feat: update config.yaml and chatbot logic to enhance budget handling and improve message formatting

config.yaml

@@ -66,8 +66,8 @@ variables:
         - label: "Type d'activité"
           nature: 'selectbox'
           key: type_activite
-          options: ["Agriculture", "Elevage", "Viticulture"]
-          value: "Agriculture"
+          options: [ "Toutes", "Cereales", "Elevage", "Equin", "Forestier", "Peche", "Viticole" ]
+          value: ""
 
         - label: "Spécificités et/ou Certifications"
           nature: 'multiselect'
@@ -114,13 +114,23 @@ variables:
           options: ["Innovation", "Durabilité", "Développement", "Formation"]
           value: 
 
-        - label: "Budget total estimé"
-          nature: 'slider'
-          key: projet_budget
-          value: [] # Valeur par défaut
-          min: 0
-          max: 50000
-          step: 500
+        - label: "Budget Minimum"
+          nature: 'numeric'
+          key: budget_minimum
+          value: 1000
+
+        - label: "Budget Maximum"
+          nature: 'numeric'
+          key: budget_maximum
+          value: 6000000
+
+        # - label: "Budget total estimé"
+        #   nature: 'slider'
+        #   key: projet_budget
+        #   value: [] # Valeur par défaut
+        #   min: 0
+        #   max: 50000
+        #   step: 500
 
           
     - name: "Critères de Subvention"
@@ -145,36 +155,37 @@ variables:
           value: "Tous"
           
 
-prompt_system: ""
-
-prompt_template: "
-
+prompt_system: "
 Informations générales de l'exploitation agricole :
-
-Nom de l'exploitation : {exploitation_name}
-Localisation : {localisation}
-Type d'activité : {type_activite}
-Spécificités et/ou Certifications : {specificite_certifications}
-Date de création de l'entreprise : {date_creation}
-Chiffre d'affaires annuel (en €) : {ca_annuel}
-EBE (Excédent Brut d'Exploitation, en €) : {ebe}
-Total Bilan : {total_bilan}
-Nombre de salarié : {nb_salaries}
-
-Projet en cours : L'exploitation souhaite développer un projet décrit comme suit : {projet_description}. Ce projet est catégorisé sous {projet_categorie} avec une tranche de budget estimée entre {projet_budget} €. L'impact de ce projet est important pour l'entreprise et nécessite un soutien financier approprié.
+Nom de l'exploitation : {exploitation_name}\n\n
+Localisation : {localisation}\n\n
+Type d'activité : {type_activite}\n\n
+Spécificités et/ou Certifications : {specificite_certifications}\n\n
+Date de création de l'entreprise : {date_creation}\n\n
+Chiffre d'affaires annuel (en €) : {ca_annuel}\n\n
+EBE (Excédent Brut d'Exploitation, en €) : {ebe}\n\n
+Total Bilan : {total_bilan}\n\n
+Nombre de salarié : {nb_salaries}\n\n
+
+Projet en cours : L'exploitation souhaite développer un projet décrit comme suit : {projet_description}. Ce projet est catégorisé sous {projet_categorie} avec une tranche de budget estimée entre {budget_minimum} et {budget_maximum} €. L'impact de ce projet est important pour l'entreprise et nécessite un soutien financier approprié.
 
 Pour obtenir les subventions les plus adaptées, l'utilisateur a spécifié les critères suivants :
 - Périmètre géographique de recherche : {recherche_geo}
 - Type de subvention souhaitée : {subvention_type}
 - Thématique de l'aide : {subvention_thematic}
+"
+
+prompt_template: "
 
 Les informations supplémentaires pertinentes, issues des données préexistantes sur les subventions et les documents fournis, sont les suivantes :
 - Documents partagés : {commonContext}
 L'utilisateur a monté le document suivant : {documentContext}
 
 Répond à l'utilisateur en te basant sur les subventions récupérer dans {commonContext}
-
-{prompt_system}
+Répond en n'oubliant pas, au minimum, pour chaque aide/subvention :
+- Le nom
+- Le lien
+- La source
 
 Afin de bien cerner les attentes de l’utilisateur et de proposer des subventions alignées avec ses besoins, voici un rappel de ses précédentes questions et attentes :
 - Historique des messages : {messages}

pages/chatbot.py

@@ -1,5 +1,6 @@
 import streamlit as st
-from langchain_core.messages import AIMessage, HumanMessage
+from langchain_core.messages import AIMessage, HumanMessage, SystemMessage
+from langchain.prompts import PromptTemplate
 from model import selector
 from util import getYamlConfig
 from st_copy_to_clipboard import st_copy_to_clipboard
@@ -20,6 +21,10 @@ def display_messages():
             with st.chat_message("Moi"):
                 st.write(message.content)
 
