# Dépannage

> Correctifs pour les problèmes courants de PentAGI : un flow qui échoue dès son premier appel de modèle, des erreurs du tool-call parser, des avertissements de l’installateur macOS et des modèles de petite taille bloqués.

Commencez par examiner les journaux des deux extrémités de la connexion : `docker compose logs -f pentagi` pour PentAGI ainsi que ceux de votre backend de modèle ou de votre proxy.

## [Un flow échoue avec « failed to select primary docker image via llm call »](https://pentagi.com/fr/docs/deployment/troubleshooting/#a-flow-fails-with-failed-to-select-primary-docker-image-via-llm-call)

La première action d'un [flow](https://pentagi.com/fr/docs/glossary/#flow) consiste à demander au modèle de choisir une image Docker, via l'[agent type](https://pentagi.com/fr/docs/glossary/#agent-type) `simple`. Cette erreur indique presque toujours un problème au niveau du backend de modèle, et non de Docker :

1. Vérifiez les journaux de PentAGI et ceux de votre backend de modèle.
2. Assurez-vous que l'URL de base, la clé API et le nom du modèle sont corrects et accessibles depuis le conteneur.
3. Cet appel n’envoie aucun [tool](https://pentagi.com/fr/docs/glossary/#tool), donc il échoue au niveau de la connexion, de la clé ou du modèle, et non pas au niveau des [tool calls](https://pentagi.com/fr/docs/glossary/#tool-call) : vérifiez que le modèle de l’`simple` [agent](https://pentagi.com/fr/docs/glossary/#agent) répond à une requête de chat simple. Un tool-call parser manquant apparaîtra plus tard, lorsque les agents commenceront à appeler des tools.

## [Erreurs de tool-call parser avec des modèles auto-hébergés](https://pentagi.com/fr/docs/deployment/troubleshooting/#tool-call-parser-errors-with-self-hosted-models)

PentAGI pilote les agents à l’aide de tool calls ; un backend personnalisé doit donc renvoyer un JSON de tool call conforme au format OpenAI. Les symptômes d'un tool-call parser absent ou inadapté incluent `Failed to parse tool call arguments as JSON`, des flows qui s'arrêtent après quelques étapes et des tool calls qui bouclent sans converger.

* Activez le tool-call parser et le template de chat recommandés pour le modèle que vous servez dans llama.cpp, SGLang ou vLLM.
* Validez le [provider](https://pentagi.com/fr/docs/glossary/#provider) avec l'utilitaire `ctester` avant d'exécuter un flow complet.
* Mettez à jour PentAGI : les versions récentes nettoient les arguments mal formés afin qu'une seule réponse incorrecte ne bloque plus un flow.

## [macOS signale l'installateur](https://pentagi.com/fr/docs/deployment/troubleshooting/#macos-flags-the-installer)

Les versions macOS sont signées et notariées. Si macOS vous avertit toujours au sujet de l’installateur, ne contournez pas cet avertissement avec **Ouvrir quand même** : supprimez le fichier et téléchargez à nouveau l’archive correspondant à votre processeur depuis les liens officiels — `darwin/amd64` pour Intel, `darwin/arm64` pour Apple silicon. Ne réutilisez jamais une archive provenant d'une source non officielle.

## [Les petits modèles se bloquent](https://pentagi.com/fr/docs/deployment/troubleshooting/#smaller-models-get-stuck)

Activez la [surveillance de l'exécution et la planification de task](https://pentagi.com/fr/docs/concepts/agents/#safeguards) et attribuez à l'agent `adviser` un modèle plus performant ou un paramètre de raisonnement plus élevé.

## [Toujours bloqué ?](https://pentagi.com/fr/docs/deployment/troubleshooting/#still-stuck)

Posez votre question sur [Discord](https://discord.gg/2xrMh7qX6m) ou [ouvrez un ticket](https://github.com/vxcontrol/pentagi/issues) en incluant les lignes de journal pertinentes.