pattern_look.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 look_prompt_template():
    return """En tant que rédacteur web expert, votre mission est d'analyser le texte suivant et de détecter strictement toutes les occurrences du mot "look" utilisées dans le contexte de la décoration et de l'aménagement des espaces de vie ou de travail.

Pour chaque phrase où une ou plusieurs occurrences du mot "look" sont trouvées, veuillez :
1. Citer la phrase complète avec ses indices de début et de fin.
2. Identifier l'expression exacte utilisant le mot "look" dans la phrase avec ses indices.
3. Expliquer pourquoi l'utilisation de "look" est inappropriée dans ce contexte en français, en précisant qu'il s'agit d'un anglicisme qui peut être remplacé par des termes plus adaptés.
4. Proposer cinq reformulations de la phrase en utilisant un terme ou une expression plus correcte en français (par exemple : "style", "allure", "ambiance", "aspect", "touche"), tout en tenant compte du contexte décoratif.
    - Assurez-vous que la phrase reformulée soit fluide, naturelle et préserve le sens original.
    - Évitez impérativement toute redondance ou répétition de mots.
5. Respecter les règles suivantes lors de la reformulation :
    - Ne pas utiliser : "Crucial", "Essentiel", "Important", "Fondamental", "Le monde de", "Dans l’univers de", "À l’ère de", "Généralement", "Outre", "Cela signifie que", "Ce qui signifie que", "Voici", "Découvrez", "S’avérer être", "Il suffit de", "Permet", "Décision éclairée", "Décision avisée" et leurs variantes.
    - Ne pas utiliser "Look" et ses variantes dans un contexte de décoration.
    - Ne pas commencer une phrase par : "Il existe", "Il faut", "Cependant", "De plus", "En revanche", "Néanmoins", "Toutefois", "Imaginez" ou leurs variantes.
    - Ne pas associer : "Joue un rôle", "Il est", "Est une étape" à des mots tels que "Important", "Essentiel", "Crucial", "Primordial", "Fondamental", "Indispensable", "Déterminant".
    - Ne pas commencer une phrase par : "En plus" ou ses variantes.
6. Justifier les reformulations proposées en expliquant comment elles améliorent le style et la pertinence dans le contexte décoratif, tout en évitant l'utilisation d'anglicismes inappropriés.

Exemples d'erreurs à corriger :
"Le look moderne de cette pièce la rend unique", mais on dit "Le style moderne de cette pièce la rend unique."
"Ce salon a un look contemporain", mais on dit "Ce salon a une allure contemporaine."
"Le look industriel est très en vogue", mais on dit "Le style industriel est très en vogue."
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."
    }}
    ],
    "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 look_prompt_template():
#     return """
#    Analyse le texte suivant et détecte strictement toutes les occurrences du mot "look" utilisées dans le contexte de la décoration et de l'aménagement des espaces de vie ou de travail.

#    Pour chaque occurrence trouvée, veuillez :

#    - Citer la phrase complète où l'expression apparaît.
#    - Indiquer l'expression exacte utilisée dans le texte.
#    - Expliquer pourquoi l'utilisation de "look" est inappropriée dans ce contexte décoratif en français, en précisant qu'il s'agit d'un anglicisme.
#    - Proposer deux reformulations de la phrase en utilisant un terme ou une expression plus correcte en français, comme "style", "allure", "ambiance", "aspect", ou "touche", en tenant compte du contexte de la décoration.
#    - Assurez-vous que la phrase reformulée soit fluide, naturelle et préserve le sens original.

#    Assurez-vous également 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"]

#    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 look(text):
    # Créer le template avec la variable text intégrée directement
    prompt_template = look_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
    }