_dir="./agents", tracing=tracing)
+        settings = Settings(tracing=tracing)
         provider = _create_tracing_provider(settings)
 
         assert isinstance(provider, NoopTracingProvider)
@@ -28,7 +28,7 @@ def test_disabled_langfuse_creates_noop_provider(self, monkeypatch):
         """When langfuse is disabled, _create_tracing_provider returns NoopTracingProvider."""
     
         tracing = TracingSettings(provider="langfuse", enabled=False)
-        settings = Settings(agents_dir="./agents", tracing=tracing)
+        settings = Settings(tracing=tracing)
         provider = _create_tracing_provider(settings)
 
         assert isinstance(provider, NoopTracingProvider)
@@ -37,7 +37,7 @@ def test_disabled_phoenix_creates_noop_provider(self, monkeypatch):
         """When phoenix is disabled, _create_tracing_provider returns NoopTracingProvider."""
         
         tracing = TracingSettings(provider="phoenix", enabled=False)
-        settings = Settings(agents_dir="./agents", tracing=tracing)
+        settings = Settings(tracing=tracing)
         provider = _create_tracing_provider(settings)
 
         assert isinstance(provider, NoopTracingProvider)
@@ -46,7 +46,7 @@ def test_unknown_provider_creates_noop(self, monkeypatch):
         """When provider is unknown, _create_tracing_provider returns NoopTracingProvider."""
         
         tracing = TracingSettings(provider="unknown", enabled=True)
-        settings = Settings(agents_dir="./agents", tracing=tracing)
+        settings = Settings(tracing=tracing)
         provider = _create_tracing_provider(settings)
 
         assert isinstance(provider, NoopTracingProvider)
\ No newline at end of file
diff --git a/tests/unit/test_tracing_lifecycle.py b/tests/unit/test_tracing_lifecycle.py
index 94db9f9..5ba9960 100644
--- a/tests/unit/test_tracing_lifecycle.py
+++ b/tests/unit/test_tracing_lifecycle.py
@@ -3,44 +3,46 @@
 Uses mock_tracing_provider for verifying flush/shutdown calls (external).
 """
 
-from unittest.mock import AsyncMock, patch
-
 
 class TestTracingLifecycle:
     async def test_lifespan_calls_tracing_flush(self, mock_tracing_provider):
         """Lifespan shutdown calls flush() on the tracing_provider."""
+        from unittest.mock import AsyncMock, patch
+
         from src.main import lifespan
 
         with (
             patch("src.main.close_persistence", AsyncMock()),
             patch("src.main.init_persistence", AsyncMock()),
-            patch("src.main.seed_builtin_agents", AsyncMock()),
             patch("src.main.mcp_tool_loader", AsyncMock()),
             patch("src.main.tracing_provider", mock_tracing_provider),
         ):
             async with lifespan(None):
-                pass  # enter and exit context to trigger cleanup
+                pass
 
             mock_tracing_provider.flush.assert_awaited_once()
 
     async def test_lifespan_calls_tracing_shutdown(self, mock_tracing_provider):
         """Lifespan shutdown calls shutdown() on the tracing_provider."""
+        from unittest.mock import AsyncMock, patch
+
         from src.main import lifespan
 
         with (
             patch("src.main.close_persistence", AsyncMock()),
             patch("src.main.init_persistence", AsyncMock()),
-            patch("src.main.seed_builtin_agents", AsyncMock()),
             patch("src.main.mcp_tool_loader", AsyncMock()),
             patch("src.main.tracing_provider", mock_tracing_provider),
         ):
             async with lifespan(None):
-                pass  # enter and exit context to trigger cleanup
+                pass
 
             mock_tracing_provider.shutdown.assert_awaited_once()
 
     async def test_lifespan_flush_before_shutdown(self, mock_tracing_provider):
         """Lifespan calls flush() before shutdown() on the tracing_provider."""
+        from unittest.mock import AsyncMock, patch
+
         from src.main import lifespan
 
         call_order = []
@@ -62,11 +64,10 @@ async def track_shutdown():
         with (
             patch("src.main.close_persistence", AsyncMock()),
             patch("src.main.init_persistence", AsyncMock()),
-            patch("src.main.seed_builtin_agents", AsyncMock()),
             patch("src.main.mcp_tool_loader", AsyncMock()),
             patch("src.main.tracing_provider", mock_tracing_provider),
         ):
             async with lifespan(None):
-                pass  # enter and exit context to trigger cleanup
+                pass
 
