pattern_epoque.py

import json
from langchain.prompts import PromptTemplate
from langchain.chains import LLMChain
from pydantic import BaseModel, Field
from typing import List, Tuple
from langchain.chat_models import ChatOpenAI
from langchain.output_parsers import PydanticOutputParser


# Modèles Pydantic pour structurer la réponse
class AlternativeSuggestion(BaseModel):
    suggestion_1: str = Field(..., description="Première suggestion de reformulation.")
    suggestion_2: str = Field(..., description="Deuxième suggestion de reformulation.")


class PatternDetail(BaseModel):
    pattern: str = Field(..., description="Mot ou expression détectée.")
    indices: List[Tuple[int, int]] = Field(..., description="Indices de début et de fin pour chaque occurrence dans le texte.")
    sentence: str = Field(..., description="Phrase complète où l'expression apparaît.")
    alternative_suggestions: AlternativeSuggestion = Field(..., description="Deux suggestions de reformulation.")

    def to_dict(self):
        return {
            "pattern": self.pattern,
            "indices": self.indices,
            "sentence": self.sentence,
            "alternative_suggestions": {
                "suggestion_1": self.alternative_suggestions.suggestion_1,
                "suggestion_2": self.alternative_suggestions.suggestion_2,
            }
        }


class Summary(BaseModel):
    total_patterns_detected: int = Field(..., description="Nombre total de patterns détectés.")
    alternative_suggestions_provided: int = Field(..., description="Nombre total de suggestions fournies.")
    occurrences: int = Field(..., description="Nombre total d'occurrences trouvées dans le texte.")

    def to_dict(self):
        return {
            "total_patterns_detected": self.total_patterns_detected,
            "alternative_suggestions_provided": self.alternative_suggestions_provided,
            "occurrences": self.occurrences
        }


class DetectionResult(BaseModel):
    patterns: List[PatternDetail] = Field(..., description="Liste des patterns détectés avec détails.")
    summary: Summary = Field(..., description="Résumé de la détection.")

    def to_dict(self):
        return {
            "patterns": [pattern.to_dict() for pattern in self.patterns],
            "summary": self.summary.to_dict()
        }


def epoque_prompt_template():
    return """
    Analyse le texte suivant et identifie toutes les occurrences des expressions suivantes et de leurs variantes :
    "Le monde de", "L’univers de", "À l’ère de", "Le domaine de", "À l'époque de", "Au temps de", "À l'aube de",
    "Dans le cadre de", "Au cœur de", "En matière de", "Dans l'univers de".

    Incluez également toute autre expression similaire qui introduit un contexte général ou un cadre temporel ou spatial.

    Pour chaque occurrence trouvée, veuillez :
    
    - Citer la phrase complète où l'expression apparaît.
    - Indiquer l'expression exacte utilisée dans le texte.
    - Proposer deux reformulations de la phrase, de sorte à remplacer l'expression détectée par une formulation plus précise ou stylistiquement améliorée, sans utiliser d'expressions équivalentes.
    - Justifiez brièvement chaque reformulation en expliquant comment elle améliore le style ou la clarté.

    Assurez-vous de respecter également les règles suivantes :
    1. Les expressions comme "crucial", "essentiel", "important", "fondamental", et d'autres ne doivent être utilisées qu'une fois dans l'introduction (premier paragraphe).
    2. Les expressions comme "Il existe", "Il faut", "cependant", "De plus", "en revanche", "Néanmoins", "toutefois", "imaginez" ne doivent pas être utilisées en début de phrase.
    3. "Joue un rôle", "il est", ou "est une étape" ne doivent pas être associés à des mots tels que "important", "essentiel", etc.
    4. "En plus" (et ses variantes) ne doit pas être seul en début de phrase.

    Votre analyse doit être retournée en JSON avec les éléments suivants :
    
    Pour chaque pattern détecté :
    - "pattern": "mot ou expression détectée",
    - "indices": [[index de début, index de fin pour chaque occurrence]],
    - "sentence": "phrase où l'expression est utilisée",
    - "alternative_suggestions": ["suggestion 1", "suggestion 2"] (si applicable)
    
    Si aucun pattern n'est trouvé, renvoyez :
    - "pattern0": "",
    - "occurrences": 0,

    À la fin, ajoutez un résumé avec :
    - "total_patterns_detected": nombre total de patterns détectés,
    - "alternative_suggestions_provided": nombre de suggestions fournies,
    - "occurrences": nombre d'occurrences.

    Voici le texte à analyser :
    ```{text}```
    
    \n{format_instruction}
    """


def epoque(text):
    # Créer le template avec la variable text intégrée directement
    prompt_template = epoque_prompt_template()

    output_parser = PydanticOutputParser(pydantic_object=DetectionResult)

    # Créer le prompt avec le texte intégré
    gen_prompt_template = PromptTemplate(
        input_variables=["text"],
        template=prompt_template,
        partial_variables={'format_instruction': output_parser.get_format_instructions()}
    )

    # Créer une instance du modèle de langage
    llm = ChatOpenAI(model='gpt-4o', temperature=0.5, api_key="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")

    # Exécuter la chaîne avec le LLM
    llm_chain = gen_prompt_template | llm | output_parser  # LLMChain(prompt=prompt, llm=llm, verbose=True)
    
    # Appel du modèle avec le texte fourni
    result_dict = llm_chain.invoke({"text": text}).to_dict()

    # Parsing de la réponse JSON
    json_result = json.dumps(result_dict, indent=8, ensure_ascii=False)

    # Générer le prompt final
    final_prompt = gen_prompt_template.format(text=text)

    # Retourne les suggestions ou les erreurs de parsing
    return {
        "result": json_result,
        "prompt": final_prompt
    }