Update app.py

app.py

@@ -45,6 +45,10 @@ class StyleErrorResult(BaseModel):
         }
 
 # Création du prompt et du modèle LLMChain pour analyser les fautes de style
+
+output_parser = PydanticOutputParser(pydantic_object=StyleErrorResult)
+
+
 prompt_template = """
 Tu es un détecteur de texte AI très précis. Je vais te donner un texte, et ta mission est de repérer des fautes de style.
 Cela inclut les répétitions, les tournures de phrases maladroites, et les mauvais choix de mots. 
@@ -56,24 +60,27 @@ Pour chaque erreur détectée, tu dois fournir les informations suivantes :
 
 Le texte à analyser est le suivant :
 ```{text}```
+
+Voici le formattage de la sortie :
+```{output_parser}```
 """
 
 # Utilisation de LangChain pour la détection des erreurs
 def get_llm_chain():
-    output_parser = PydanticOutputParser(pydantic_object=StyleErrorResult)
+    
     prompt = PromptTemplate(input_variables=["text"], template=prompt_template)
     # Remplacez `llm` par votre modèle de langage préféré, tel que OpenAI GPT ou autre
     # llm = None  # Remplacez ceci par votre modèle LLM
     # llm_chain = LLMChain(llm=llm, prompt=prompt, output_parser=output_parser)
     llm = ChatOpenAI(model='gpt-4o',temperature=0.5, api_key="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", verbose = True)
-    llm_chain=  gen_prompt_template | llm | output_parser
+    llm_chain=  prompt_template | llm | output_parser
     
     return llm_chain
 
 # Fonction pour analyser les fautes de style
 def analyze_style_errors(text: str) -> dict:
     llm_chain = get_llm_chain()
-    result = llm_chain.run(text=text)
+    result = llm_chain.invoke({'text': text})
     return result.to_dict()
 
 # Interface Streamlit