             assert call_order == ["flush", "shutdown"]
diff --git a/tests/unit/test_yaml_loader.py b/tests/unit/test_yaml_loader.py
index 981a11a..7a52941 100644
--- a/tests/unit/test_yaml_loader.py
+++ b/tests/unit/test_yaml_loader.py
@@ -118,18 +118,3 @@ def test_load_from_string_with_system_prompt_file(self, loader):
         yaml_content = 'name: test-agent\nsystem_prompt_file: "./prompt.md"\n'
         with pytest.raises(ConfigError, match="system_prompt_file"):
             loader.load_from_string(yaml_content)
-
-    # -- load (file-based, existing tests) ---------------------------------
-
-    def test_loads_real_estate_extractor(self, loader):
-        """Verify real-estate-extractor.yaml loads with subagents, response_format, and MCP servers."""
-        config = loader.load("agents/real-estate-extractor.yaml")
-        assert config.name == "real-estate-extractor"
-        assert len(config.subagents) == 3
-
-        for sa in config.subagents:
-            assert sa.response_format is not None
-            assert sa.response_format["type"] == "object"
-            assert "properties" in sa.response_format
-            assert len(sa.mcp_servers) == 1
-            assert sa.mcp_servers[0].name == "raganything"
diff --git a/uv.lock b/uv.lock
index 3fd7aab..aa1ed17 100644
--- a/uv.lock
+++ b/uv.lock
@@ -1,5 +1,5 @@
 version = 1
-revision = 3
+revision = 2
 requires-python = ">=3.11"
 resolution-markers = [
     "python_full_version >= '3.14'",
@@ -270,7 +270,7 @@ wheels = [
 
 [[package]]
 name = "arize-phoenix-otel"
-version = "0.14.0"
+version = "0.15.0"
 source = { registry = "https://pypi.org/simple" }
 dependencies = [
     { name = "openinference-instrumentation" },
@@ -282,9 +282,9 @@ dependencies = [
     { name = "typing-extensions" },
     { name = "wrapt" },
 ]
-sdist = { url = "https://files.pythonhosted.org/packages/7c/17/ebd502f1bd8a0a6087ea28be8de8b765bcf34fb1b9bc4d6fd6d91bd822f1/arize_phoenix_otel-0.14.0.tar.gz", hash = "sha256:ad1368f0f52c242591ec554cedeccf718abda81383cf8c8d3ade218a7b20b955", size = 20155, upload-time = "2025-11-19T19:48:29.447Z" }
+sdist = { url = "https://files.pythonhosted.org/packages/f5/f0/b254118db28a2a202573472be67cf61f09cb37912bfde45b27ddc1c5b71f/arize_phoenix_otel-0.15.0.tar.gz", hash = "sha256:56c7dae09aaaa80df9e9595b7384c1bd4054b69b6032ab18e3a110a59b488388", size = 20254, upload-time = "2026-03-02T20:19:04.112Z" }
 wheels = [
-    { url = "https://files.pythonhosted.org/packages/c0/be/e7ddb54c4ad6115d2d468b71e90d7a2718735fd217f05c50759799191bfe/arize_phoenix_otel-0.14.0-py3-none-any.whl", hash = "sha256:47bf5563b9342a931385a16609ca83ada44d56a00bf6ed3be199226792b9937f", size = 17708, upload-time = "2025-11-19T19:48:28.252Z" },
+    { url = "https://files.pythonhosted.org/packages/e4/4d/70d9c9d7137cc2e2aad819932172ef13ce21b4e60bf258910b9f15e426af/arize_phoenix_otel-0.15.0-py3-none-any.whl", hash = "sha256:5ff4d03b52d2dbd9c2a234417848f6b171cd220dc3c4020cf3568be84b89b88b", size = 17697, upload-time = "2026-03-02T20:19:03.242Z" },
 ]
 
 [[package]]
@@ -344,15 +344,6 @@ wheels = [
     { url = "https://files.pythonhosted.org/packages/3a/2a/7cc015f5b9f5db42b7d48157e23356022889fc354a2813c15934b7cb5c0e/attrs-25.4.0-py3-none-any.whl", hash = "sha256:adcf7e2a1fb3b36ac48d97835bb6d8ade15b8dcce26aba8bf1d14847b57a3373", size = 67615, upload-time = "2025-10-06T13:54:43.17Z" },
 ]
 
