Upload 7 files

.gitattributes

@@ -33,3 +33,4 @@ saved_model/**/* filter=lfs diff=lfs merge=lfs -text
 *.zip filter=lfs diff=lfs merge=lfs -text
 *.zst filter=lfs diff=lfs merge=lfs -text
 *tfevents* filter=lfs diff=lfs merge=lfs -text
+bodacc.json filter=lfs diff=lfs merge=lfs -text

app.py

@@ -0,0 +1,153 @@
+#!/usr/bin/env python3
+# -*- coding: utf-8 -*-
+"""
+Created on Sun Sep 22 15:43:16 2024
+
+@author: Raphaël d'Assignies (rdassignies@protonmail.ch)
+"""
+import json
+from typing import Literal, Optional, List, Union, Any
+from langchain_openai import ChatOpenAI
+import pandas as pd
+from langchain_core.prompts import ChatPromptTemplate
+from langgraph.graph import END, StateGraph, START
+from langchain_core.output_parsers import StrOutputParser
+from pydantic import BaseModel, Field
+from models import NatureJugement
+from nodes import (GradeResults, GraphState, generate_query_node, 
+                   generate_results_node, query_feedback_node, 
+                   evaluate_query_node, evaluate_results_node)
+import streamlit as st
+
+
+
+
+# Instanciate pipeline
+pipeline = StateGraph(GraphState)
+
+pipeline.add_node('generate_query', generate_query_node)
+pipeline.add_node('generate_results', generate_results_node)
+pipeline.add_node('query_feedback', query_feedback_node)
+
+# Only query
+#pipeline.add_edge(START,'generate_query')
+#pipeline.add_edge('generate_query', generate_query_node)
+#pipeline.add_edge('generate_query', END)
+
+# Full scenario
+pipeline.add_edge(START,'generate_query')
+pipeline.add_conditional_edges(
+    'generate_query', 
+    evaluate_query_node, 
+    {'error_query' : 'generate_query',
+     'ok' : 'generate_results'
+     })
+
+pipeline.add_conditional_edges(
+    'generate_results', 
+    evaluate_results_node,
+    {
+        "yes": END,
+        "no": 'query_feedback',
+        "max_generation_reached": END
+
+    }  
+)
+
+
+# Création du graph
+graph = pipeline.compile()
+
+# Load le dataframe
+df = pd.read_json('bodacc.json', orient='table')
+
+# Initialise le dictionnaire
+inputs = {
+        'df_head': df.head().to_csv(), 
+        'df': df
+    }
+
+# Créé un dictionnaire des sorties vide
+outputs = {}
+
+
+# Titre de l'application
+st.title("Chat with BODACC !")
+
+# Message d'avertissement
+warning_message = (f"Cet outil, purement pédagogique, est basé sur des données réelles allant de {df['dateparution'].min()} "
+                   f"à {df['dateparution'].max()}, et permet d'interroger le BODACC en langage naturel. Compte tenu de la variabilité des modèles, nous ne pouvons pas garantir la fiabilité des réponses.")
+
+st.warning(warning_message)
+# Interface utilisateur pour entrer la requête
+user_query = st.text_input("Entrez votre requête:", "Trouve moi les restaurants à reprendre en Bretagne dans les 30 derniers jours")
+
+
+# Afficher les résultats avec Streamlit
