pattern imaginez

app.py

@@ -14,7 +14,7 @@ from pattern_look import look, look_prompt_template
 from pattern_il_existe import il_existe, il_existe_prompt_template
 from pattern_il_faut import il_faut, il_faut_prompt_template
 from pattern_vous_pouvez import vous_pouvez, vous_pouvez_prompt_template
-
+from pattern_imaginez import imaginez, imaginez_prompt_template
 # Interface Streamlit
 st.title("Analyse du texte")
 
@@ -30,6 +30,7 @@ List_prompt = {
     "< Détection du pattern 'il existe' >": il_existe_prompt_template(),
     "< Détection du pattern 'il faut' >": il_faut_prompt_template(),
     "< Détection du pattern 'vous pouvez' >": vous_pouvez_prompt_template(),
+    "< Détection du pattern 'imaginez' >": imaginez_prompt_template(),
 }
 
 # Menu déroulant pour sélectionner l'analyse
@@ -219,5 +220,22 @@ if st.button("Lancer l'analyse"):
                 logging.error(f"Error during analysis: {e}")
                 st.error(f"Une erreur s'est produite lors de l'analyse : {str(e)}")
         
+        elif option == "< Détection du pattern 'imaginez' >":
+            try:
+                # Analyser le texte pour les fautes de style
+                result = imaginez(input_text)
+
+                # Afficher les résultats en JSON formaté
+                st.subheader("Résultats de l'analyse du pattern 'imaginez'")
+                st.json(result['result'], expanded=True)
+
+                # Afficher le prompt final
+                st.subheader("Prompt final envoyé au modèle")
+                st.write(result['prompt'])
+
+            except Exception as e:
+                logging.error(f"Error during analysis: {e}")
+                st.error(f"Une erreur s'est produite lors de l'analyse : {str(e)}")
+        
     else:
         st.error("Veuillez entrer du texte pour lancer l'analyse.")