-[[package]]
-name = "backoff"
-version = "2.2.1"
-source = { registry = "https://pypi.org/simple" }
-sdist = { url = "https://files.pythonhosted.org/packages/47/d7/5bbeb12c44d7c4f2fb5b56abce497eb5ed9f34d85701de869acedd602619/backoff-2.2.1.tar.gz", hash = "sha256:03f829f5bb1923180821643f8753b0502c3b682293992485b0eef2807afa5cba", size = 17001, upload-time = "2022-10-05T19:19:32.061Z" }
-wheels = [
-    { url = "https://files.pythonhosted.org/packages/df/73/b6e24bd22e6720ca8ee9a85a0c4a2971af8497d8f3193fa05390cbd46e09/backoff-2.2.1-py3-none-any.whl", hash = "sha256:63579f9a0628e06278f7e47b7d7d5b6ce20dc65c5e96a6f3ca99a6adca0396e8", size = 15148, upload-time = "2022-10-05T19:19:30.546Z" },
-]
-
 [[package]]
 name = "bracex"
 version = "2.6"
@@ -550,6 +541,8 @@ version = "0.1.0"
 source = { editable = "." }
 dependencies = [
     { name = "alembic" },
+    { name = "arize-phoenix-client" },
+    { name = "arize-phoenix-otel" },
     { name = "asyncpg" },
     { name = "cachetools" },
     { name = "cryptography" },
@@ -560,6 +553,7 @@ dependencies = [
     { name = "langchain-openai" },
     { name = "langgraph" },
     { name = "miniopy-async" },
+    { name = "openinference-instrumentation-langchain" },
     { name = "pyasn1" },
     { name = "pydantic" },
     { name = "pydantic-settings" },
@@ -571,22 +565,6 @@ dependencies = [
     { name = "uvicorn", extra = ["standard"] },
 ]
 
-[package.optional-dependencies]
-langfuse = [
-    { name = "langfuse" },
-]
-phoenix = [
-    { name = "arize-phoenix-client" },
-    { name = "arize-phoenix-otel" },
-    { name = "openinference-instrumentation-langchain" },
-]
-tracing = [
-    { name = "arize-phoenix-client" },
-    { name = "arize-phoenix-otel" },
-    { name = "langfuse" },
-    { name = "openinference-instrumentation-langchain" },
-]
-
 [package.dev-dependencies]
 dev = [
     { name = "httpx" },
@@ -600,10 +578,8 @@ dev = [
 [package.metadata]
 requires-dist = [
     { name = "alembic", specifier = ">=1.13.0" },
-    { name = "arize-phoenix-client", marker = "extra == 'phoenix'", specifier = ">=2.3.0" },
-    { name = "arize-phoenix-client", marker = "extra == 'tracing'", specifier = ">=2.3.0" },
-    { name = "arize-phoenix-otel", marker = "extra == 'phoenix'", specifier = ">=0.1.0" },
-    { name = "arize-phoenix-otel", marker = "extra == 'tracing'", specifier = ">=0.1.0" },
+    { name = "arize-phoenix-client", specifier = "==2.3.0" },
+    { name = "arize-phoenix-otel", specifier = "==0.15.0" },
     { name = "asyncpg", specifier = ">=0.30.0" },
     { name = "cachetools", specifier = ">=7.0.5" },
     { name = "cryptography", specifier = ">=46.0.5" },
@@ -612,12 +588,9 @@ requires-dist = [
     { name = "langchain-core", specifier = ">=1.2.22" },
     { name = "langchain-mcp-adapters", specifier = ">=0.1.0" },
     { name = "langchain-openai", specifier = ">=1.1.7" },
-    { name = "langfuse", marker = "extra == 'langfuse'", specifier = ">=2.0.0" },
-    { name = "langfuse", marker = "extra == 'tracing'", specifier = ">=2.0.0" },
     { name = "langgraph", specifier = ">=1.0.10" },
     { name = "miniopy-async", specifier = ">=1.21.0" },
-    { name = "openinference-instrumentation-langchain", marker = "extra == 'phoenix'", specifier = ">=0.1.0" },
-    { name = "openinference-instrumentation-langchain", marker = "extra == 'tracing'", specifier = ">=0.1.0" },
+    { name = "openinference-instrumentation-langchain", specifier = "==0.1.62" },
     { name = "pyasn1", specifier = ">=0.6.3" },
     { name = "pydantic", specifier = ">=2.12.5" },
     { name = "pydantic-settings", specifier = ">=2.12.0" },
@@ -628,7 +601,6 @@ requires-dist = [
     { name = "sse-starlette", specifier = ">=3.2.0" },
     { name = "uvicorn", extras = ["standard"], specifier = ">=0.40.0" },
 ]
-provides-extras = ["langfuse", "phoenix", "tracing"]
 
