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)