Spaces:
Sleeping
Sleeping
File size: 26,041 Bytes
b879c19 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538 539 540 541 542 543 544 545 546 547 548 549 550 551 552 553 554 555 556 557 558 559 560 561 562 563 564 565 566 567 568 569 570 571 572 573 574 575 576 577 578 579 580 581 582 583 584 585 586 587 588 589 590 591 592 593 594 595 596 597 598 599 600 601 602 603 604 605 606 607 608 609 610 611 612 613 614 615 616 617 618 619 620 621 622 623 624 625 626 627 628 629 630 631 632 633 634 635 636 637 638 639 640 641 642 643 644 645 646 647 648 649 650 651 652 653 654 655 656 657 658 659 660 661 662 663 664 665 666 667 668 669 |
"""
Agent Summarizer - Analyse et résumé de documents.
Crée des résumés structurés et des analyses approfondies des documents extraits.
"""
import asyncio
from typing import List, Dict, Any, Optional
from datetime import datetime
import hashlib
from src.agents.base_agent import BaseAgent
from src.models.document_models import Document, DocumentSummary, SummarizationOutput, KeyPoint, Citation
from src.models.state_models import AgentType
from src.services.llm_service import LLMManager, LLMError
from src.services.text_chunking import ChunkingManager, TextChunk
from src.core.logging import setup_logger
from config.prompts import SUMMARIZER_PROMPTS, SYSTEM_PROMPTS
import hashlib
import re
class SummarizationInput:
"""Input pour l'agent Summarizer."""
def __init__(
self,
documents: List[Document],
summary_options: Optional[Dict[str, Any]] = None
):
self.documents = documents
self.summary_options = summary_options or {}
# Options par défaut
self.include_sentiment = self.summary_options.get('include_sentiment', True)
self.include_citations = self.summary_options.get('include_citations', True)
self.max_key_points = self.summary_options.get('max_key_points', 5)
self.detailed_analysis = self.summary_options.get('detailed_analysis', True)
self.chunk_large_docs = self.summary_options.get('chunk_large_docs', True)
self.max_doc_size = self.summary_options.get('max_doc_size', 8000) # caractères
class SummarizerAgent(BaseAgent):
"""
Agent responsable de l'analyse et du résumé de documents.
Fonctionnalités:
- Résumé exécutif et détaillé
- Extraction de points clés et arguments
- Analyse de sentiment et biais
- Gestion des documents longs via chunking
- Citations et statistiques importantes
- Évaluation de crédibilité
"""
def __init__(
self,
max_retries: int = 2,
timeout: float = 600.0 # 10 minutes pour traiter plusieurs documents
):
super().__init__(
agent_type=AgentType.READER,
name="summarizer",
max_retries=max_retries,
timeout=timeout
)
# Services
self.llm_manager = LLMManager()
self.chunking_manager = ChunkingManager()
# Configuration
self.max_concurrent_summaries = 3 # maximum de résumés parallèles
self.chunk_overlap_threshold = 6000 # Seuil pour le chunking en caractères
def validate_input(self, input_data: SummarizationInput) -> bool:
"""
Valide les données d'entrée pour la summarization.
Args:
input_data: Input contenant les documents à résumer
Returns:
True si les données sont valides
"""
if not input_data.documents:
self.logger.error("Aucun document fourni pour la summarization")
return False
if len(input_data.documents) > 20: # Limite raisonnable
self.logger.error(f"Trop de documents ({len(input_data.documents)}), maximum 20")
return False
# Vérifier que les documents ont du contenu
valid_docs = [doc for doc in input_data.documents if doc.content and doc.content.strip()]
if not valid_docs:
self.logger.error("Aucun document avec contenu valide")
return False
return True
async def process(self, input_data: SummarizationInput) -> SummarizationOutput:
"""
Traite la summarization des documents.
