Upload app.py

app.py

@@ -0,0 +1,111 @@
+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)