pattern_connecteur_cependant.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 Expression(BaseModel):
    expression: str = Field(..., description="Expression détectée (ex: 'est une étape importante')")
    indice_debut: int = Field(..., description="Indice de début de l'expression")
    indice_fin: int = Field(..., description="Indice de fin de l'expression")

class Phrase(BaseModel):
    texte: str = Field(..., description="Phrase complète contenant l'expression ou les expressions détectées")
    indice_debut: int = Field(..., description="Indice de début de la phrase")
    indice_fin: int = Field(..., description="Indice de fin de la phrase")

class Reformulation(BaseModel):
    texte: str = Field(..., description="Texte de la reformulation")

class PhraseDetectee(BaseModel):
    phrase: Phrase = Field(..., description="Détails de la phrase")
    erreurs: List[Expression] = Field(..., description="Liste des expressions détectées dans la phrase")
    reformulations: List[Reformulation] = Field(..., description="Liste des reformulations proposées")
    justification: str = Field(..., description="Justification des reformulations proposées")

class Summary(BaseModel):
    total_erreurs: int = Field(..., description="Nombre total d'expressions détectées")
    total_phrases: int = Field(..., description="Nombre total de phrases contenant des expressions")
    total_reformulations: int = Field(..., description="Nombre total de reformulations proposées")

class DetectionResult(BaseModel):
    phrases_detectees: List[PhraseDetectee] = Field(..., description="Liste des phrases détectées avec détails")
    summary: Summary = Field(..., description="Résumé de la détection")

    def to_dict(self):
        return {
            "phrases_detectees": [phrase.model_dump() for phrase in self.phrases_detectees],
            "summary": self.summary.model_dump()
        }


def connecteur_prompt_template():
    return """En tant que rédacteur web expert, votre mission est d'analyser le texte suivant et identifier toutes les phrases qui commencent par des connecteurs ou des adverbes parmi les catégories suivantes :

Opposition/Concession : "Cependant", "Toutefois", "Néanmoins", "Pourtant", "En revanche", "Or", "Mais", "Malgré tout", "En dépit de cela", "Au demeurant", "Bien que", "Quoique"
Addition : "De plus", "En outre", "Par ailleurs", "D'ailleurs", "De surcroît", "En addition", "Par-dessus le marché", "En plus de cela"
Conséquence : "Ainsi", "Donc", "Alors", "Par conséquent", "En effet", "C'est pourquoi", "Par suite", "En conséquence", "Il en résulte que", "D'où"
Chronologie : "Ensuite", "Puis", "D'abord", "Premièrement", "Deuxièmement", "Enfin", "Par la suite"
Exemple : "Par exemple", "Notamment", "En particulier", "Comme"
Conclusion/Synthèse : "Finalement", "Au final", "En conclusion", "Pour finir", "En résumé", "Somme toute"

Pour chaque phrase où une ou plusieurs occurrences sont trouvées, veuillez :

1. Citer la phrase complète avec ses indices de début et de fin.
2. Identifier le connecteur exact ou les adverbes utilisés dans la phrase avec leurs indices.
3. Proposer cinq reformulations de la phrase, en suivant ces instructions :
    - Au moins deux reformulations doivent contenir le connecteur déplacé au milieu de la phrase, tout en veillant à ce que le sens soit conservé et que le style reste fluide.
    - Les autres reformulations doivent supprimer le connecteur et proposer des alternatives pour ne plus avoir de connecteur en début de phrase.
    - Les reformulations doivent utiliser des constructions alternatives adaptées au contexte, sans remplacer le connecteur par un autre adverbe se terminant par "-ment".
    - Assurez-vous que le sens reste inchangé et que le style soit amélioré, tout en évitant impérativement toute redondance ou répétition de mots.
4. Justifier les reformulations proposées en expliquant comment elles améliorent le style, la clarté ou la précision.

