Update

app.py

@@ -15,7 +15,7 @@ LOGO = "assets/logo.png"
 
 def init_app():
 
-    data_dict = getYamlConfig()['variables']
+    config = getYamlConfig()
 
     if len(st.session_state) == 0:
         # Define Vectore store strategy
@@ -24,7 +24,8 @@ def init_app():
 
         st.session_state["messages"] = []
         st.session_state["assistant"] = Rag(vectore_store=vs_manager)
-        st.session_state["data_dict"] = data_dict
+        st.session_state["data_dict"] = config['variables']
+        st.session_state["prompt_system"] = config['prompt_system']
 
 
 def main():
@@ -36,9 +37,9 @@ def main():
     st.logo(LOGO)
     st.title(GROUP_NAME)
 
-    saved_documents = st.Page("pages/persistent_documents.py", title="Communs", icon="🗃️")
-    documents = st.Page("pages/documents.py", title="Vos documents", icon="📂")
-    prompt_system = st.Page("pages/prompt_system.py", title="Prompt système", icon="🖊️", default=True)
+    saved_documents = st.Page("pages/persistent_documents.py", title="Documents de référence", icon="🗃️")
+    documents = st.Page("pages/documents.py", title="Documents de l'exploitation", icon="📂")
+    prompt_system = st.Page("pages/prompt_system.py", title="Prompt conseiller", icon="🖊️", default=True)
     form = st.Page("pages/form.py", title="Paramètres", icon="📋")
     chatbot = st.Page("pages/chatbot.py", title="Chatbot", icon="🤖")
 

config.yaml

@@ -17,28 +17,21 @@ variables:
     key : param3
     value :
 
-prompt_template: "
-Paramètre 1 : {param1}
-Paramètre 2 : {param2}
-Paramètre 3 : {param3}
-
-Documents partagées : {commonContext}
-
-Document utilisateur : {documentContext}
 
+prompt_system: "
 Tu es un expert en gestion agricole des grandes cultures dans les régions Centre, Ile de france, Hauts de france et Grand est.
 Tu sais calculer une marge brute par hectare et un coût de revient par hectare à partir de documents statistiques agricoles français.
 Si tu ne connais pas la réponse, ne réponds pas. Tu répondras toujours en Français.
 
-Le coût de production ou coût de revient (CR) est calculé en additionnant toutes les charges opérationnelles (engrais, produits phytosanitaires, semences) (CO) par hectare ainsi que les charges de structure (main d'œuvre, foncier, matériel, bâtiment) (CS) par hectare selon la formule : CR = CO + CS
+Le coût de production ou coût de revient (CR) est calculé en additionnant toutes les charges opérationnelles (engrais, produits phytosanitaires, semences) (CO) par hectare ainsi que les charges de structure (main d'œuvre, foncier, matériel, bâtiment) (CS) par hectare selon la formule CR = CO + CS
 
 Le coût de production en grande culture se situe en moyenne entre 500 € / hectare et 2000 € / hectare.
 
-La marge brute (MB) est calculée en additionnant tous les produits (Ventes & indemnité, Aides couplées) (PR) issue de la culture et en soustrayant les charges opérationnelles (CO) selon la formule suivante : MB = PR - CO
+La marge brute (MB) est calculée en additionnant tous les produits (Ventes & indemnité, Aides couplées) (PR) issue de la culture et en soustrayant les charges opérationnelles (CO) selon la formule suivante MB = PR - CO
 
 La marge brute (MB) en grande culture se situe en moyenne entre 300 € / hectare et 1500 € / hectare.
 
-La marge nette (MN) est calculée en additionnant tous les produits (Ventes & indemnité, Aides couplées) (PR) issue de la culture et en soustrayant le coût de revient (CR) selon la formule suivante : MN = PR - CR
+La marge nette (MN) est calculée en additionnant tous les produits (Ventes & indemnité, Aides couplées) (PR) issue de la culture et en soustrayant le coût de revient (CR) selon la formule suivante MN = PR - CR
 
 La marge nette (MN) en grande culture se situe en moyenne entre 100 € / hectare et 800 € / hectare.
 
@@ -46,9 +39,15 @@ A partir des documents du contexte, tu vas produire des tableaux et des indicate
 Pour le coût de production (CR), il est impératif de détailler l'ensemble des calculs poste par poste pour les charges opérationnelles (engrais, produits phytosanitaires, semences) (CO) et pour les charges de structure (main d'oeuvre, foncier, matériel, batiment) (CS).
  
 La présentation sera effectuée dès que possible en format tableau. Si une information est demandée pour une superficie précise, les tableaux devront fournir, sur la première colonne, une information à l'hectare et sur la seconde, une information pour la superficie indiquée par l'utilisateur. Si aucune superficie n'est précisée par le client, l'information sera donnée par hectare.
+"
 
+prompt_template: "
 {prompt_system}
 
+Documents partagées : {commonContext}
+
+Document utilisateur : {documentContext}
+
 Voici l'historique des messages : {messages}
 La demande de l'utilisateur est : {query}
 "

model/ModelIntegrations.py

@@ -2,7 +2,7 @@ import os
 
 from .ModelStrategy import ModelStrategy
 
-from langchain_community.chat_models import ChatOpenAI
+from langchain_openai import ChatOpenAI
 from langchain_mistralai.chat_models import ChatMistralAI
 from langchain_anthropic import ChatAnthropic
 

model/selector.py

@@ -38,5 +38,5 @@ def ModelSelector():
 
     if(st.session_state["assistant"]):
         splitter = model_mapping[selected_model_option].split(".")
-        st.session_state["assistant"].setModel(ModelManager().get_model(splitter[0], splitter[1]))
+        st.session_state["assistant"].setModel(ModelManager().get_model(splitter[0], splitter[1]), splitter[1])
     

pages/chatbot.py

@@ -1,66 +1,82 @@
 import streamlit as st
-import yaml
-import os
-from streamlit_chat import message
+from langchain_core.messages import AIMessage, HumanMessage
 from model import selector
+from util import getYamlConfig
+from st_copy_to_clipboard import st_copy_to_clipboard
 
 def display_messages():
-    for i, (msg, is_user) in enumerate(st.session_state["messages"]):
-        message(msg, is_user=is_user, key=str(i))
-    st.session_state["thinking_spinner"] = st.empty()
 
