File size: 8,914 Bytes
459a04d d908ef7 459a04d d908ef7 2aa2826 459a04d d908ef7 459a04d d908ef7 2aa2826 d908ef7 f327f1f b56fd66 945791f d908ef7 234b89b d908ef7 b56fd66 234b89b b56fd66 ad8d95c b56fd66 d908ef7 f327f1f aeb5997 945791f d908ef7 c6c8979 d908ef7 2aa2826 c6c8979 459a04d d908ef7 f327f1f d908ef7 c6c8979 a26a9d4 f327f1f d908ef7 f327f1f d908ef7 f327f1f d908ef7 f327f1f 1428266 f327f1f 1428266 459a04d d908ef7 c6c8979 d908ef7 459a04d d908ef7 f327f1f d908ef7 459a04d f327f1f c6c8979 f327f1f ae14559 459a04d d908ef7 a26a9d4 d908ef7 459a04d d908ef7 f327f1f d908ef7 459a04d d908ef7 459a04d c6c8979 aca5808 459a04d 234b89b 945791f c6c8979 f327f1f ad8d95c 1428266 ad8d95c 945791f a26a9d4 f327f1f a26a9d4 f327f1f ae14559 c6c8979 c441d44 d908ef7 a26a9d4 c441d44 a26a9d4 945791f f327f1f a26a9d4 f327f1f 945791f d908ef7 234b89b aca5808 d908ef7 459a04d f327f1f ae14559 d908ef7 a26a9d4 f327f1f d908ef7 c6c8979 f327f1f c6c8979 d908ef7 459a04d d908ef7 | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 | import streamlit as st
import os
import sys
from pathlib import Path
from dotenv import load_dotenv
# ============================================================
# 1. CHEMIN RACINE DU PROJET + CHARGEMENT DU .ENV
# ============================================================
PROJECT_ROOT = Path(__file__).resolve().parents[1]
load_dotenv(PROJECT_ROOT / ".env")
if str(PROJECT_ROOT) not in sys.path:
sys.path.append(str(PROJECT_ROOT))
# ============================================================
# 2. VARIABLES LANGFUSE
# ============================================================
os.environ["LANGFUSE_PUBLIC_KEY"] = os.getenv("LANGFUSE_PUBLIC_KEY") or ""
os.environ["LANGFUSE_SECRET_KEY"] = os.getenv("LANGFUSE_SECRET_KEY") or ""
os.environ["LANGFUSE_BASE_URL"] = (
os.getenv("LANGFUSE_BASE_URL")
or os.getenv("LANGFUSE_HOST")
or "https://cloud.langfuse.com"
)
print("LANGFUSE_PUBLIC_KEY exists:", bool(os.environ["LANGFUSE_PUBLIC_KEY"]))
print("LANGFUSE_SECRET_KEY exists:", bool(os.environ["LANGFUSE_SECRET_KEY"]))
print("LANGFUSE_BASE_URL:", os.environ["LANGFUSE_BASE_URL"])
# ============================================================
# 3. INITIALISATION LANGFUSE
# ============================================================
from langfuse import get_client
from openinference.instrumentation.llama_index import LlamaIndexInstrumentor
langfuse_client = get_client()
try:
if langfuse_client.auth_check():
print("✅ Langfuse connecté")
else:
print("❌ Langfuse non connecté : vérifie les clés Langfuse")
except Exception as e:
print("❌ Erreur auth_check Langfuse:", e)
# Initialisation unique de l'instrumentation LlamaIndex
if "instrumented" not in st.session_state:
LlamaIndexInstrumentor().instrument()
st.session_state.instrumented = True
# ============================================================
# 4. CONFIGURATION STREAMLIT
# ============================================================
st.set_page_config(
page_title="Enterprise Copilot — Agentic",
page_icon="🤖",
layout="centered"
)
st.title("🤖 Enterprise Copilot — Agentic RAG")
st.subheader("Orchestration LangGraph avec routage autonome")
# ============================================================
# 5. IMPORTS AGENT PROJET
# ============================================================
from agents.orchestrator import run_agentic_rag
from agents.evaluator import evaluate_response
import inspect
import agents.orchestrator as orch
print("✅ ORCHESTRATOR FILE USED:", orch.__file__)
print("✅ RUN_AGENTIC_RAG SIGNATURE:", inspect.signature(run_agentic_rag))
if "chat_history" not in str(inspect.signature(run_agentic_rag)):
raise RuntimeError(
f"Mauvaise version de run_agentic_rag chargée : {inspect.signature(run_agentic_rag)} depuis {orch.__file__}"
)