+inputs["instructions"] = user_query
+
+
+# Afficher un bouton pour démarrer la recherche
+if st.button("Lancer la recherche"):
+    config = {"configurable": {"thread_id": "2"}}
+    
+    # Étape 1 : Afficher le message "Je réfléchis..."
+    st.write("Je réfléchis...")
+
+    # Stream des résultats au fur et à mesure
+    with st.spinner('Recherche en cours...'):
+        for output in graph.stream(inputs, stream_mode='values', debug=False):
+            # Ajouter les résultats au dictionnaire outputs
+            for k, v in output.items():
+                if k not in outputs:
+                    outputs[k] = []
+                outputs[k].append(v)
+
+            # Ne pas afficher les messages pour les clés non pertinentes (comme error_query)
+            if 'query' in output and len(output['query'])>0:
+                st.write(f"query : {output['query']}")
+                #st.write(outputs.get('query_feedbacks', 'pas de feedback'))
+                #st.write(outputs.get('results_feedbacks', 'pas de resultfeedback'))
+            if "results" in output and len(output["results"]) > 0:
+                records = json.loads(output['results'])
+                st.write(f"Résultats intermédiaires trouvés : {len(records)} résultats jusqu'à présent.")
+
+    # Après la fin du traitement
+    if "results" in outputs and len(outputs["results"]) > 0:
+        # Agréger tous les résultats accumulés
+        all_results = []
+        for res in outputs["results"]:
+            json_data = json.loads(res)  # Convertir chaque ensemble de résultats en JSON
+            all_results.extend(json_data)  # Accumuler tous les résultats
+
+        results_df = pd.DataFrame(all_results)  # Créer un DataFrame avec tous les résultats accumulés
+        # Afficher un aperçu des résultats (jusqu'à 5 premiers)
+        num_results = len(results_df)
+        st.write(f"J'ai trouvé {num_results} résultats.")
+        if num_results > 0:
+            preview_count = min(5, num_results)  # Gérer le cas où il y a moins de 5 résultats
+            st.write(f"Voici un aperçu des {preview_count} premiers résultats :")
+            st.write(results_df.head(preview_count))
+            
+            trunc = outputs.get('truncated', 'pas de traunc')
+            
+            if trunc[0] == True:
+                st.warning("Les résultats de votre recherche ont été tronqués car celle-ci était trop large ! ")
+    
+        # Convertir tous les résultats en CSV
+        csv = results_df.to_csv(index=False)
+
+        # Ajouter un bouton pour télécharger tous les résultats
+        st.download_button(
+            label="Télécharger le résultat complet au format CSV",
+            data=csv,
+            file_name="results.csv",
+            mime="text/csv"
+        )
+
+    else:
+        # Si aucun résultat n'est trouvé
+        st.write("Aucun résultat trouvé.")
+
+    
+    

