Rag fonctionnel

app.py

@@ -1,63 +1,127 @@
 import gradio as gr
 from huggingface_hub import InferenceClient
+import os
+import cohere
+import pickle
+from annoy import AnnoyIndex
 
-"""
-For more information on `huggingface_hub` Inference API support, please check the docs: https://huggingface.co/docs/huggingface_hub/v0.22.2/en/guides/inference
-"""
-client = InferenceClient("HuggingFaceH4/zephyr-7b-beta")
-
-
-def respond(
-    message,
-    history: list[tuple[str, str]],
-    system_message,
-    max_tokens,
-    temperature,
-    top_p,
-):
-    messages = [{"role": "system", "content": system_message}]
-
-    for val in history:
-        if val[0]:
-            messages.append({"role": "user", "content": val[0]})
-        if val[1]:
-            messages.append({"role": "assistant", "content": val[1]})
-
-    messages.append({"role": "user", "content": message})
-
-    response = ""
-
-    for message in client.chat_completion(
-        messages,
-        max_tokens=max_tokens,
-        stream=True,
-        temperature=temperature,
-        top_p=top_p,
-    ):
-        token = message.choices[0].delta.content
-
-        response += token
-        yield response
-
-"""
-For information on how to customize the ChatInterface, peruse the gradio docs: https://www.gradio.app/docs/chatinterface
-"""
-demo = gr.ChatInterface(
-    respond,
-    additional_inputs=[
-        gr.Textbox(value="You are a friendly Chatbot.", label="System message"),
-        gr.Slider(minimum=1, maximum=2048, value=512, step=1, label="Max new tokens"),
-        gr.Slider(minimum=0.1, maximum=4.0, value=0.7, step=0.1, label="Temperature"),
-        gr.Slider(
-            minimum=0.1,
-            maximum=1.0,
-            value=0.95,
-            step=0.05,
-            label="Top-p (nucleus sampling)",
-        ),
-    ],
-)
-
-
-if __name__ == "__main__":
-    demo.launch()
+HF_TOKEN = os.getenv("HUGGINGFACE_TOKEN")
+
+client = InferenceClient(token=HF_TOKEN)
+system_message = """Tu es un assistant juridique spécialisé dans le Code de l'éducation français. 
+Ta mission est d'aider les utilisateurs à comprendre la législation en répondant à leurs questions.
+
+Voici comment tu dois procéder :
+
+1. **Analyse de la question:** Lis attentivement la question de l'utilisateur.
+2. **Identification des articles pertinents:** Examine les 10 articles de loi fournis et sélectionne ceux qui sont les plus pertinents pour répondre à la question.
+3. **Formulation de la réponse:** Rédige une réponse claire et concise en français, en utilisant les informations des articles sélectionnés. Cite explicitement les articles que tu utilises (par exemple, "Selon l'article L311-3...").
+4. **Structure de la réponse:** Si ta réponse s'appuie sur plusieurs articles, structure-la de manière logique, en séparant les informations provenant de chaque article.
+5. **Cas ambigus:** 
+   * Si la question est trop vague, demande des précisions à l'utilisateur.
+   * Si plusieurs articles pourraient s'appliquer, présente les différentes
+   interprétations possibles."""
+
+co = cohere.Client(os.getenv("COHERE_API_KEY"))
+articles = pickle.load(open('articles.pkl', 'rb'))
+#embeds = pickle.load(open('articles_embeds.pkl', 'rb'))
+#embeds_path = pickle.load(open('articles_path_embeds.pkl', 'rb'))
+search_index = AnnoyIndex(1024, 'angular')
+search_index.load('articles_embeds.ann')
+search_index_path = AnnoyIndex(1024, 'angular')
+search_index_path.load('articles_path_embeds.ann')
+
+system_prompt = """Tu es un assistant juridique spécialisé dans le Code de l'éducation français. 
+Ta mission est d'aider les utilisateurs à comprendre la législation en répondant à leurs questions.
+
+Voici comment tu dois procéder :
+
+1. **Analyse de la question:** Lis attentivement la question de l'utilisateur.