+        # elif isinstance(message, SystemMessage):
+        #     with st.chat_message("System"):
+        #         st.write(message.content)
+
 def show_retrieved_documents(query: str = ''):
     if query == '':
         return
@@ -32,7 +37,7 @@ def show_retrieved_documents(query: str = ''):
         if 'query' in item:
             if item["query"] == query:
                 for doc in item.get("documents", []):
-                    expander.write(doc)
+                    expander.write(doc["metadata"]["source"])
 
 
 def launchQuery(query: str = None):
@@ -41,7 +46,7 @@ def launchQuery(query: str = None):
     full_response = st.write_stream(
         st.session_state["assistant"].ask(
             query,
-            prompt_system=st.session_state.prompt_system,
+            # prompt_system=st.session_state.prompt_system,
             messages=st.session_state["chat_history"] if "chat_history" in st.session_state else [],
             variables=st.session_state["data_dict"]
         ))
@@ -63,6 +68,18 @@ def show_prompts():
             if expander.button(item, key=f"button_{item}"):
                 launchQuery(item)
 
+def remplir_texte(texte: str, variables: dict) -> str:
+    # Convertir les valeurs en chaînes de caractères pour éviter les erreurs avec format()
+    variables_str = {key: (', '.join(value) if isinstance(value, list) else value if value else 'Non spécifié')
+                     for key, value in variables.items()}
+    
+    # Remplacer les variables dynamiques dans le texte
+    try:
+        texte_rempli = texte.format(**variables_str)
+    except KeyError as e:
+        raise ValueError(f"Clé manquante dans le dictionnaire : {e}")
+    
+    return texte_rempli
 
 def page():
     st.subheader("Posez vos questions")
@@ -70,8 +87,19 @@ def page():
     if "assistant" not in st.session_state:
         st.text("Assistant non initialisé")
 
-    if "chat_history" not in st.session_state:
-        st.session_state["chat_history"] = []
+    if "chat_history" not in st.session_state or len(st.session_state["chat_history"]) == 1:
+
+        print("got here")
+        if st.session_state["data_dict"] is not None:
+            # Convertir la liste en dictionnaire avec 'key' comme clé et 'value' comme valeur
+            vars = {item['key']: item['value'] for item in st.session_state["data_dict"] if 'key' in item and 'value' in item}
+
+        system_template = st.session_state.prompt_system
+        full = remplir_texte(system_template, vars)
+
+        st.session_state["chat_history"] = [
+            SystemMessage(content=full),
+        ]
 
     st.markdown("<style>iframe{height:50px;}</style>", unsafe_allow_html=True)
 

rag.py

@@ -73,22 +73,29 @@ class Rag:
         self.retriever = document_vector_store.as_retriever(
             search_type="similarity_score_threshold",
             search_kwargs={
-                "k": 3,
-                "score_threshold": 0.5,
+                "k": 5,
+                "score_threshold": 0.6,
             },
         )
 
-    def ask(self, query: str, prompt_system: str, messages: list, variables: list = None):
+    def ask(self, query: str, prompt_system: str = '', messages: list = [], variables: list = None):
         self.chain = self.prompt | self.model | StrOutputParser()
-        
+
+        if len(messages) > 0:
+            systemMessage = messages[0]
+            empower_query = systemMessage.content + " " + query
+        else:
+            empower_query = query
+
         # Retrieve the context document
         if self.retriever is None:
             documentContext = ''
         else:
-            documentContext = self.retriever.invoke(query)
+            documentContext = self.retriever.invoke(empower_query)
+
 
         # Retrieve the VectoreStore
-        contextCommon = self.vector_store.retriever(query, self.embedding)
+        contextCommon = self.vector_store.retriever(empower_query, self.embedding)
 
         st.session_state["retrived_documents"].append({ "query": query, "documents": contextCommon })
 
@@ -97,7 +104,7 @@ class Rag:
             "query": query,
             "documentContext": documentContext,
             "commonContext": contextCommon,
-            "prompt_system": prompt_system,
+            # "prompt_system": prompt_system,
             "messages": messages
         }
 

vectore_store/PineconeConnector.py

@@ -88,7 +88,7 @@ class PineconeConnector(ConnectorStrategy):
 
         retriever = vector_store.as_retriever(
             search_type="similarity_score_threshold",
-            search_kwargs={"k": 3, "score_threshold": 0.6},
+            search_kwargs={"k": 5, "score_threshold": 0.6},
         )
 
         return retriever.invoke(query)