Delete app_streamlit.py

app_streamlit.py

@@ -1,111 +0,0 @@
-import os
-import pdfplumber
-import streamlit as st
-import time
-from dotenv import load_dotenv, find_dotenv
-
-from langchain_ollama import OllamaEmbeddings
-from langchain_chroma import Chroma
-from langchain_core.documents import Document
-from langchain_text_splitters import RecursiveCharacterTextSplitter
-
-from langchain_groq.chat_models import ChatGroq
-from langchain.prompts import PromptTemplate
-from langchain.chains import RetrievalQA
-
-# ------------------ CONFIG ------------------
-
-load_dotenv(find_dotenv())
-PDF_PATH = os.path.join(os.path.dirname(__file__), "docs", "document.pdf")
-CHROMA_DIR = "chroma_db"
-EMBED_MODEL = "all-minilm"
-GROQ_MODEL = "llama3-70b-8192"
-
-# ------------------ UTILS ------------------
-
-@st.cache_resource
-def load_vectorstore():
-    embedding = OllamaEmbeddings(model=EMBED_MODEL)
-
-    if not os.path.exists(CHROMA_DIR):
-        with pdfplumber.open(PDF_PATH) as pdf:
-            full_text = ""
-            for page in pdf.pages:
-                full_text += page.extract_text() + "\n"
-
-        if not full_text.strip():
-            st.error("❌ Le PDF est vide ou illisible.")
-            st.stop()
-
-        cleaned = " ".join(full_text.split())
-        doc = Document(page_content=cleaned, metadata={"file": os.path.basename(PDF_PATH)})
-
-        splitter = RecursiveCharacterTextSplitter(chunk_size=2000, chunk_overlap=100)
-        chunks = splitter.split_documents([doc])
-        return Chroma.from_documents(chunks, embedding=embedding, persist_directory=CHROMA_DIR)
-    else:
-        return Chroma(persist_directory=CHROMA_DIR, embedding_function=embedding)
-
-def create_qa_chain(db):
-    retriever = db.as_retriever(search_type="mmr", search_kwargs={"k": 5})
-    llm = ChatGroq(model=GROQ_MODEL, api_key=os.getenv("GROQ_API_KEY"))
-
-    prompt = PromptTemplate(
-       template="""
-        Tu es un assistant agricole expert francophone nommé Terr'Y, créé par Terr'O.
-        Tu ne dois répondre qu'à partir du document fourni. Si la réponse n'est pas dans le document, dis-le honnêtement.
-        Ta mission est de répondre **uniquement** à partir du contenu du document fourni.
-
-        Si la réponse contient des éléments structurés (ex : primes, cultures, conditions, barèmes, dates, etc.), tu dois les présenter sous forme de **tableau clair**.
-
-        Consignes :
-        - Utilise un ton clair, professionnel et en français.
-        - Réponds exclusivement à partir des documents.
-        - Ne complète jamais avec des données absentes.
-        - Si l’information n’est pas présente, indique-le simplement.
-        - Tu t'appelles Terr'Y l'assistant agricole créé par Terr'O.
-
-        Question : {question}
-        Contenu : {context}
-        """,
-        input_variables=["question", "context"]
-    )
-
-    return RetrievalQA.from_chain_type(
-        llm=llm,
-        retriever=retriever,
-        chain_type="stuff",
-        chain_type_kwargs={"prompt": prompt}
-    )
-
-def typewriter(text, delay=0.03):
-    container = st.empty()
-    words = text.split(" ")
-    typed = ""
-    for word in words:
-        typed += word + " "
-        container.markdown(typed)
-        time.sleep(delay)
-
-# ------------------ INTERFACE STREAMLIT ------------------
-
-st.set_page_config(page_title="Terr'Y - Assistant Collecte", page_icon="🌾", layout="wide")
-
-col1, col2 = st.columns([1, 6])
-with col1:
-    st.image("images/terrY.png", width=100)
-with col2:
-    st.title("🌾 Terr'Y - Assistant Agricole")
-    st.markdown("Pose une question sur le livret de campagne collecte 2024 📘")
-
-
-question = st.text_input("Ta question ici :", placeholder="Ex. : Quelles sont les primes pour le blé tendre ?")
-
-if question:
-    with st.spinner("Terr'Y réfléchit..."):
-        db = load_vectorstore()
-        qa = create_qa_chain(db)
-        response = qa.invoke(question)
-        answer = response["result"]
-        st.markdown("### 🧠 Réponse")
-        typewriter(answer)