# ============================================================
# 6. MÉMOIRE ET HISTORIQUE STREAMLIT
# ============================================================
# Session stable pour Redis pendant le développement.
# Tu peux remettre uuid.uuid4() plus tard si tu veux une session neuve par utilisateur.
if "session_id" not in st.session_state:
st.session_state.session_id = "nicolas-dev-session-v3"
if "messages" not in st.session_state:
st.session_state.messages = [
{
"role": "assistant",
"content": "Bonjour ! Je suis votre Copilot augmenté par LangGraph. Posez-moi une question sur les documents ou l'actualité !",
"sources": [],
"steps": []
}
]
# Bouton pratique pour nettoyer l'historique local Streamlit.
if st.button("🧹 Vider la conversation"):
st.session_state.messages = [
{
"role": "assistant",
"content": "Bonjour ! Je suis votre Copilot augmenté par LangGraph. Posez-moi une question sur les documents ou l'actualité !",
"sources": [],
"steps": []
}
]
st.rerun()
# ============================================================
# 7. AFFICHAGE DE L'HISTORIQUE
# ============================================================
for msg in st.session_state.messages:
with st.chat_message(msg["role"]):
st.write(msg["content"])
if msg.get("steps"):
st.info(f"👣 **Parcours des agents :** {' ➔ '.join(msg['steps'])}")
if msg.get("sources"):
st.caption(f"📁 **Sources consultées :** {', '.join(msg['sources'])}")
# ============================================================
# 8. INPUT UTILISATEUR + EXÉCUTION GRAPHE + TRACE LANGFUSE + ÉVALUATION
# ============================================================
if user_query := st.chat_input("Votre question ici..."):
# Sauvegarde immédiate de la question utilisateur dans l'historique Streamlit.
st.session_state.messages.append(
{
"role": "user",
"content": user_query,
"sources": [],
"steps": []
}
)
with st.chat_message("user"):
st.write(user_query)
with st.chat_message("assistant"):
with st.spinner("L'orchestrateur LangGraph évalue et exécute les nœuds..."):
try:
with langfuse_client.start_as_current_observation(
as_type="span",
name="enterprise-copilot-agentic-rag",
input={
"question": user_query,
"session_id": st.session_state.session_id
},
metadata={
"app": "enterprise-copilot",
"architecture": "langgraph-crag",
"session_id": st.session_state.session_id
}
) as trace_span:
# Récupère l'ID de la trace active pour envoyer les scores à Langfuse
raw_trace_id = getattr(trace_span, "trace_id", None)
if callable(raw_trace_id):
raw_trace_id = raw_trace_id()
trace_id = str(raw_trace_id) if raw_trace_id else None
print("✅ LANGFUSE TRACE ID:", trace_id)
# IMPORTANT :
# On passe l'historique Streamlit à LangGraph.
result = run_agentic_rag(
user_query,
session_id=st.session_state.session_id,
chat_history=st.session_state.messages
)
answer_text = result["answer"]
sources = result["sources"]
steps = result["steps"]
context = result.get("context", "")
# Évaluation automatique RAGAS-style
eval_scores = evaluate_response(
question=user_query,
answer=answer_text,
context=context,
trace_id=trace_id,
)
print("✅ EVAL SCORES:", eval_scores)
# Mise à jour de la trace Langfuse avec réponse + scores
trace_span.update(
output={
"answer": answer_text,
"sources": sources,
"steps": steps,
"trace_id": trace_id,
"eval_scores": eval_scores
}
)
langfuse_client.flush()
print("✅ Trace envoyée à Langfuse")
st.write(answer_text)
if steps:
st.info(f"👣 **Parcours des agents :** {' ➔ '.join(steps)}")
if sources:
st.caption(f"📁 **Sources consultées :** {', '.join(sources)}")
# Affichage optionnel des scores dans Streamlit
if eval_scores:
st.caption(
f"📊 Évaluation — "
f"Fidélité: {eval_scores.get('faithfulness')} | "
f"Pertinence: {eval_scores.get('relevance')} | "
f"Complétude: {eval_scores.get('completeness')}"
)
# Sauvegarde de la réponse assistant dans l'historique Streamlit.
st.session_state.messages.append(
{
"role": "assistant",
"content": answer_text,
"sources": sources,
"steps": steps
}
)
except Exception as e:
error_msg = f"Mince, une erreur est survenue : {e}"
st.error(error_msg)
print(error_msg) |