bodacc.json

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:a5172c9d6946aef8bbf0d9c17be1159ffbb64e773bf800b65335797e35ffff1a
+size 25389210

graph.py

@@ -0,0 +1,153 @@
+#!/usr/bin/env python3
+# -*- coding: utf-8 -*-
+"""
+Created on Sun Sep 22 15:43:16 2024
+
+@author: Raphaël d'Assignies (rdassignies@protonmail.ch)
+"""
+import json
+from typing import Literal, Optional, List, Union, Any
+from langchain_openai import ChatOpenAI
+import pandas as pd
+from langchain_core.prompts import ChatPromptTemplate
+from langgraph.graph import END, StateGraph, START
+from langchain_core.output_parsers import StrOutputParser
+from pydantic import BaseModel, Field
+from models import NatureJugement
+from nodes import (GradeResults, GraphState, generate_query_node, 
+                   generate_results_node, query_feedback_node, 
+                   evaluate_query_node, evaluate_results_node)
+import streamlit as st
+
+
+
+
+# Instanciate pipeline
+pipeline = StateGraph(GraphState)
+
+pipeline.add_node('generate_query', generate_query_node)
+pipeline.add_node('generate_results', generate_results_node)
+pipeline.add_node('query_feedback', query_feedback_node)
+
+# Only query
+#pipeline.add_edge(START,'generate_query')
+#pipeline.add_edge('generate_query', generate_query_node)
+#pipeline.add_edge('generate_query', END)
+
+# Full scenario
+pipeline.add_edge(START,'generate_query')
+pipeline.add_conditional_edges(
+    'generate_query', 
+    evaluate_query_node, 
+    {'error_query' : 'generate_query',
+     'ok' : 'generate_results'
+     })
+
+pipeline.add_conditional_edges(
+    'generate_results', 
+    evaluate_results_node,
+    {
+        "yes": END,
+        "no": 'query_feedback',
+        "max_generation_reached": END
+
+    }  
+)
+
+
+# Création du graph
+graph = pipeline.compile()
+
+# Load le dataframe
+df = pd.read_json('bodacc.json', orient='table')
+
+# Initialise le dictionnaire
+inputs = {
+        'df_head': df.head().to_csv(), 
+        'df': df
+    }
+
+# Créé un dictionnaire des sorties vide
+outputs = {}
+
+
+# Titre de l'application
+st.title("Chat with BODACC !")
+
+# Message d'avertissement
+warning_message = (f"Cet outil, purement pédagogique, est basé sur des données réelles allant de {df['dateparution'].min()} "
+                   f"à {df['dateparution'].max()}, et permet d'interroger le BODACC en langage naturel. Compte tenu de la variabilité des modèles, nous ne pouvons pas garantir la fiabilité des réponses.")
+
+st.warning(warning_message)
+# Interface utilisateur pour entrer la requête
+user_query = st.text_input("Entrez votre requête:", "Trouve moi les restaurants à reprendre en Bretagne dans les 30 derniers jours")
+
+
+# Afficher les résultats avec Streamlit
+inputs["instructions"] = user_query
+
+
+# Afficher un bouton pour démarrer la recherche
+if st.button("Lancer la recherche"):
+    config = {"configurable": {"thread_id": "2"}}
+    
+    # Étape 1 : Afficher le message "Je réfléchis..."
+    st.write("Je réfléchis...")
+
+    # Stream des résultats au fur et à mesure
+    with st.spinner('Recherche en cours...'):
+        for output in graph.stream(inputs, stream_mode='values', debug=False):
+            # Ajouter les résultats au dictionnaire outputs
+            for k, v in output.items():
+                if k not in outputs:
+                    outputs[k] = []
+                outputs[k].append(v)
+
+            # Ne pas afficher les messages pour les clés non pertinentes (comme error_query)
+            if 'query' in output and len(output['query'])>0:
+                st.write(f"query : {output['query']}")
+                #st.write(outputs.get('query_feedbacks', 'pas de feedback'))
+                #st.write(outputs.get('results_feedbacks', 'pas de resultfeedback'))
+            if "results" in output and len(output["results"]) > 0:
+                records = json.loads(output['results'])
+                st.write(f"Résultats intermédiaires trouvés : {len(records)} résultats jusqu'à présent.")
+
+    # Après la fin du traitement
+    if "results" in outputs and len(outputs["results"]) > 0:
+        # Agréger tous les résultats accumulés
+        all_results = []
+        for res in outputs["results"]:
+            json_data = json.loads(res)  # Convertir chaque ensemble de résultats en JSON
+            all_results.extend(json_data)  # Accumuler tous les résultats
+
+        results_df = pd.DataFrame(all_results)  # Créer un DataFrame avec tous les résultats accumulés
+        # Afficher un aperçu des résultats (jusqu'à 5 premiers)
+        num_results = len(results_df)
+        st.write(f"J'ai trouvé {num_results} résultats.")
+        if num_results > 0:
+            preview_count = min(5, num_results)  # Gérer le cas où il y a moins de 5 résultats
+            st.write(f"Voici un aperçu des {preview_count} premiers résultats :")
+            st.write(results_df.head(preview_count))
+            
+            trunc = outputs.get('truncated', 'pas de traunc')
+            
+            if trunc[0] == True:
+                st.warning("Les résultats de votre recherche ont été tronqués car celle-ci était trop large ! ")
+    
+        # Convertir tous les résultats en CSV
+        csv = results_df.to_csv(index=False)
+
+        # Ajouter un bouton pour télécharger tous les résultats
+        st.download_button(
+            label="Télécharger le résultat complet au format CSV",
+            data=csv,
+            file_name="results.csv",
+            mime="text/csv"
+        )
+
+    else:
+        # Si aucun résultat n'est trouvé
+        st.write("Aucun résultat trouvé.")
+
+    
+    