Args:
input_data: Input contenant les documents à résumer
Returns:
SummarizationOutput avec tous les résumés
"""
start_time = datetime.now()
self.logger.info(f"Début summarization de {len(input_data.documents)} documents")
# Filtrer les documents valides
valid_documents = [doc for doc in input_data.documents if doc.content and doc.content.strip()]
self.logger.info(f"Documents valides à traiter: {len(valid_documents)}")
try:
# Traitement parallèle des résumés
summaries = await self._summarize_all_documents(valid_documents, input_data)
# Analyse globale
global_analysis = await self._perform_global_analysis(summaries)
# Calcul des métriques
total_processing_time = (datetime.now() - start_time).total_seconds()
average_credibility = self._calculate_average_credibility(summaries)
# Création du résultat
result = SummarizationOutput(
summaries=summaries,
total_documents=len(input_data.documents),
total_processing_time=total_processing_time,
average_credibility=average_credibility,
common_themes=global_analysis.get('common_themes', []),
consensus_points=global_analysis.get('consensus_points', []),
conflicting_views=global_analysis.get('conflicting_views', [])
)
self.logger.info(
f"Summarization terminée: {len(summaries)} résumés créés en {total_processing_time:.2f}s"
)
return result
except Exception as e:
self.logger.error(f"Erreur lors de la summarization: {str(e)}")
raise
async def _summarize_all_documents(
self,
documents: List[Document],
input_data: SummarizationInput
) -> List[DocumentSummary]:
"""Résume tous les documents en parallèle."""
semaphore = asyncio.Semaphore(self.max_concurrent_summaries)
async def summarize_single(doc: Document) -> DocumentSummary:
async with semaphore:
try:
return await self._summarize_document(doc, input_data)
except Exception as e:
self.logger.error(f"Erreur résumé document {doc.title}: {e}")
# Créer un résumé d'erreur minimal
return self._create_error_summary(doc, str(e))
# Lancer tous les résumés en parallèle
tasks = [summarize_single(doc) for doc in documents]
summaries = await asyncio.gather(*tasks, return_exceptions=True)
# Filtrer les résultats valides
valid_summaries = []
for summary in summaries:
if isinstance(summary, DocumentSummary):
valid_summaries.append(summary)
else:
self.logger.error(f"Résumé invalide: {summary}")
return valid_summaries
async def _summarize_document(self, document: Document, input_data: SummarizationInput) -> DocumentSummary:
"""Résume un document individuel."""
start_time = datetime.now()
doc_id = self._generate_document_id(document)
self.logger.info(f"Résumé document: {document.title} ({len(document.content)} caractères)")
# Décider si chunking nécessaire
if (input_data.chunk_large_docs and
len(document.content) > self.chunk_overlap_threshold):
summary = await self._summarize_large_document(document, input_data)
else:
summary = await self._summarize_standard_document(document, input_data)
# Finaliser le résumé
processing_time = (datetime.now() - start_time).total_seconds()
summary.document_id = doc_id
summary.processing_time = processing_time
summary.processed_at = datetime.now()
return summary
async def _summarize_standard_document(
self,
document: Document,
input_data: SummarizationInput
) -> DocumentSummary:
"""Résume un document de taille standard."""
# Préparer le contexte
context = {
'title': document.title,
'author': document.author or "Non spécifié",
'url': str(document.url),
'content': document.content
}
# Tâches parallèles
tasks = []
# 1. Résumé exécutif
exec_prompt = SUMMARIZER_PROMPTS['executive_summary'].format(**context)
tasks.append(self._get_llm_response(exec_prompt, "executive_summary"))
# 2. Analyse détaillée
if input_data.detailed_analysis:
detailed_prompt = SUMMARIZER_PROMPTS['detailed_analysis'].format(**context)
tasks.append(self._get_llm_response(detailed_prompt, "detailed_analysis"))
# 3. Analyse de sentiment (optionnelle)
if input_data.include_sentiment:
sentiment_prompt = SUMMARIZER_PROMPTS['sentiment_analysis'].format(**context)
tasks.append(self._get_llm_response(sentiment_prompt, "sentiment_analysis"))
# Exécuter les tâches
results = await asyncio.gather(*tasks, return_exceptions=True)
# Parser les résultats
executive_summary = ""
detailed_summary = ""
key_points = []
sentiment = None
credibility_score = None
for i, result in enumerate(results):
if isinstance(result, Exception):
self.logger.error(f"Erreur tâche {i}: {result}")
continue
task_type, content = result
if task_type == "executive_summary":
executive_summary = content
elif task_type == "detailed_analysis":
# Parser l'analyse détaillée
parsed = self._parse_detailed_analysis(content)
detailed_summary = parsed.get('summary', content)
key_points = parsed.get('key_points', [])
elif task_type == "sentiment_analysis":
# Parser l'analyse de sentiment
parsed = self._parse_sentiment_analysis(content)
sentiment = parsed.get('sentiment')
credibility_score = parsed.get('credibility_score')
# Créer le résumé
summary = DocumentSummary(
document_id="", # Sera rempli plus tard
title=document.title,
url=document.url,
executive_summary=executive_summary,
detailed_summary=detailed_summary,
key_points=key_points[:input_data.max_key_points],
sentiment=sentiment,
credibility_score=credibility_score
)
return summary
async def _summarize_large_document(
self,
document: Document,
input_data: SummarizationInput
) -> DocumentSummary:
"""Résume un document long via chunking."""
