Update app.py

app.py

@@ -1,69 +1,207 @@
 import gradio as gr
 
-class PromptExpert:
+class ExtendedExpertSystem:
     def __init__(self):
-        self.expert_intros = {
-            "étude": "En tant qu'analyste stratégique spécialisé dans",
-            "marché": "En qualité d'expert en études de marché focalisé sur",
-            "image": "En tant que directeur artistique spécialisé dans",
-            "technique": "En tant qu'expert technique dans le domaine de",
-            "recherche": "En qualité de chercheur spécialisé dans",
-            "développement": "En tant que développeur expert en",
-            "business": "En qualité de consultant stratégique spécialisé en",
-            "default": "En tant qu'expert dans le domaine de"
+        self.expertise_domains = {
+            "finance": {
+                "keywords": ["finance", "investissement", "trading", "bourse", "économie"],
+                "template": """Analyse financière experte : {subject}
+
+Contexte économique :
+- Tendances macro-économiques
+- Indicateurs clés
+- Risques identifiés
+- Opportunités de marché
+
+Analyse détaillée :
+{analysis}
+
+Recommandations :
+- Stratégie d'investissement
+- Allocation d'actifs
+- Gestion des risques
+- Horizons temporels"""
+            },
+
+            "architecture": {
+                "keywords": ["architecture", "construction", "bâtiment", "design spatial"],
+                "template": """Spécifications architecturales : {subject}
+
+Conception technique :
+- Plans détaillés
+- Normes applicables
+- Matériaux recommandés
+- Contraintes techniques
+
+Mise en œuvre :
+{implementation}
+
+Documentation :
+- Plans d'exécution
+- Cahier des charges
+- Planning prévisionnel
+- Budget estimatif"""
+            },
+
+            "rh": {
+                "keywords": ["rh", "ressources humaines", "recrutement", "formation", "talent"],
+                "template": """Stratégie RH optimisée : {subject}
+
+Analyse organisationnelle :
+- Besoins identifiés
+- Structure actuelle
+- Culture d'entreprise
+- Objectifs RH
+
+Plan d'action :
+{action_plan}
+
+Indicateurs de performance :
+- KPIs RH
+- Tableau de bord
+- Mesures correctives
+- Suivi d'évolution"""
+            },
+
+            "innovation": {
+                "keywords": ["innovation", "r&d", "recherche", "développement", "veille"],
+                "template": """Programme R&D détaillé : {subject}
+
+État de l'art :
+- Technologies existantes
+- Brevets déposés
+- Innovations récentes
+- Opportunités identifiées
+
+Développement :
+{development}
+
+Validation :
+- Tests et prototypes
+- Validation technique
+- Propriété intellectuelle
+- Time-to-market"""
+            },
+
+            "psychology": {
+                "keywords": ["psychologie", "comportement", "thérapie", "développement personnel"],
+                "template": """Analyse psychologique approfondie : {subject}
+
+Évaluation :
+- Aspects comportementaux
+- Facteurs cognitifs
+- Dimensions émotionnelles
+- Contexte environnemental
+
+Approche thérapeutique :
+{therapy_approach}
+
+Suivi et évolution :
+- Objectifs thérapeutiques
+- Indicateurs de progrès
+- Ajustements méthodologiques
+- Plan de développement"""
+            },
+
+            "data_science": {
+                "keywords": ["data", "données", "statistiques", "analytics", "big data"],
+                "template": """Analyse data science : {subject}
+
+Méthodologie :
+- Collecte de données
+- Nettoyage et préparation
+- Modélisation statistique
+- Validation des résultats
+
+Traitement :
+{data_processing}
+
+Visualisation :
+- Tableaux de bord
+- KPIs principaux
+- Insights clés
+- Recommandations data-driven"""
+            }
         }
+        # Intégration avec les domaines précédents
+        self.expertise_domains.update(self.get_previous_domains())
 