models.py

@@ -0,0 +1,129 @@
+#!/usr/bin/env python3
+# -*- coding: utf-8 -*-
+"""
+Created on Thu Dec 28 10:32:52 2023
+
+@author: raphael
+"""
+import json
+from typing import List, Optional, Dict
+from pydantic import BaseModel, Field, UUID4
+from enum import Enum, unique
+
+@unique
+class FamilleJugement(str, Enum):
+    ARRET_APPEL = "Arrêt de la Cour d'Appel"
+    AVIS_DEPOT = 'Avis de dépôt'
+    EXTRAIT_JUGEMENT = 'Extrait de jugement'
+    JUGEMENT_OUVERTURE_ouverture = "Jugement d'ouverture"
+    JUGEMENT_CLOTURE = 'Jugement de clôture'
+    JUGEMENT = 'Jugement prononçant'
+
+@unique
+class NatureJugement(str, Enum):
+    ARRET_COUR_APPEL_INFIRMANT = "Arrêt de la cour d'appel infirmant une décision soumise à publicité"
+    AUTRE_ARRET_COUR_APPEL = "Autre arrêt de la Cour d'Appel"
+    AUTRE_AVIS_DE_DEPOT = "Autre avis de dépôt"
+    AUTRE_JUGEMENT_OUVERTURE = "Autre jugement d'ouverture"
+    AUTRE_JUGEMENT_CLOTURE = "Autre jugement de clôture"
+    AUTRE_JUGEMENT_ORDONNANCE = "Autre jugement et ordonnance"
+    AUTRE_JUGEMENT_PRONONCANT = "Autre jugement prononçant"
+    DEPOT_ETAT_COLLOCATION = "Dépôt de l'état de collocation"
+    DEPOT_ETAT_CREANCES = "Dépôt de l'état des créances"
+    DEPOT_ETAT_CREANCES_1985 = "Dépôt de l'état des créances Loi de 1985"
+    DEPOT_PROJET_REPARTITION = "Dépôt du projet de répartition"
+    JUGEMENT_PLAN_SAUVEGARDE = "Jugement arrêtant le plan de sauvegarde"
+    JUGEMENT_PLAN_CESSION = "Jugement arrêtant un plan de cession"
+    EXTENSION_LIQUIDATION_JUDICIAIRE = "Jugement d'extension de liquidation judiciaire"
+    INTERDICTION_GERER = "Jugement d'interdiction de gérer"
+    OUVERTURE_PROCEDURE_RESTRUCTURATION = "Jugement d'ouverture d'une procédure de redressement judiciaire"
+    OUVERTURE_PROCEDURE_SAUVEGARDE = "Jugement d'ouverture d'une procédure de sauvegarde"
+    OUVERTURE_LIQUIDATION_JUDICIAIRE = "Jugement d'ouverture de liquidation judiciaire"
+    CLOTURE_PROCEDURE_SAUVEGARDE = "Jugement de clôture de la procédure de sauvegarde"
+    CLOTURE_EXTINCTION_PASSIF = "Jugement de clôture pour extinction du passif"
+    CLOTURE_INSUFFISANCE_ACTIF = "Jugement de clôture pour insuffisance d'actif"
+    CONVERSION_LIQUIDATION_JUDICIAIRE = "Jugement de conversion en liquidation judiciaire"
+    CONVERSION_LIQUIDATION_SAUVEGARDE = "Jugement de conversion en liquidation judiciaire de la procédure de sauvegarde"
+    CONVERSION_RESTRUCTURATION_SAUVEGARDE = "Jugement de conversion en redressement judiciaire de la procédure de sauvegarde"
+    JUGEMENT_FAILLITE_PERSONNELLE = "Jugement de faillite personnelle"
+    JUGEMENT_PLAN_RESTRUCTURATION = "Jugement de plan de redressement"
+    REPRISE_PROCEDURE_LIQUIDATION = "Jugement de reprise de la procédure de liquidation judiciaire"
+    FIN_PROCEDURE_RESTRUCTURATION = "Jugement mettant fin à la procédure de redressement judiciaire"
+    FIN_PROCEDURE_SAUVEGARDE = "Jugement mettant fin à la procédure de sauvegarde"
+    MODIFICATION_DATE_CESSATION_PAIEMENTS = "Jugement modifiant la date de cessation des paiements"
+    MODIFICATION_PLAN_RESTRUCTURATION = "Jugement modifiant le plan de redressement"