Exemples d'erreurs à corriger :
"Cependant, il a continué malgré les difficultés", mais on dit "Il a continué malgré les difficultés." ou "Il a continué, cependant, malgré les difficultés."
"De plus, elle a ajouté une remarque importante", mais on dit "Elle a ajouté une remarque importante." ou "Elle a ajouté une remarque importante de plus."
"Ainsi, le projet a pris du retard", mais on dit "Le projet a pris du retard." ou "Le projet, ainsi, a pris du retard."

Ton analyse doit être retournée en JSON avec la structure suivante :

{{
    "phrases_detectees": [
    {{
        "phrase": {{
        "texte": "Phrase complète contenant l'expression ou les expressions détectées",
        "indice_debut": x,
        "indice_fin": y
        }},
        "erreurs": [
        {{
            "expression": "Expression détectée",
            "indice_debut": a,
            "indice_fin": b
        }}
        ],
        "reformulations": [
        {{ "texte": "Reformulation 1" }},
        {{ "texte": "Reformulation 2" }},
        {{ "texte": "Reformulation 3" }},
        {{ "texte": "Reformulation 4" }},
        {{ "texte": "Reformulation 5" }}
        ],
        "justification": "Justification des reformulations proposées en s'il est disponible l'adjectif qualificatif à laquelle c'est associés."
    }}
    ],
    "summary": {{
    "total_erreurs": nombre_total_d_expressions_detectées,
    "total_phrases": nombre_total_de_phrases_contenant_des_expressions,
    "total_reformulations": nombre_total_de_reformulations_proposées
    }}
}}


Texte à analyser :
{text}

Assurez-vous que les indices correspondent aux positions exactes dans le texte original et que le JSON est correctement formaté.
{format_instruction}
"""

# def connecteur_prompt_template():
#     return """
#     Veuillez analyser le texte suivant et identifier toutes les phrases qui commencent par des connecteurs ou des adverbes tels que :

#     Opposition/Concession : "Cependant", "Toutefois", "Néanmoins", "Pourtant", "En revanche", "Or", "Mais", "Malgré tout", "En dépit de cela", "Au demeurant", "Bien que", "Quoique"
#     Addition : "De plus", "En outre", "Par ailleurs", "D'ailleurs", "De surcroît", "En addition", "Par-dessus le marché", "En plus de cela"
#     Conséquence : "Ainsi", "Donc", "Alors", "Par conséquent", "En effet", "C'est pourquoi", "Par suite", "En conséquence", "Il en résulte que", "D'où"
#     Chronologie : "Ensuite", "Puis", "D'abord", "Premièrement", "Deuxièmement", "Enfin", "Par la suite"
#     Exemple : "Par exemple", "Notamment", "En particulier", "Comme"
#     Conclusion/Synthèse : "Finalement", "Au final", "En conclusion", "Pour finir", "En résumé", "Somme toute"

#     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, en déplaçant le connecteur vers le milieu ou la fin de la phrase si approprié, ou en intégrant le connecteur dans une phrase précédente ou suivante pour améliorer la fluidité.
#     - Fournir une justification de la suggestion, expliquant en quoi elle améliore la clarté ou le style.

#     Assurez-vous de respecter les règles suivantes :
#     1. Les expressions comme "crucial", "essentiel", "important", "fondamental", etc., ne doivent pas être utilisées plus d'une fois dans l'introduction.
#     2. Les expressions comme "Il existe", "il faut", "cependant", "de plus", "en revanche", "néanmoins", "toutefois" ne doivent pas être utilisées en début de phrase.
#     3. Les expressions comme "joue un rôle", "il est", ou "est une étape" ne doivent pas être associées à des adjectifs comme "important", "essentiel", etc.
#     4. "En plus" ne doit pas être utilisé seul en début de phrase.

#     Le format de sortie doit être un JSON structuré 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"],
#     - "justification": "justification de la suggestion"

#     Si aucun pattern n'est trouvé, retournez un JSON avec :
#     - "pattern0": "",
#     - "occurrences": 0,

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

#     Voici le texte à analyser :
#     ```{text}```

#     \n{format_instruction}
#     """

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

    # 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
    }