+2. **Identification des articles pertinents:** Examine les 10 articles de loi fournis et sélectionne ceux qui sont les plus pertinents pour répondre à la question.
+3. **Formulation de la réponse:** Rédige une réponse claire et concise en français, en utilisant les informations des articles sélectionnés. Cite explicitement les articles que tu utilises (par exemple, "Selon l'article L311-3...").
+4. **Structure de la réponse:** Si ta réponse s'appuie sur plusieurs articles, structure-la de manière logique, en séparant les informations provenant de chaque article.
+5. **Cas ambigus:** 
+* Si la question est trop vague, demande des précisions à l'utilisateur.
+* Si plusieurs articles pourraient s'appliquer, présente les différentes interprétations possibles."""
+
+
+def query_rag(query, model, with_paths=True):
+    # Get the query's embedding
+    query_embed = co.embed(texts=[query],
+                  model="embed-multilingual-v3.0",
+                  input_type="search_document").embeddings
+
+    # Retrieve the nearest neighbors
+    index = search_index
+    if with_paths:
+        index = search_index_path
+    similar_item_ids = index.get_nns_by_vector(query_embed[0],10,
+                include_distances=True)
+
+    article_dict = {}
+    context_list = []
+    for i in reversed(similar_item_ids[0]):
+        article = articles[i]
+        context_list.append(article['path']+'\n'+article['text']+'\n---\n')
+        article_dict[article['article']] = '**' + article['path'] + '** ' + article['text']
+
+    user = 'Question de l\'utilisateur : ' + query + '\nContexte législatif :\n' + '\n'.join(context_list)
+    messages = [ { "role" : "system", "content" : system_prompt } ]
+    messages.append( { "role" : "user", "content" : user } )
+
+    chat_completion = client.chat_completion(
+        messages=messages,
+        model=model,
+        max_tokens=1024)
+    return chat_completion.choices[0].message.content, article_dict
+
+def create_context_response(response, article_dict):
+    response += '\n\n**Références**\n\n'
+    for i, article in enumerate(article_dict):
+        response += '* ' + article_dict[article].replace('\n', '\n    ')+'\n'
+
+    return response
+
+def chat_interface(query, model, with_paths):
+    response, article_dict = query_rag(query, model, with_paths)
+    response_with_context = create_context_response(response, article_dict)
+    return response_with_context
+
+with gr.Blocks(title="Assistant Juridique pour le Code de l'éducation (Beta)") as demo:
+    gr.Markdown(
+        """
+        ## Posez vos questions sur le Code de l'éducation
+        
+        **Créé par Marc de Falco**
+
+        **Avertissement :** Les informations fournies sont à titre indicatif et ne constituent pas un avis juridique. Les serveurs étant publics, veuillez ne pas inclure de données sensibles.
+
+        **Conseil :** Survolez les numéros d'article dans les réponses pour voir le texte complet de l'article.
+        """
+    )
+
+    query_box = gr.Textbox(label="Votre question")
+
+    model = gr.Dropdown(
+        label="Modèle de langage",
+        choices=[
+            "meta-llama/Meta-Llama-3-70B",
+            "meta-llama/Meta-Llama-3-8B",
+            "HuggingFaceH4/zephyr-7b-beta",
+            "NousResearch/Nous-Hermes-2-Mixtral-8x7B-DPO",
+            "mistralai/Mixtral-8x22B-v0.1"
+            ],
+        value="HuggingFaceH4/zephyr-7b-beta")
+
+    with_paths = gr.Checkbox(label="Utiliser les chemins d'accès aux articles dans le code pour interroger le modèle.",
+                             value=True)
+
+    submit_button = gr.Button("Envoyer")
+
+    response_box = gr.Markdown()
+
+    submit_button.click(chat_interface, 
+                inputs=[query_box, model, with_paths], 
+                outputs=[response_box])
+
+demo.launch()