+    MODIFICATION_PLAN_SAUVEGARDE = "Jugement modifiant le plan de sauvegarde"
+    MODIFICATION_PLAN_TRAITEMENT_SORTIE_CRISE = "Jugement modifiant le plan de traitement de sortie de crise"
+    RESOLUTION_PLAN_RESTRUCTURATION_LIQUIDATION = "Jugement prononçant la résolution du plan de redressement et la liquidation judiciaire"
+    RESOLUTION_PLAN_SAUVEGARDE_LIQUIDATION = "Jugement prononçant la résolution du plan de sauvegarde et la liquidation judiciaire"
+    RESOLUTION_PLAN_SAUVEGARDE_RESTRUCTURATION = "Jugement prononçant la résolution du plan de sauvegarde et le redressement judiciaire"
+    RESOLUTION_PLAN_SORTIE_CRISE_LIQUIDATION = "Jugement prononçant la résolution du plan de traitement de sortie de crise et la liquidation judiciaire"
+    LISTE_CREANCES_POST_OUVERTURE_LIQUIDATION = "Liste des créances nées après le jugement d'ouverture d'une procédure de liquidation judiciaire"
+    LISTE_CREANCES_POST_OUVERTURE_RESTRUCTURATION = "Liste des créances nées après le jugement d'ouverture d'une procédure de redressement judiciaire"
+
+    # Méthode pour obtenir l'énumération à partir de la chaîne
+    @staticmethod
+    def from_string(s):
+        for member in NatureJugement:
+            if member.value == s:
+                return member
+        raise ValueError(f"{s} n'est pas une valeur valide de TypeJugement")
+
+class Personne(BaseModel):
+    typePersonne: str
+    numeroImmatriculation: Optional[Dict] = Field(default=None)
+    denomination: Optional[str] = Field(default=None)
+    activite: Optional[str] =  Field(default=None)
+    formeJuridique: Optional[str] = Field(default=None)
+    adresseSiegeSocial: Optional[Dict] = Field(default=None)
+
+class Jugement(BaseModel):
+    type:Optional[str] = None
+    famille:Optional[str] = None
+    nature:Optional[str] = None
+    #nature: NatureJugement = None
+    date: Optional[str] = None
+    complementJugement: Optional[str] = None
+
+class Annonce(BaseModel):
+    #uuid: UUID4
+    publicationavis: Optional[str]
+    publicationavis_facette: Optional[str]
+    parution: Optional[int]
+    dateparution: Optional[str]
+    numeroannonce: int
+    typeavis: Optional[str]
+    typeavis_lib: Optional[str]
+    familleavis: Optional[str]
+    familleavis_lib: Optional[str]
+    numerodepartement: Optional[str]
+    departement_nom_officiel: Optional[str]
+    region_code: int
+    region_nom_officiel: Optional[str]
+    tribunal: Optional[str]
+    commercant: Optional[str]
+    ville: Optional[str]
+    registre: Optional[List[str]]  # Rendre le champ optionnel
+    cp: Optional[str]
+    pdf_parution_subfolder: int
+    ispdf_unitaire: str
+    listepersonnes: Optional[List[Personne]] # Liste d'instances de Personne
+    listeetablissements: Optional[None]
+    jugement: Optional[Jugement]  # JSON string or None
+    acte: Optional[None]
+    modificationsgenerales: Optional[None]
+    radiationaurcs: Optional[None]
+    depot: Optional[None]
+    listeprecedentexploitant: Optional[None]
+    listeprecedentproprietaire: Optional[None]
+    divers: Optional[None]
+    parutionavisprecedent: Optional[None]
+
+
+    
+
+    
+    
+    
+    
+    

