Update main.py

main.py

@@ -12,7 +12,11 @@ from langchain_core.prompts import ChatPromptTemplate
 
 from langchain.agents import AgentExecutor
 from langchain.agents.agent_types import AgentType
-from langchain_experimental.agents.agent_toolkits import create_pandas_dataframe_agent, create_csv_agent
+#from langchain_experimental.agents.agent_toolkits import create_pandas_dataframe_agent, create_csv_agent
+from langchain_community.agent_toolkits import create_sql_agent
+
+from langchain_community.utilities import SQLDatabase
+from sqlalchemy import create_engine
 
 import chainlit as cl
 from chainlit.input_widget import TextInput, Select, Switch, Slider
@@ -45,13 +49,13 @@ def auth_callback(username: str, password: str):
 @cl.step(type="run")
 def create_agent(filename: str):
     """
-    Create an agent that can access and use a large language model (LLM).
+    Créer un agent qui permet l'accès et l'usage d'un large language model (LLM).
 
     Args:
-        filename: The path to the CSV file that contains the data.
+        filename: le chemin du fichier CSV qui contient les datas.
 
     Returns:
-        An agent that can access and use the LLM.
+        Un agent qui peut accéder et utiliser le LLM.
     """
 
     # Create an OpenAI object.
@@ -60,9 +64,13 @@ def create_agent(filename: str):
     #llm = OpenAI(temperature=0, model_name="gpt-4")
     # Read the CSV file into a Pandas DataFrame.
     df = pd.read_csv(filename)
-
-    # Create a Pandas DataFrame agent.
-    return create_pandas_dataframe_agent(llm, df, verbose=False, allow_dangerous_code=True, handle_parsing_errors=True, agent_type=AgentType.OPENAI_FUNCTIONS)
+    engine = create_engine("sqlite:///sphinx.db")
+    df.to_sql("sphinx", engine, index=False)
+    db = SQLDatabase(engine=engine)
+    # Create a SAL agent.
+    #e.g agent_executor.invoke({"input": "Quel est le nombre de chargé d'affaires en agencement par entreprise?"})
+    #return create_pandas_dataframe_agent(llm, df, verbose=False, allow_dangerous_code=True, handle_parsing_errors=True, agent_type=AgentType.OPENAI_FUNCTIONS)
+    return create_sql_agent(llm, db=db, agent_type="openai-tools", verbose=False)
 
 def query_agent(agent, query):
     """
@@ -182,7 +190,8 @@ async def on_message(message: cl.Message):
     cb = cl.AsyncLangchainCallbackHandler()
     try:
         #res = await agent.acall("Réponds en langue française à la question suivante : " + message.content, callbacks=[cb])
-        res = await agent.ainvoke("Réponds de la manière la plus complète et la plus intelligible, en langue française, à la question suivante : " + message.content + ". Réponds au format markdown ou au format tableau si le résultat nécessite l'affichage d'un tableau.")
+        res = await agent.ainvoke({"input": "Réponds de la manière la plus complète et la plus intelligible, en langue française, à la question suivante : " + message.content + ". Réponds au format markdown ou au format tableau si le résultat nécessite l'affichage d'un tableau."})
+        #res = await agent.ainvoke("Réponds de la manière la plus complète et la plus intelligible, en langue française, à la question suivante : " + message.content + ". Réponds au format markdown ou au format tableau si le résultat nécessite l'affichage d'un tableau.")
         await cl.Message(author="COPILOT",content=GoogleTranslator(source='auto', target='fr').translate(res['output'])).send()
     except ValueError as e:
         res = str(e)