pattern_imaginez.py

@@ -0,0 +1,129 @@
+import json
+from langchain.prompts import PromptTemplate
+from langchain.chains import LLMChain
+from pydantic import BaseModel, Field
+from typing import List, Tuple
+from langchain.chat_models import ChatOpenAI
+from langchain.output_parsers import PydanticOutputParser
+
+# Modèles Pydantic pour structurer la réponse
+class AlternativeSuggestion(BaseModel):
+    suggestion_1: str = Field(..., description="Première suggestion de reformulation.")
+    suggestion_2: str = Field(..., description="Deuxième suggestion de reformulation.")
+
+class PatternDetail(BaseModel):
+    pattern: str = Field(..., description="Mot ou expression détectée.")
+    indices: List[Tuple[int, int]] = Field(..., description="Indices de début et de fin pour chaque occurrence dans le texte.")
+    sentence: str = Field(..., description="Phrase complète où l'expression apparaît.")
+    alternative_suggestions: AlternativeSuggestion = Field(..., description="Deux suggestions de reformulation.")
+
+    def to_dict(self):
+        return {
+            "pattern": self.pattern,
+            "indices": self.indices,
+            "sentence": self.sentence,
+            "alternative_suggestions": {
+                "suggestion_1": self.alternative_suggestions.suggestion_1,
+                "suggestion_2": self.alternative_suggestions.suggestion_2,
+            }
+        }
+
+class Summary(BaseModel):
+    total_patterns_detected: int = Field(..., description="Nombre total de patterns détectés.")
+    alternative_suggestions_provided: int = Field(..., description="Nombre total de suggestions fournies.")
+    occurrences: int = Field(..., description="Nombre total d'occurrences trouvées dans le texte.")
+
+    def to_dict(self):
+        return {
+            "total_patterns_detected": self.total_patterns_detected,
+            "alternative_suggestions_provided": self.alternative_suggestions_provided,
+            "occurrences": self.occurrences
+        }
+
+class DetectionResult(BaseModel):
+    patterns: List[PatternDetail] = Field(..., description="Liste des patterns détectés avec détails.")
+    summary: Summary = Field(..., description="Résumé de la détection.")
+
+    def to_dict(self):
+        return {
+            "patterns": [pattern.to_dict() for pattern in self.patterns],
+            "summary": self.summary.to_dict()
+        }
+
+# Fonction pour générer le prompt template
+def imaginez_prompt_template():
+    return """
+   Analyser le texte suivant et détecter toutes les occurrences de l'expression "Imaginez" et ses variantes telles que :
+
+    "Visualisez", "Envisagez", "Concevez", "Supposez", "Pensez à", "Représentez-vous", "Imaginez-vous"
+
+Pour chaque occurrence trouvée, veuillez :
+
+   - Citer la phrase complète où l'expression apparaît.
+   - Indiquer l'expression exacte utilisée dans le texte.
+   - Expliquer pourquoi ces expressions peuvent alourdir ou rendre l'introduction trop familière, directe ou directive.
+   - Proposer deux reformulations plus simples, fluides et naturelles pour rendre la phrase plus concise ou directe,
+     en évitant d'utiliser l'expression "Imaginez" ou ses variantes. Assurez-vous que la reformulation conserve le sens original
+     tout en étant plus formelle et professionnelle.
+
+Assurez-vous également de respecter les règles suivantes :
+1. Les expressions comme "crucial", "essentiel", "important", "fondamental" ne doivent pas être utilisées plus d'une fois dans l'introduction.
+2. Les expressions comme "il existe", "il faut", "cependant", "de plus", "en revanche", "néanmoins", "toutefois" ne doivent pas être utilisées en début de phrase.
+3. Les expressions comme "joue un rôle", "il est", ou "est une étape" ne doivent pas être associées à des adjectifs tels qu'"important", "essentiel", etc.
+4. "En plus" ne doit pas être utilisé seul en début de phrase.
+
+Le format de sortie doit être un JSON structuré avec les éléments suivants pour chaque pattern détecté :
+
+- "pattern": "mot ou expression détectée",
+- "indices": [[index de début, index de fin pour chaque occurrence]],
+- "sentence": "phrase où l'expression est utilisée",
+- "alternative_suggestions": ["suggestion 1", "suggestion 2"]
+
+Si aucun pattern n'est trouvé, retournez un JSON avec :
+- "pattern0": "",
+- "occurrences": 0,
+
+À la fin, ajoutez un résumé avec :
+- "total_patterns_detected": nombre total de patterns détectés,
+- "alternative_suggestions_provided": nombre de suggestions données,
+- "occurrences": nombre d'occurrences.
+
+Voici le texte à analyser :
+```{text}```
+
+\n{format_instruction}
+    """
+
+def imaginez(text):
+    # Créer le template avec la variable text intégrée directement
+    prompt_template = imaginez_prompt_template()
+
+    output_parser = PydanticOutputParser(pydantic_object=DetectionResult)
+
+    # Créer le prompt avec le texte intégré
+    gen_prompt_template = PromptTemplate(
+        input_variables=["text"],
+        template=prompt_template,
+        partial_variables={'format_instruction': output_parser.get_format_instructions()}
+    )
+
+    # Créer une instance du modèle de langage
+    llm = ChatOpenAI(model='gpt-4o', temperature=0.5, api_key="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")
+
+    # Exécuter la chaîne avec le LLM
+    llm_chain = gen_prompt_template | llm | output_parser
+
+    # Appel du modèle avec le texte fourni
+    result_dict = llm_chain.invoke({"text": text}).to_dict()
+
+    # Parsing de la réponse JSON
+    json_result = json.dumps(result_dict, indent=8, ensure_ascii=False)
+
+    # Générer le prompt final
+    final_prompt = gen_prompt_template.format(text=text)
+
+    # Retourne les suggestions ou les erreurs de parsing
+    return {
+        "result": json_result,
+        "prompt": final_prompt
+    }