nodes.py

@@ -0,0 +1,166 @@
+#!/usr/bin/env python3
+# -*- coding: utf-8 -*-
+"""
+Created on Sun Oct 13 10:30:56 2024
+
+@author: legalchain
+"""
+from typing import Literal, Optional, List, Union, Any
+from langchain_openai import ChatOpenAI
+import pandas as pd
+from langchain_core.prompts import ChatPromptTemplate
+from langgraph.graph import END, StateGraph, START
+from langchain_core.output_parsers import StrOutputParser
+from pydantic import BaseModel, Field
+from models import NatureJugement
+from prompts import df_prompt, feed_back_prompt, reflection_prompt
+from dotenv import load_dotenv
+load_dotenv()
+
+llm = ChatOpenAI(model="gpt-4o-mini")
+MAX_GENERATIONS = 2
+MAX_ROWS: int = 10
+
+class Query(BaseModel): 
+    query:str = Field(..., title="Requête pour filtrer les résultats du dataframe entourée avec des gullemets de type \" ")
+    
+    def clean_query(self):
+        # Correction des échappements dans la chaîne de la requête
+        corrected_query = self.query.replace("\\'", "\\'")
+        # Extraire la condition à l'intérieur des crochets
+        import re
+        condition = re.search(r"df\[(.*)\]", corrected_query).group(1)
+        return condition
+
+class GradeResults(BaseModel):
+    binary_score: Literal["yes", "no"] = Field(
+        description="Les résultats sont satisfaisants -> 'yes' ou il y une erreur ou pas de résultats ou les résultats sont améliorables -> 'no'"
+    )
+
+class GraphState(BaseModel):
+
+    df : Any
+    df_head:str
+    instructions: Optional[str] = None
+    nature_jugement: List = ', '.join([e.value for e in  NatureJugement])
+    region:str = ''
+    dep:str = ''
+    query: Optional[str] = None
+    results :Union[str, List[str]] = []
+    query_feedbacks: Optional[str] = None
+    results_feedbacks: bool = None
+    generation_num: int = 0
+    retrieval_num: int = 0
+    search_mode: Literal["vectorstore", "websearch", "QA_LM"] = "QA_LM"
+    error_query: Optional[Any] = ""
+    error_results: Optional[Any] = ""
+    truncated: bool = False
+
+    # Méthode pour récupérer le DataFrame
+    def get_df(self) -> pd.DataFrame:
+       return pd.read_json(self.df)
+   
+    # Surcharger l'initialisation pour créer les champs 'region' et 'dep'
+    def __init__(self, **data):
+        super().__init__(**data)
+        
+        # Extraire le DataFrame
+        #df = self.get_df()
+        
+        # Générer les chaînes pour les régions et départements
+        distinct_regions = self.df['region_nom_officiel'].dropna().unique().tolist()
+        distinct_departements = self.df['departement_nom_officiel'].dropna().unique().tolist()
+        
+        # Convertir en chaînes séparées par des virgules
+        self.region = ', '.join(distinct_regions)
+        self.dep = ', '.join(distinct_departements)
+
+def generate_query_node(state: GraphState):
+
+    prompt  = ChatPromptTemplate.from_messages(messages = df_prompt)
+    generate_df_query = prompt | llm.with_structured_output(
+        Query,
+        include_raw=True, # permet de checker les erreurs en sortie