+    for i, message in enumerate(st.session_state.chat_history):
+        if isinstance(message, AIMessage):
+            with st.chat_message("AI"):
+                # Display the model from the kwargs
+                model = message.kwargs.get("model", "Unknown Model")  # Get the model, default to "Unknown Model"
+                st.write(f"**Model :** {model}")
+                st.markdown(message.content)
+                st_copy_to_clipboard(message.content,key=f"message_{i}")
+        
+        elif isinstance(message, HumanMessage):
+            with st.chat_message("Moi"):
+                st.write(message.content)
 
-# Charger les données YAML
-def load_yaml(file_path):
-    with open(file_path, 'r', encoding='utf-8') as file:
-        data = yaml.safe_load(file)
-    return data
 
+def launchQuery(query: str = None):
 
-def process_input():
-    if "user_input" in st.session_state and st.session_state["user_input"] and len(st.session_state["user_input"].strip()) > 0:
-        user_text = st.session_state["user_input"].strip()
+    # Initialize the assistant's response
+    full_response = st.write_stream(
+        st.session_state["assistant"].ask(
+            query,
+            prompt_system=st.session_state.prompt_system,
+            messages=st.session_state["chat_history"] if "chat_history" in st.session_state else [],
+            variables=st.session_state["data_dict"]
+        ))
 
-        prompt_sys = st.session_state.prompt_system if 'prompt_system' in st.session_state and st.session_state.prompt_system != '' else ""
-    
-        with st.session_state["thinking_spinner"], st.spinner(f"Je réfléchis"):
-            agent_text = st.session_state["assistant"].ask(user_text, prompt_sys, st.session_state["messages"] if "messages" in st.session_state else [], variables=st.session_state["data_dict"])
+    # Temporary placeholder AI message in chat history
+    st.session_state["chat_history"].append(AIMessage(content=full_response, kwargs={"model": st.session_state["assistant"].getReadableModel()}))
+    st.rerun()
 
-        st.session_state["messages"].append((user_text, True))
-        st.session_state["messages"].append((agent_text, False))
 
-@st.dialog("Choisissez votre question prédéfinie")
 def show_prompts():
-    file_path = os.path.join(os.path.dirname(__file__), '..', 'config.yaml')
-    yaml_data = load_yaml(file_path)
-        
-        # Boucle à travers les éléments YAML
-    for categroy in yaml_data['prompts']:  # Exemple avec la catégorie conversation
-        st.write(categroy.capitalize())
+    yaml_data = getYamlConfig()["prompts"]
+    
+    expander = st.expander("Prompts pré-définis")
+    
+    for categroy in yaml_data:
+        expander.write(categroy.capitalize())
+
+        for item in yaml_data[categroy]:
+            if expander.button(item, key=f"button_{item}"):
+                launchQuery(item)
 
-        for item in yaml_data['prompts'][categroy]:
-            if st.button(item, key=f"button_{item}"):
-                st.session_state["user_input"] = item
-                st.rerun()
 
 def page():
     st.subheader("Posez vos questions")
 
-    if "user_input" in st.session_state:
-        process_input()
-
     if "assistant" not in st.session_state:
         st.text("Assistant non initialisé")
-    
-    # Bouton pour ouvrir la modale
-    if st.button("Questions pré-définies"):
-        show_prompts()
 
+    if "chat_history" not in st.session_state:
+        st.session_state["chat_history"] = []
+
+    st.markdown("<style>iframe{height:50px;}</style>", unsafe_allow_html=True)
 
+    # Collpase for default prompts
+    show_prompts()
+
+    # Models selector
     selector.ModelSelector()
 
+    # Displaying messages
     display_messages()
 
-    st.text_input("Message", key="user_input", on_change=process_input)
+
+    user_query = st.chat_input("")
+    if user_query is not None and user_query != "":
+
+        st.session_state["chat_history"].append(HumanMessage(content=user_query))
+        
+        # Stream and display response
+        launchQuery(user_query)
+
 
 page()

rag.py

@@ -23,6 +23,7 @@ class Rag:
     document_vector_store = None
     retriever = None
     chain = None
+    readableModelName = ""
 
     def __init__(self, vectore_store=None):
         
@@ -36,9 +37,13 @@ class Rag:
 
         self.vector_store = vectore_store
 
-    def setModel(self, model):
+    def setModel(self, model, readableModelName = ""):
         self.model = model
+        self.readableModelName = readableModelName
 
+    def getReadableModel(self):
+        return self.readableModelName
+    
     def ingestToDb(self, file_path: str, filename: str):
 
         docs = PyPDFLoader(file_path=file_path).load()
@@ -105,7 +110,7 @@ class Rag:
             chain_input.update(extra_vars)
         
 
-        return self.chain.invoke(chain_input)
+        return self.chain.stream(chain_input)
 
     def clear(self):
         self.document_vector_store = None

requirements.txt

@@ -12,9 +12,10 @@ typing-extensions
 langchain
 langchain-openai
 langchain-community
+langchain-experimental
 langchain-pinecone
 langchain_mistralai
 langchain_anthropic
-langchain-experimental
 llamaapi
-pyyaml
+pyyaml
+st_copy_to_clipboard