---
title: Code Éducation RAG
emoji: 📘
colorFrom: blue
colorTo: green
sdk: gradio
sdk_version: "4.44.1"
python_version: "3.11"
app_file: app.py
pinned: false
---


# Code Éducation RAG
**Assistant juridique RAG pour le Code de l’éducation français**

---

## 🇫🇷 PARTIE 1 — README (Français)

### 1. Présentation générale

**Code Éducation RAG** est une application de **Retrieval‑Augmented Generation (RAG)** dédiée au **Code de l’éducation français**.
Application Hugging Face : https://huggingface.co/spaces/FabIndy/code-education-rag

Objectif principal :  
**faire gagner du temps aux chefs d’établissement et personnels de direction**, en leur permettant de :

- retrouver rapidement les articles pertinents ;
- consulter le **texte officiel exact** ;
- obtenir un **résumé IA clair et rapide** ;
- poser des **questions juridiques ciblées**.

L’application est déployée sur **Hugging Face Spaces** et utilise **l’API Groq** pour les générations IA (latence très faible).

---

### 2. Architecture du projet

```
hf-code-education/
├── app.py                  # Interface utilisateur (HF Space)
├── src/
│   ├── rag_core.py         # Orchestrateur central (routage des modes)
│   ├── list.py             # Mode LIST : recherche d’articles
│   ├── fulltext.py         # Texte officiel exact
│   ├── synthesis.py        # Synthèse extractive contrôlée
│   ├── qa.py               # Résumé IA & QA via Groq
│   ├── resources.py        # Accès API Groq
│   ├── config.py           # Paramètres globaux
│   └── utils.py            # Fonctions utilitaires
├── data/                   # Chunks JSONL (1 article = 1 chunk)
├── db/                     # Index FAISS
├── requirements.txt
└── README.md
```

---

### 3. Fonctionnement du RAG

Le système repose sur une **séparation stricte des responsabilités**, indispensable en contexte juridique.

#### Mode LIST
- Recherche lexicale + sémantique
- Inspirée de Légifrance (mots‑clés, proximité, centralité)
- **Sortie : liste d’articles pertinents**
- Aucune génération IA

#### Mode TEXTE OFFICIEL
- Chargement du texte exact depuis les chunks
- **Aucune transformation**
- Zéro interprétation

#### Mode RÉSUMÉ IA
Pipeline contrôlé et rapide :

1. Pré‑traitement par `synthesis.py` (extraction de segments clés)
2. Envoi des extraits à l’API **Groq**
3. Génération d’un résumé court et structuré

Mention explicite :
> *Résumé IA : reformulation automatique pouvant contenir des erreurs ou omissions.*

#### Mode QUESTION IA (QA)
- Analyse de la question
- Contexte strictement limité au texte officiel
- Réponse concise et juridiquement prudente


---

### 4. Pourquoi Groq ?

- Latence tres faible
- Aucun modèle local à charger
- Scalabilité immédiate
- API gratuite

Les modèles locaux GGUF ont été abandonnés (lenteur, complexité, usage peu réaliste).

---

### 5. Estimation d’utilisation quotidienne de l’API Groq

Hypothèse réaliste :
- 100 résumés IA / jour
- 100 questions IA / jour

| Usage     | Tokens estimés            |
|-----------|---------------------------|
| Résumés   | ~12 000                   |
| Questions | ~22 000                   |
| **Total** | **~34 000 tokens / jour** |

---

### 6. Variables d’environnement utilisées

Variables actives :

```
GROQ_API_KEY
GROQ_MODEL=llama-3.1-8b-instant
GROQ_MAX_TOKENS_SUMMARY=120
GROQ_MAX_TOKENS_QA=220
GROQ_TEMPERATURE=0.1
```

---

## 🇬🇧 PART 2 — README (English)

### 1. Overview

**Code Éducation RAG** is a **Retrieval‑Augmented Generation (RAG)** system dedicated to the **French Education Code**.
Hugging Face : https://huggingface.co/spaces/FabIndy/code-education-rag

It enables:
- fast article retrieval,
- access to official legal texts,
- concise AI summaries,
- focused legal Q&A.

The app is deployed on **Hugging Face Spaces** and powered by the **Groq API**.

---

### 2. Architecture

```
hf-code-education/
├── app.py
├── src/
│   ├── rag_core.py
│   ├── list.py
│   ├── fulltext.py
│   ├── synthesis.py
│   ├── qa.py
│   ├── resources.py
│   ├── config.py
│   └── utils.py
├── data/
├── db/
└── README.md
```

---

### 3. RAG Modes

**LIST** – lexical + semantic retrieval, no AI  
**OFFICIAL TEXT** – exact legal content  
**AI SUMMARY** – controlled extractive context + Groq  
**AI QA** – cautious interpretation based on official text only

---

### 4. Why Groq?

- Ultra‑low latency
- No local model loading
- High reliability
- Free plan

---

### 5. Estimated Daily Groq Usage

| Usage     | Tokens         |
|-----------|----------------|
| Summaries | ~12k           |
| Q&A       | ~22k           |
| **Total** | **~34k / day** |

---

### 6. Environment Variables

```
GROQ_API_KEY
GROQ_MODEL
GROQ_MAX_TOKENS_SUMMARY
GROQ_MAX_TOKENS_QA
GROQ_TEMPERATURE
```

---

## Conclusion

This project implements a **pragmatic legal RAG system**, designed for **real professional use**, prioritizing:

- reliability,
- explainability,
- speed,
- technical sobriety.