+    )
+    # Ajouter le retour erreur de parse_error 
+    try : 
+        query_generate = generate_df_query.invoke({
+            'df_head' : state.df_head, 
+            'instructions' : state.instructions,
+            'feedback' : state.query_feedbacks,
+            'error' : state.error_query,
+            'nature_jugement' : state.nature_jugement,
+            'dep' : state.dep, 
+            'region': state.region
+            })
+        query_final = query_generate['parsed'].clean_query()
+        return {
+            "query": query_final,
+            "error_query" : "" # si il ya une erreur cela remet le compteur à zéro
+        }
+    except Exception as e:
+        return {'error_query' : e}
+
+def evaluate_query_node(state:GraphState):
+    if state.error_query != "":
+        return "Il y a une erreur dans la requête.  Je me suis sûrement trompé. Veuillez réessayer."
+    else: 
+        return "ok"
+
+
+def generate_results_node(state:GraphState):
+    try : 
+        query = state.query
+        print("query ", query)
+        print('je suis dans generate', type(state.df))
+        query = eval(query, {"df": state.df})
+        new_df = state.df[query]
+        print("new_df", new_df.empty)
+        if new_df.empty: 
+            return {
+                "generation_num": state.generation_num + 1}
+        elif len(new_df)> MAX_ROWS: 
+            return {'results' : new_df.head(MAX_ROWS).to_json(orient='records'),
+                "generation_num": state.generation_num + 1, 
+                "truncated": True
+                }
+        else: 
+            return {'results' : new_df.to_json(orient='records'),
+                "generation_num": state.generation_num + 1, 
+               
+                }
+    except Exception as e :
+        return {'error_results' : e,
+                "generation_num": state.generation_num + 1}
+
+
+def evaluate_results_node(state:GraphState): 
+    prompt_eval = ChatPromptTemplate.from_messages(messages=reflection_prompt)
+    generate_eval = prompt_eval  | llm.with_structured_output(
+        GradeResults,
+        include_raw=False, # permet de checker les erreurs en sortie
+    )
+
+    evaluation = generate_eval.invoke({'df_head' : state.df_head, 
+                                       'results' :state.results, 
+                                       'instructions' : state.instructions})
+
+    if state.generation_num > MAX_GENERATIONS:
+        return "max_generation_reached"
+
+    return evaluation.binary_score
+
+def query_feedback_node(state: GraphState):
+    prompt_feed_back = ChatPromptTemplate.from_messages(messages=feed_back_prompt)
+    query_feedback_chain = prompt_feed_back| llm |StrOutputParser()
+   
+    feedback = query_feedback_chain.invoke({
+        "df_head" : state.df_head,
+        "instructions": state.instructions,
+        "results": state.results,
+        "query": state.query
+    })
+
+    feedback = f"Evaluation de la recherche : {feedback}"
+    print(feedback)
+    return {"query_feedbacks": feedback}