 [package.metadata.requires-dev]
 dev = [
@@ -1457,27 +1429,6 @@ wheels = [
     { url = "https://files.pythonhosted.org/packages/64/a1/50e7596aca775d8c3883eceeaf47489fac26c57c1abe243c00174f715a8a/langchain_openai-1.1.7-py3-none-any.whl", hash = "sha256:34e9cd686aac1a120d6472804422792bf8080a2103b5d21ee450c9e42d053815", size = 84753, upload-time = "2026-01-07T19:44:58.629Z" },
 ]
 
-[[package]]
-name = "langfuse"
-version = "3.13.0"
-source = { registry = "https://pypi.org/simple" }
-dependencies = [
-    { name = "backoff" },
-    { name = "httpx" },
-    { name = "openai" },
-    { name = "opentelemetry-api" },
-    { name = "opentelemetry-exporter-otlp-proto-http" },
-    { name = "opentelemetry-sdk" },
-    { name = "packaging" },
-    { name = "pydantic" },
-    { name = "requests" },
-    { name = "wrapt" },
-]
-sdist = { url = "https://files.pythonhosted.org/packages/24/d0/744e5613c728427330ac2049da0f54fc313e8bf84622f71b025bfba65496/langfuse-3.13.0.tar.gz", hash = "sha256:dacea8111ca4442e97dbfec4f8d676cf9709b35357a26e468f8887b95de0012f", size = 233420, upload-time = "2026-02-06T19:54:14.415Z" }
-wheels = [
-    { url = "https://files.pythonhosted.org/packages/3d/63/148382e8e79948f7e5c9c137288e504bb88117574eb7e7c886b4fb470b4b/langfuse-3.13.0-py3-none-any.whl", hash = "sha256:71912ddac1cc831a65df895eae538a556f564c094ae51473e747426e9ded1a9d", size = 417626, upload-time = "2026-02-06T19:54:12.547Z" },
-]
-
 [[package]]
 name = "langgraph"
 version = "1.1.3"
@@ -1945,7 +1896,7 @@ wheels = [
 
 [[package]]
 name = "openinference-instrumentation-langchain"
-version = "0.1.58"
+version = "0.1.62"
 source = { registry = "https://pypi.org/simple" }
 dependencies = [
     { name = "openinference-instrumentation" },
@@ -1955,9 +1906,9 @@ dependencies = [
     { name = "opentelemetry-semantic-conventions" },
     { name = "wrapt" },
 ]
-sdist = { url = "https://files.pythonhosted.org/packages/7b/f7/ed82c3d146ca6f1b62dabb2e01fbee782a75245d694b23bc90232366dac7/openinference_instrumentation_langchain-0.1.58.tar.gz", hash = "sha256:36a1b1ad162c4e356bd28257173ee3171ad7788a96089553512c6288fa9a0f1c", size = 75239, upload-time = "2026-01-06T23:50:16.243Z" }
+sdist = { url = "https://files.pythonhosted.org/packages/03/02/4c17a89ac11a539eb6d8a31dce6484e880d104cc772d823bef9b9135267a/openinference_instrumentation_langchain-0.1.62.tar.gz", hash = "sha256:6bbfc59de52082ec0b464ed88361d2c8deb4e3c22bc4ad36d0c9f46154723cef", size = 75564, upload-time = "2026-04-03T21:41:12.512Z" }
 wheels = [
-    { url = "https://files.pythonhosted.org/packages/e2/10/df4805c99e9b17fdd4496b080788340dd09ebc436dd5073e54a1c2633a04/openinference_instrumentation_langchain-0.1.58-py3-none-any.whl", hash = "sha256:9dd2e0b201131e53d9e520624ef4eea6268c08faab1dc10d64b52c60b5169d91", size = 24396, upload-time = "2026-01-06T23:50:14.022Z" },
+    { url = "https://files.pythonhosted.org/packages/73/87/e7c41028b3c3ddfd89325d03571e640b54522ab235cdca2a14a14c61ed00/openinference_instrumentation_langchain-0.1.62-py3-none-any.whl", hash = "sha256:6fcf128c4f5d2e5ed353a728ae9af58b0903f9eb40f0c28a58e81319b1b91195", size = 24761, upload-time = "2026-04-03T21:41:11.159Z" },
 ]
 
 [[package]]