Update main.py

main.py

@@ -16,9 +16,8 @@ from langchain.memory import ConversationBufferMemory
 from langchain.schema.runnable import Runnable, RunnablePassthrough, RunnableConfig, RunnableLambda
 from langchain.callbacks.base import BaseCallbackHandler
 from langchain.chains import (
-    StuffDocumentsChain, LLMChain, ConversationalRetrievalChain
+    StuffDocumentsChain, ConversationalRetrievalChain
 )
-from langchain_core.prompts import PromptTemplate
 import chainlit as cl
 from chainlit.input_widget import TextInput, Select, Switch, Slider
 @cl.password_auth_callback
@@ -64,6 +63,17 @@ retriever = vectorstore.as_retriever(search_type="similarity_score_threshold", s
 @cl.on_chat_start
 async def on_chat_start():
     await cl.Message(f"> REVIEWSTREAM").send()
+    await cl.Message(f"Nous avons le plaisir de vous accueillir dans l'application de recherche et d'analyse des publications.").send()
+    listPrompts_name = f"Liste des revues de recherche"
+    contentPrompts = """<p><img src='/public/hal-logo-header.png' width='32' align='absmiddle' /> <strong> Hal Archives Ouvertes</strong> : Une archive ouverte est un réservoir numérique contenant des documents issus de la recherche scientifique, généralement déposés par leurs auteurs, et permettant au grand public d'y accéder gratuitement et sans contraintes.
+    </p>
+    <p><img src='/public/logo-persee.png' width='32' align='absmiddle' /> <strong>Persée</strong> : offre un accès libre et gratuit à des collections complètes de publications scientifiques (revues, livres, actes de colloques, publications en série, sources primaires, etc.) associé à une gamme d'outils de recherche et d'exploitation.</p>
+    """
+    prompt_elements = []
+    prompt_elements.append(
+        cl.Text(content=contentPrompts, name=listPrompts_name, display="side")
+    )
+    await cl.Message(content="📚 " + listPrompts_name, elements=prompt_elements).send()
     settings = await cl.ChatSettings(
         [
             Select(
@@ -91,21 +101,14 @@ async def on_chat_start():
     ########## Chain with streaming ##########
     message_history = ChatMessageHistory()
     memory = ConversationBufferMemory(memory_key="chat_history",output_key="answer",chat_memory=message_history,return_messages=True)
-    template = (
-        "Combinez l'historique des discussions et la question de suivi dans "
-        "une question autonome. Historique des discussions: {chat_history}"
-        "Question complémentaire: {question}"
-    )
-    prompt = PromptTemplate.from_template(template)
-    question_generator_chain = LLMChain(llm=model, prompt=prompt)
+    
     qa = ConversationalRetrievalChain.from_llm(
         model,
         memory=memory,
         chain_type="stuff",
         return_source_documents=True,
         verbose=False,
-        retriever=retriever,
-        question_generator=question_generator_chain
+        retriever=retriever
     )
     cl.user_session.set("runnable", qa)
     #template = """<s>[INST] Vous êtes un chercheur de l'enseignement supérieur et vous êtes doué pour faire des analyses d'articles de recherche sur les thématiques liées à la pédagogie, en fonction des critères définis ci-avant.
@@ -175,8 +178,8 @@ async def on_message(message: cl.Message):
         #):
         #    await msg.stream_token(chunk)
         cb = cl.AsyncLangchainCallbackHandler()
-        res = await runnable.acall("Contexte : Vous êtes un chercheur de l'enseignement supérieur et vous êtes doué pour faire des analyses d'articles de recherche sur les thématiques liées à la pédagogie, en fonction des critères définis ci-avant. En fonction des informations suivantes et du contexte suivant seulement et strictement, répondez en langue française strictement à la question ci-dessous à partir du contexte ci-dessous. Si vous ne pouvez pas répondre à la question sur la base des informations, dites que vous ne trouvez pas de réponse ou que vous ne parvenez pas à trouver de réponse. Essayez donc de comprendre en profondeur le contexte et répondez uniquement en vous basant sur les informations fournies. Ne générez pas de réponses non pertinentes. Question : " + message.content, callbacks=[cb])
-        answer = res["answer"]
+        results = await runnable.acall("Contexte : Vous êtes un chercheur de l'enseignement supérieur et vous êtes doué pour faire des analyses d'articles de recherche sur les thématiques liées à la pédagogie, en fonction des critères définis ci-avant. En fonction des informations suivantes et du contexte suivant seulement et strictement, répondez en langue française strictement à la question ci-dessous à partir du contexte ci-dessous. Si vous ne pouvez pas répondre à la question sur la base des informations, dites que vous ne trouvez pas de réponse ou que vous ne parvenez pas à trouver de réponse. Essayez donc de comprendre en profondeur le contexte et répondez uniquement en vous basant sur les informations fournies. Ne générez pas de réponses non pertinentes. Question : " + message.content + "\n\nCrée 3 questions supplémentaires en relation avec le contexte initial?\nTu écris les 3 questions supplémentaires en relation avec le contexte initial, avec un titrage de niveau 1 qui a pour titre "Questions en relation avec le contexte : ", callbacks=[cb])
+        answer = results["answer"]
 
     await cl.Message(content=answer).send()
     #await msg.send()