self.logger.info(f"Chunking document long: {document.title}")
# Découper le document
chunks = self.chunking_manager.chunk_document(
document.content,
strategy="default",
preserve_structure=True
)
self.logger.info(f"Document découpé en {len(chunks)} chunks")
# Résumer chaque chunk
chunk_summaries = await self._summarize_chunks(chunks, document)
# Synthétiser les résumés partiels
synthesis = await self._synthesize_chunk_summaries(chunk_summaries, document)
return synthesis
async def _summarize_chunks(self, chunks: List[TextChunk], document: Document) -> List[str]:
"""Résume chaque chunk individuellement en parallèle."""
async def summarize_chunk(chunk: TextChunk) -> str:
context = {
'title': document.title,
'chunk_index': chunk.chunk_id,
'total_chunks': chunk.total_chunks,
'chunk_content': chunk.content
}
prompt = SUMMARIZER_PROMPTS['chunked_summary'].format(**context)
try:
return await self.llm_manager.get_completion(
prompt,
system_prompt=SYSTEM_PROMPTS['summarizer']
)
except Exception as e:
self.logger.error(f"Erreur résumé chunk {chunk.chunk_id}: {e}")
return f"Erreur résumé chunk {chunk.chunk_id}"
# Parallélisation sur tous les chunks
tasks = [summarize_chunk(chunk) for chunk in chunks]
summaries = await asyncio.gather(*tasks)
return summaries
async def _synthesize_chunk_summaries(
self,
chunk_summaries: List[str],
document: Document
) -> DocumentSummary:
"""Synthétise les résumés de chunks en un résumé unifié."""
# Combiner tous les résumés partiels
combined_summaries = "\n\n".join([
f"Partie {i+1}: {summary}"
for i, summary in enumerate(chunk_summaries)
])
context = {
'partial_summaries': combined_summaries,
'title': document.title,
'url': str(document.url)
}
# Synthèse finale
synthesis_prompt = SUMMARIZER_PROMPTS['synthesis'].format(**context)
try:
synthesis_result = await self.llm_manager.get_completion(
synthesis_prompt,
system_prompt=SYSTEM_PROMPTS['summarizer']
)
# Parser le résultat de synthèse
parsed = self._parse_synthesis_result(synthesis_result)
summary = DocumentSummary(
document_id="",
title=document.title,
url=document.url,
executive_summary=parsed.get('executive_summary', ''),
detailed_summary=parsed.get('detailed_summary', ''),
key_points=parsed.get('key_points', []),
sentiment=parsed.get('sentiment'),
credibility_score=parsed.get('credibility_score')
)
return summary
except Exception as e:
self.logger.error(f"Erreur synthèse finale: {e}")
# Fallback: créer un résumé basique
return self._create_basic_summary_from_chunks(chunk_summaries, document)
async def _get_llm_response(self, prompt: str, task_type: str) -> tuple:
"""Obtient une réponse LLM pour une tâche spécifique."""
try:
response = await self.llm_manager.get_completion(
prompt,
system_prompt=SYSTEM_PROMPTS['summarizer'],
temperature=0.3,
max_tokens=2000
)
return task_type, response
except Exception as e:
self.logger.error(f"Erreur LLM pour {task_type}: {e}")
return task_type, f"Erreur: {str(e)}"
def _parse_detailed_analysis(self, content: str) -> Dict[str, Any]:
"""Parse l'analyse détaillée pour extraire les composants."""
