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)