Anonymisez n'importe quel document
avant de parler à une IA.

Intègre lexform dans ce projet pour anonymiser tout document
ou texte avant envoi à un LLM (OpenAI, Anthropic, Mistral, etc.).

API
  POST https://lexform.zevra.tech/api/anonymize
  Content-Type: multipart/form-data
  Body: file=<binary>           (PDF, DOCX, TXT, MD, max 30 Mo)
        kinds=COMPANY,PERSON…   (optionnel)

  Auth : session lexform requise (cookie) — connexion via campus.zevra.tech.
  Quota : 20 pages gratuites/mois (1 token = 1 mot), puis 402 quota_exceeded.

  Réponse 200 OK :
  {
    "markdown":  "<contenu anonymisé>",
    "mapping":   { "COMPANY_1": "Acme SAS", "PERSON_1": "Jean Dupont", ... },
    "quota":     { "pagesUsed": N, "pagesLimit": 20, "pagesRemaining": N, "tokensUsed": N },
    "stats":     { "entities": N, "uniqueEntities": N, "tokens": N, "ms": N, "nerActive": true }
  }

Tâches
  1. Crée un module `lib/lexform.ts` (ou équivalent dans le langage du
     projet) exposant deux fonctions :
       anonymize(input: File | Buffer | string) → { markdown, mapping }
       deanonymize(text: string, mapping: Record<string,string>) → string
  2. Identifie chaque appel sortant vers un LLM dans la codebase.
     Avant l'appel : remplace le payload utilisateur par sa version
     anonymisée. Après la réponse : applique deanonymize() au texte
     retourné par le LLM en utilisant la mapping table.
  3. Ne persiste JAMAIS la mapping table en base ou dans les logs.
     Garde-la en mémoire le temps de la requête, jette-la ensuite.
  4. Adapte le style de code à celui du projet (TS strict / async /
     gestion d'erreurs cohérente avec le reste).

Tests
  - Smoke test sur un document avec entités connues, vérifier que la
    réponse du LLM ré-injecte correctement les vraies valeurs après
    deanonymize.
  - Vérifier qu'aucune valeur originale n'apparaît dans les logs ni
    dans les payloads sortants vers le LLM.