# Implémentation simplifiée - à améliorer selon le format de réponse
result = {'summary': content, 'key_points': []}
# Chercher les points clés (format: - Point clé)
import re
key_point_pattern = r'^[-•]\s*(.+)$'
lines = content.split('\n')
current_key_points = []
for line in lines:
match = re.match(key_point_pattern, line.strip())
if match:
point_text = match.group(1).strip()
if len(point_text) > 10: # Filtrer les points trop courts
key_point = KeyPoint(
title=point_text[:50] + "..." if len(point_text) > 50 else point_text,
content=point_text,
importance=0.8, # Score par défaut
category="general"
)
current_key_points.append(key_point)
result['key_points'] = current_key_points
return result
def _parse_sentiment_analysis(self, content: str) -> Dict[str, Any]:
"""Parse l'analyse de sentiment."""
result = {}
# Extraction simplifiée
content_lower = content.lower()
if 'positif' in content_lower:
result['sentiment'] = 'positif'
elif 'négatif' in content_lower:
result['sentiment'] = 'négatif'
else:
result['sentiment'] = 'neutre'
# Chercher un score de crédibilité
import re
# Chercher un pattern comme "Crédibilité: 0.8" ou "0.8"
credibility_pattern = r'crédibilité\s*:?\s*(\d+(?:\.\d+)?)|(\d+(?:\.\d+)?)\s*\/\s*[1510]|(\d+(?:\.\d+)?)\s*%'
match = re.search(credibility_pattern, content_lower)
if match:
score = float(match.group(1) or match.group(2) or match.group(3))
if score > 1: # Si en pourcentage
score = score / 100
result['credibility_score'] = min(max(score, 0.0), 1.0)
else:
result['credibility_score'] = 0.5 # Valeur par défaut
return result
return result
def _parse_synthesis_result(self, content: str) -> Dict[str, Any]:
"""Parse le résultat de synthèse."""
# Version simplifiée - à améliorer
return {
'executive_summary': content[:200] + "..." if len(content) > 200 else content,
'detailed_summary': content,
'key_points': [],
'sentiment': 'neutre',
'credibility_score': 0.7
}
def _create_basic_summary_from_chunks(
self,
chunk_summaries: List[str],
document: Document
) -> DocumentSummary:
"""Crée un résumé basique à partir des résumés de chunks."""
combined = " ".join(chunk_summaries)
return DocumentSummary(
document_id="",
title=document.title,
url=document.url,
executive_summary=combined[:200] + "..." if len(combined) > 200 else combined,
detailed_summary=combined,
key_points=[],
sentiment="neutre",
credibility_score=0.5
)
def _create_error_summary(self, document: Document, error: str) -> DocumentSummary:
"""Crée un résumé d'erreur minimal."""
return DocumentSummary(
document_id=self._generate_document_id(document),
title=document.title,
url=document.url,
executive_summary=f"Erreur lors du résumé: {error}",
detailed_summary=f"Le résumé de ce document n'a pas pu être généré: {error}",
key_points=[],
sentiment=None,
credibility_score=None
)
def _generate_document_id(self, document: Document) -> str:
"""Génère un ID unique pour un document."""
content_hash = hashlib.md5(f"{document.url}{document.title}".encode()).hexdigest()
return f"doc_{content_hash[:8]}"
async def _perform_global_analysis(self, summaries: List[DocumentSummary]) -> Dict[str, List[str]]:
"""Effectue une analyse globale de tous les résumés."""
if len(summaries) < 2:
return {'common_themes': [], 'consensus_points': [], 'conflicting_views': []}
# Combiner tous les résumés pour l'analyse
all_summaries = "\n\n".join([
f"Document: {s.title}\nRésumé: {s.detailed_summary}"
for s in summaries
])
# Prompt d'analyse globale
global_prompt = f"""
Analyse les résumés de documents suivants et identifie:
1. **Thèmes communs** : Les sujets qui reviennent dans plusieurs documents
2. **Points de consensus** : Les idées sur lesquelles les sources s'accordent
3. **Points conflictuels** : Les idées contradictoires entre les sources
RÉSUMÉS:
{all_summaries}
Format ta réponse avec des sections claires et des listes à puces.
