app.py

import os
import streamlit as st
import time

from langchain_openai import ChatOpenAI  # Nouvel import pour OpenAI
from langchain.prompts import PromptTemplate
from pinecone import Pinecone, ServerlessSpec

from vectore_store import get_retreive_answer
from dotenv import load_dotenv

load_dotenv()

PINECONE_API_KEY = os.environ.get("PINECONE_API_KEY")
index_name = os.environ.get("PINECONE_INDEX_NAME")

print(PINECONE_API_KEY)
pc = Pinecone(api_key=PINECONE_API_KEY)


existing_indexes = [index_info["name"] for index_info in pc.list_indexes()]

if index_name not in existing_indexes:
    pc.create_index(
        name=index_name,
        dimension=3072,
        metric="cosine",
        spec=ServerlessSpec(cloud="aws", region="us-east-1"),
    )
    while not pc.describe_index(index_name).status["ready"]:
        time.sleep(1)

index = pc.Index(index_name)

# Initialiser l'historique s'il n'existe pas déjà
if "history" not in st.session_state:
    st.session_state["history"] = []

# Interface Streamlit
st.title("Application LLM avec LangChain")
st.write("Posez une question au modèle de langage et obtenez une réponse.")

# Sélectionnez l'agent via un bouton radio
# Sélectionnez le type d'agent via un bouton radio
agent_type = st.radio(
    "Choisissez le type d'agent :",
    ("Agent IA Service Client Augmenté", "Agent IA Produit Augmenté", "Agent Campaign Marketing"), # "Agent IA Commercial Augmenté",
    index=0  # "Agent IA Service Client Augmenté" est sélectionné par défaut
)

# Configuration des templates et namespaces en fonction de l'agent sélectionné
# Configuration des templates et namespaces en fonction de l'agent sélectionné
if agent_type == "Agent IA Service Client Augmenté":
    namespaces = ["chat","tic_email"]
    prompt_template = PromptTemplate(
        input_variables=["question","context","messages"],
        template=(
            "Votre rôle est d’agir comme un Agent IA de Service Client Augmenté. Vous devez :\n\n"
            "1. Anticiper les besoins et insatisfactions des clients :\n"
            "   - Identifiez les questions et préoccupations potentielles des clients avant même qu’ils ne les expriment.\n\n"
            "2. Pré-générer des réponses adaptées :\n"
            "   - En fonction des questions les plus fréquentes et des problèmes courants, proposez des réponses prédéfinies qui peuvent être facilement adaptées aux situations spécifiques.\n\n"
            "3. Améliorer les processus et formations internes :\n"
            "   - Fournissez des suggestions basées sur les retours clients pour optimiser les processus internes de service client et améliorer les formations des agents.\n\n"
            "### Objectif :\n"
            "Fournir des réponses réactives et de qualité, afin d’accroître la satisfaction client et d’optimiser les performances du service.\n"
            "Sachant le context suivant: {context}, et l'historique de la conversation: {messages}, {question}\n"
        )
    )
elif agent_type == "Agent IA Produit Augmenté":
    namespaces = ["chat","tic_email"]
    prompt_template = PromptTemplate(
        input_variables=["question","context","messages"],
        template=(
            "Votre rôle est d’agir comme un Agent IA Produit Augmenté et responsable du service Produit :\n\n"
            "1. Fournir des données objectives pour les réunions de feedback :\n"
            "   - Catégorisation, Quantification et Reporting des données liées à nos produits et services.\n\n"
            "2. Identifier rapidement les tendances et opportunités :\n"
            "   - Analysez les données pour déceler les tendances et proposer des améliorations.\n\n"
            "3. Détecter et résoudre les problèmes en temps réel :\n"
            "   - Surveillez en continu la satisfaction des clients et identifiez les problèmes potentiels.\n\n"
            "### Objectif :\n"
            "Aider à prioriser les actions basées sur des données, gagner du temps, et améliorer la satisfaction client.\n"
            "Sachant le context suivant: {context}, et l'historique de la conversation: {messages}, {question}\n"
        )
    )
# elif  agent_type == "Agent IA Commercial Augmenté":
#     namespaces = ["chat","tic_email"]
#     prompt_template = PromptTemplate(
#         input_variables=["question"],
#         template=(
#             "Votre rôle est d’agir comme un Agent IA Commercial Augmenté. Vous devez :\n\n"
#             "1. Détection de pistes business dans le CRM :\n"
#             "   - Analysez les données du CRM pour identifier les opportunités de vente qui sont actuellement détectées manuellement.\n\n"
#             "### Objectif :\n"
#             "Automatiser la détection des pistes commerciales et augmenter l'efficacité des processus de vente."
#         )
#     )
elif agent_type == "Agent Campaign Marketing":
    namespaces = ["campaigns"]
    prompt_template = PromptTemplate(
        input_variables=["question","context","messages"],
        template=(
            "Votre rôle est d’agir comme un Agent IA de Campaign Marketing.\n\n"
            "Proposes des campagnes marketing qualitatives, ciblées et efficace.\n"
            "Sachant le context suivant: {context}, et l'historique de la conversation: {messages}, {question}\n"
        )
    )

# Créez un modèle OpenAI
llm = ChatOpenAI(model="gpt-4o-mini")

# Chaîne qui combine le modèle LLM et le prompt
llm_chain = prompt_template | llm  # Nouvelle façon d'utiliser LLMChain

# Champ pour entrer la question
question = st.text_input("Votre question :")

# Bouton pour soumettre la question
if st.button("Envoyer"):
    if question:

        context = get_retreive_answer(index, namespaces=namespaces, prompt=question)
        if not context:
            print("no context found for prompt reormatting")

        for chunk in context:
            print(chunk.metadata)
            chunk_name = chunk.metadata["filename"]

        if st.session_state["history"]:
            messages = st.session_state["history"]
        else:
            messages = []

        # Utilisation de la chaîne pour obtenir une réponse
        response = llm_chain.invoke({"question": question, "context": context, "messages": messages})  # Utilisation de invoke() au lieu de run()
        
        # Ajouter la question et la réponse à l'historique
        st.session_state["history"].append({"question": question, "response": response.content})
    else:
        st.write("Veuillez poser une question.")

# Affichage de l'historique des échanges
if st.session_state["history"]:
    st.write("### Historique des échanges")
    for i, exchange in enumerate(st.session_state["history"]):
        st.write(f"**Échange {i + 1}**")
        st.write(f"**Question :** {exchange['question']}")
        st.write(f"**Réponse :** {exchange['response']}")
        st.write("---")