-    def _detect_domain(self, prompt):
-        prompt_lower = prompt.lower()
-        for key in self.expert_intros.keys():
-            if key in prompt_lower:
-                return key
-        return "default"
-
-    def _add_expert_context(self, domain, topic):
-        context_templates = {
-            "étude": f"{topic}, je souhaite mener une analyse approfondie couvrant :\n\n" +
-                    "1. L'état actuel du marché et ses tendances\n" +
-                    "2. Les opportunités et menaces identifiées\n" +
-                    "3. Les facteurs clés de succès\n" +
-                    "4. Les recommandations stratégiques\n\n" +
-                    "L'analyse devra être basée sur des données quantitatives et qualitatives récentes.",
-            
-            "image": f"{topic}, avec les caractéristiques suivantes :\n\n" +
-                    "1. Style visuel ultra-détaillé et photoréaliste\n" +
-                    "2. Composition dynamique et équilibrée\n" +
-                    "3. Éclairage cinématographique\n" +
-                    "4. Rendu en ultra-haute définition\n\n" +
-                    "Le résultat doit captiver visuellement et transmettre une émotion forte.",
-            
-            "default": f"{topic}, en mettant l'accent sur :\n\n" +
-                    "1. Une approche méthodologique rigoureuse\n" +
-                    "2. Des données et arguments solides\n" +
-                    "3. Des conclusions actionnables\n" +
-                    "4. Des recommandations concrètes\n\n" +
-                    "L'analyse doit être exhaustive et orientée résultats."
+    def get_previous_domains(self):
+        # Retourne les domaines d'expertise précédents
+        return {
+            "science": { ... },  # Domaines précédents
+            "medical": { ... },
+            # etc.
         }
-        return context_templates.get(domain, context_templates["default"])
+
+    def _detect_expertise(self, prompt):
+        prompt_lower = prompt.lower()
+        for domain, info in self.expertise_domains.items():
+            if any(keyword in prompt_lower for keyword in info["keywords"]):
+                return domain
+        return "general"
 
     def optimize(self, prompt, mode, complexity):
-        domain = self._detect_domain(prompt)
-        intro = self.expert_intros[domain]
-        expert_context = self._add_expert_context(domain, prompt)
+        domain = self._detect_expertise(prompt)
+        template = self.expertise_domains.get(domain, {}).get("template", "")
         
-        if mode == "expert":
-            return f"{intro} {expert_context}\n\n" + \
-                   f"Niveau de détail: {complexity}%\n" + \
-                   "Objectif: Produire une analyse exhaustive et actionnable."
-        else:
-            return f"Approche créative pour {prompt}\n\n" + \
-                   f"Innovation: {complexity}%\n" + \
-                   "Focus: Explorer des angles nouveaux et non conventionnels."
+        # Personnalisation selon le domaine
+        if domain in self.expertise_domains:
+            specific_content = self._generate_domain_content(domain, complexity)
+            return template.format(
+                subject=prompt,
+                analysis=specific_content["analysis"],
+                implementation=specific_content.get("implementation", ""),
+                action_plan=specific_content.get("action_plan", ""),
+                development=specific_content.get("development", ""),
+                data_processing=specific_content.get("data_processing", "")
+            )
+        
+        # Template général amélioré
+        return f"""Analyse experte : {prompt}
+
+Niveau de détail : {complexity}%
+
+Méthodologie :
+1. Analyse approfondie et contextuelle
+2. Documentation exhaustive
+3. Validation par experts
+4. Optimisation itérative
+
+Recommandations et actions :
+- Solutions optimisées et validées
+- Bonnes pratiques applicables
+- Plan d'action détaillé
+- Suivi et ajustements"""
+
+    def _generate_domain_content(self, domain, complexity):
+        # Génération de contenu spécifique par domaine
+        content_templates = {
+            "finance": {
+                "analysis": """1. Analyse des marchés financiers
+2. Évaluation des risques
+3. Modélisation financière
+4. Scénarios d'investissement"""
+            },
+            "data_science": {
+                "data_processing": """1. Préparation des données
+2. Feature engineering
+3. Modélisation prédictive
+4. Validation croisée""",
+                "analysis": """1. Analyse exploratoire
+2. Tests statistiques
+3. Visualisation avancée
+4. Interprétation des résultats"""
+            }
+            # Ajouter d'autres domaines selon besoin
+        }
+        return content_templates.get(domain, {"analysis": "Analyse standard"})
 
 def create_interface():
-    expert = PromptExpert()
+    system = ExtendedExpertSystem()
 
     with gr.Blocks() as demo:
-        gr.Markdown("# Optimiseur de Prompts IA")
+        gr.Markdown("# Optimiseur de Prompts IA Multi-Expert")
         
         with gr.Row():
             with gr.Column():
@@ -91,11 +229,11 @@ def create_interface():
             with gr.Column():
                 output = gr.Textbox(
                     label="Prompt Optimisé",
-                    lines=10
+                    lines=12
                 )
         
         optimize_btn.click(
-            fn=expert.optimize,
+            fn=system.optimize,
             inputs=[input_prompt, mode, complexity],
             outputs=[output]
         )