"""
try:
response = await self.llm_manager.get_completion(
global_prompt,
system_prompt="Tu es un expert en analyse comparative de documents."
)
# Parser la réponse (implémentation simplifiée)
return self._parse_global_analysis(response)
except Exception as e:
self.logger.error(f"Erreur analyse globale: {e}")
return {'common_themes': [], 'consensus_points': [], 'conflicting_views': []}
def _parse_global_analysis(self, content: str) -> Dict[str, List[str]]:
"""Parse l'analyse globale."""
# Implémentation simplifiée
lines = content.split('\n')
result = {
'common_themes': [],
'consensus_points': [],
'conflicting_views': []
}
current_section = None
for line in lines:
line = line.strip()
if not line:
continue
# Détecter les sections
if 'thème' in line.lower() or 'theme' in line.lower():
current_section = 'common_themes'
elif 'consensus' in line.lower():
current_section = 'consensus_points'
elif 'conflict' in line.lower() or 'contradictoire' in line.lower():
current_section = 'conflicting_views'
elif line.startswith('-') or line.startswith('•'):
# Point de liste
if current_section:
point = line[1:].strip()
if len(point) > 5: # Filtrer les points trop courts
result[current_section].append(point)
return result
def _calculate_average_credibility(self, summaries: List[DocumentSummary]) -> Optional[float]:
"""Calcule le score de crédibilité moyen."""
scores = [s.credibility_score for s in summaries if s.credibility_score is not None]
if not scores:
return None
return sum(scores) / len(scores)
#fonction summary from content extraction result
async def process_from_extraction_result(
self,
extraction_result: 'ExtractionResult'
) -> SummarizationOutput:
"""
Traite la summarization à partir d'un ExtractionResult.
Args:
extraction_result: Résultat de l'extraction de contenu
Returns:
SummarizationOutput avec tous les résumés
"""
# Préparer l'input de summarization
input_data = SummarizationInput(
documents=extraction_result.documents,
summary_options={
'include_sentiment': True,
'include_citations': True,
'max_key_points': 5,
'detailed_analysis': True,
'chunk_large_docs': True
}
)
if not self.validate_input(input_data):
self.logger.error("Input ExtractionResult invalide pour la summarization")
raise ValueError("Input ExtractionResult invalide pour la summarization")
# Appeler le processus principal de summarization
return await self.process(input_data)
# Exemple d'utilisation
if __name__ == "__main__":
import asyncio
import json
from src.models.document_models import ExtractionResult
def save_summarization_output(output, filename=None):
"""Sauvegarde un SummarizationOutput au format JSON."""
from datetime import datetime
if not filename:
timestamp = datetime.now().strftime("%Y%m%d_%H%M%S")
filename = f"summarization_output_{len(output.summaries)}docs_{timestamp}.json"
try:
with open(filename, 'w', encoding='utf-8') as f:
json.dump(output.model_dump(mode='json'), f, indent=2, ensure_ascii=False)
return filename
except Exception as e:
print(f"Erreur lors de la sauvegarde: {e}")
return None
async def summarize_from_extraction_file():
# Charger ExtractionResult
extraction_file = "extraction_result_2docs_20251116_141527.json"
try:
with open(extraction_file, 'r', encoding='utf-8') as f:
extraction_data = json.load(f)
extraction_result = ExtractionResult(**extraction_data)
except Exception as e:
print(f"Erreur chargement ExtractionResult: {e}")
return
summarizer = SummarizerAgent()
output = await summarizer.process_from_extraction_result(extraction_result)
# Sauvegarde
filename = save_summarization_output(output)
if filename:
print(f"✅ Résumés sauvegardés dans: {filename}")
else:
print("❌ Erreur lors de la sauvegarde du résumé.")
# Affichage rapide
for summary in output.summaries:
print(f"\nRésumé pour {summary.title}:")
print(f"Résumé exécutif: {summary.executive_summary[:200]}...")
print(f"Points clés: {[kp.title for kp in summary.key_points]}")
print(f"Sentiment: {summary.sentiment}")
print(f"Score de crédibilité: {summary.credibility_score}")
print(f"Temps total de traitement: {output.total_processing_time:.2f}s")
print(f"Score de crédibilité moyen: {output.average_credibility}")
asyncio.run(summarize_from_extraction_file()) |