import os import sys from pathlib import Path from dotenv import load_dotenv from typing import Any, Dict, List, Optional from typing_extensions import TypedDict from langgraph.graph import StateGraph, END # ============================================================ # 0. CHARGEMENT DU .ENV + ALIGNEMENT DES CHEMINS # ============================================================ 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)) print("ANTHROPIC_API_KEY exists in core.graph:", bool(os.getenv("ANTHROPIC_API_KEY"))) # Import après chargement du .env from agents.orchestrator import run_agentic_rag # ============================================================ # 1. ÉTAT PARTAGÉ DU COPILOT # ============================================================ class CopilotState(TypedDict, total=False): """ État partagé entre les nœuds du graphe. C'est le "plateau" qui circule dans LangGraph : question -> agentic_rag -> format_response -> END """ question: str session_id: str chat_history: List[Dict[str, Any]] response_language: str context: str sources: List[str] steps: List[str] raw_answer: str final_answer: str evaluation: Optional[Dict[str, Any]] trace_id: Optional[str] # ============================================================ # 2. HELPERS # ============================================================ def normalize_response_language(language: str | None) -> str: """ Normalise la langue de réponse. Valeurs acceptées : - fr - en """ language = (language or "fr").lower().strip() if language not in ["fr", "en"]: return "fr" return language # ============================================================ # 3. NŒUD PRINCIPAL : ORCHESTRATEUR AGENTIC RAG # ============================================================ def agentic_rag_node(state: CopilotState) -> CopilotState: """ Nœud principal qui appelle l'orchestrateur déjà validé. agents/orchestrator.py gère : - retrieval Qdrant - routage / grading - génération Claude - mémoire conversationnelle - évaluation LLM-as-judge - langue de réponse FR / EN """ question = state.get("question", "") session_id = state.get("session_id", "default_session") chat_history = state.get("chat_history", []) response_language = normalize_response_language(state.get("response_language", "fr")) result = run_agentic_rag( question=question, session_id=session_id, chat_history=chat_history, response_language=response_language, ) return { **state, "response_language": response_language, "context": result.get("context", ""), "sources": result.get("sources", []), "steps": result.get("steps", []), "raw_answer": result.get("answer", ""), "final_answer": result.get("answer", ""), "evaluation": result.get("evaluation"), } # ============================================================ # 4. NŒUD DE FORMATAGE FINAL # ============================================================ def format_response_node(state: CopilotState) -> CopilotState: """ Nœud de sortie. Pour l'instant, il ne modifie pas la réponse. Il prépare surtout l'étape API REST FastAPI : on pourra y standardiser le JSON retourné à l'API. """ final_answer = state.get("final_answer") or state.get("raw_answer") or "" return { **state, "final_answer": final_answer, } # ============================================================ # 5. CONSTRUCTION DU GRAPHE # ============================================================ def build_copilot_graph(): """ Construit le graphe principal du Copilot. Structure : agentic_rag -> format_response -> END """ graph = StateGraph(CopilotState) graph.add_node("agentic_rag", agentic_rag_node) graph.add_node("format_response", format_response_node) graph.set_entry_point("agentic_rag") graph.add_edge("agentic_rag", "format_response") graph.add_edge("format_response", END) return graph.compile() # Instance globale utilisée par FastAPI ou Streamlit copilot = build_copilot_graph() # ============================================================ # 6. FONCTION D'APPEL SIMPLE POUR FASTAPI / TESTS # ============================================================ def run_copilot( question: str, session_id: str = "default_session", chat_history: List[Dict[str, Any]] | None = None, trace_id: str | None = None, response_language: str = "fr", ) -> Dict[str, Any]: """ Fonction simple à appeler depuis FastAPI. Elle renvoie une réponse structurée : - answer - sources - steps - context - evaluation - trace_id - response_language """ clean_response_language = normalize_response_language(response_language) state: CopilotState = { "question": question, "session_id": session_id, "chat_history": chat_history or [], "trace_id": trace_id, "response_language": clean_response_language, } output = copilot.invoke(state) return { "answer": output.get("final_answer", ""), "sources": output.get("sources", []), "steps": output.get("steps", []), "context": output.get("context", ""), "evaluation": output.get("evaluation"), "trace_id": output.get("trace_id"), "response_language": output.get("response_language", clean_response_language), }