prompts.py

@@ -0,0 +1,73 @@
+#!/usr/bin/env python3
+# -*- coding: utf-8 -*-
+"""
+Created on Sun Oct 13 10:32:26 2024
+
+@author: legalchain
+"""
+
+df_prompt = [
+    (
+        "system",
+        "Tu travailles avec dees pandas dataframes en Python. Le nom du dataframe est  `df`."
+        " Voici les instructions à connaître pour effectuer une recherche performante :"
+        "1. La colonne 'jugement_nature' renseigne sur le type de jugement. C'est dans cette colonne que tu peux trouver les sociétés ou les personnes en liquidation judiciaire ou en redressement judiciaire"
+        " La liste des valeurs que peut prendre ce champ est la suivante : {nature_jugement}"
+        "2. La colonne 'activite' indique le type d'activité comme restauration, hotelerie, avocat, etc. Ce champ est libre. Il faudra souvent élargir la recherche initiale pour trouver la bonne activité." 
+        "3. Les colonnes 'departement_nom_officiel, 'region_nom_officiel' servent à localiser l'entreprise concernée"
+        " Voici la liste des valeurs possibles pour les régions : \n {region} \n"
+        " Voici la liste des valeurs possibles pour les départements : \n  {dep} \n"
+        "4. La colonne 'jugement_complementJugement' sert à obtenir des détails sur le jugement comme le nom du mandataires par exemple."
+        "5. Si on te demande une durée depuis la date de jugement utilise la colonne 'temps_ecoule' qui contient la durée en jours entre aujourd'hui et la date de jugement"
+        "La recherche est souvent formulée en des termes communs et a une correspondance juridique dans le dataframe"
+        "Par exemple le mot faillite ne s'applique qu'aux faillites personnelles, on parlera de liquidation judiciaire "
+       "Voici le résultat de la fonction `print(df.head())`:{df_head}"
+       ,
+    ),
+    ("human", 
+     "{instructions}"
+     "### Ta tâche : \n"
+     "Ecris la requêtes pour extraire les informations pertinentes du dataframe : \n\n "
+     "Si on te demande une durée depuis la date de jugement utilise la colonne 'temps_ecoule' qui contient la durée en jours entre aujourd'hui et la date de jugement"
+     "Voici l'évaluation d'une précédente recherche : {feedback}"
+     "Corrige éventuellement la requête précédente qui a généré cette erreur {error}"
+    
+     ),
+]
+
+reflection_prompt = [
+        (
+            "system",
+            "Tu travailles avec dees pandas dataframes en Python."
+            " Le nom du dataframe est df "
+            "Voici le résultat de la fonction `print(df.head())`:{df_head}"
+            " Tu es chargé d'évaluer les résultats d'une requête/recherche sur le dataframe"
+            
+
+        ),
+        ("human", 
+         "Voici l'instruction donnée pour la recherche dans le dataframe {instructions} \n"
+         "Voici un extrait (df.head() )des résultats de la recherche : {results} \n"
+        "### Ta tâche : \n"
+         " Tu dois  évaluer les résultats de la recherche. \n"
+         ),
+    ]
+
+feed_back_prompt =  [
+        (
+            "system",
+            "Tu travailles avec dees pandas dataframes en Python."
+            " Le nom du dataframe est df "
+            "Voici le résultat de la fonction `print(df.head())`:{df_head}"
+            " Tu es chargé d'évaluer les résultats d'une requête/recherche sur le dataframe"
+
+        ),
+        ("human", 
+         "Voici l'instructions de recherche: {instructions}"
+         "Voici la recherche dans le dataframe : {query}"
+         "Voici les resultats insatisfaisants : {results} "
+        "### Ta tâche : \n"
+         " Tu dois évaluer la recherche et donner des instructions pour la modifier en fonction "
+         " de ton diagnostique. "
+         ),
+    ]

requirements.txt

@@ -0,0 +1,58 @@
+altair==5.4.1
+annotated-types==0.7.0
+anyio==4.6.0
+attrs==24.2.0
+blinker==1.8.2
+cachetools==5.5.0
+certifi==2024.8.30
+charset-normalizer==3.4.0
+click==8.1.7
+gitdb==4.0.11
+GitPython==3.1.43
+h11==0.14.0
+httpcore==1.0.6
+httpx==0.27.2
+idna==3.10
+Jinja2==3.1.4
+jsonpatch==1.33
+jsonpointer==3.0.0
+jsonschema==4.23.0
+jsonschema-specifications==2024.10.1
+langchain-core==0.3.10
+langgraph==0.2.35
+langgraph-checkpoint==2.0.1
+langsmith==0.1.134
+markdown-it-py==3.0.0
+MarkupSafe==3.0.1
+mdurl==0.1.2
+msgpack==1.1.0
+narwhals==1.9.3
+numpy==2.1.2
+orjson==3.10.7
+packaging==24.1
+pandas==2.2.3
+pillow==10.4.0
+protobuf==5.28.2
+pyarrow==17.0.0
+pydantic==2.9.2
+pydantic_core==2.23.4
+pydeck==0.9.1
+Pygments==2.18.0
+python-dateutil==2.9.0.post0
+pytz==2024.2
+PyYAML==6.0.2
+referencing==0.35.1
+requests==2.32.3
+requests-toolbelt==1.0.0
+rich==13.9.2
+rpds-py==0.20.0
+six==1.16.0
+smmap==5.0.1
+sniffio==1.3.1
+streamlit==1.39.0
+tenacity==8.5.0
+toml==0.10.2
+tornado==6.4.1
+typing_extensions==4.12.2
+tzdata==2024.2
+urllib3==2.2.3