knowledge_quiz_maker.py

from langchain_google_genai import GoogleGenerativeAIEmbeddings
from langchain_chroma import Chroma  # Utilisation de la nouvelle importation
from langchain_core.prompts import PromptTemplate
from langchain_core.runnables import RunnablePassthrough
from langchain_core.output_parsers import StrOutputParser
from langchain_groq import ChatGroq
from dotenv import load_dotenv
import os

# Charger les variables d'environnement
load_dotenv()

# Vérification des variables d'environnement
if not os.getenv("GROQ_API_KEY"):
    raise ValueError("La clé API Groq n'est pas définie dans le fichier .env")

if not os.getenv("GOOGLE_API_KEY"):
    raise ValueError("La clé API GEMINI n'est pas définie dans le fichier .env")

# Initialiser le modèle LLM
llm = ChatGroq(
    model="llama-3.1-8b-instant",
    temperature=0,
    api_key=os.getenv("GROQ_API_KEY")
)

# Initialiser l'embedding
embeddings = GoogleGenerativeAIEmbeddings(
    model="gemini-embedding-001",
    api_key=os.getenv("GEMINI_API_KEY") 
)

# Vérifier et charger la base de données Chroma
CHROMA_PATH = os.path.abspath("./chroma_db")
if not os.path.exists(CHROMA_PATH):
    raise FileNotFoundError(f"Le dossier de la base de données Chroma est introuvable à l'emplacement : {CHROMA_PATH}")

print(f"Chargement de la base de données depuis : {CHROMA_PATH}")

try:
    vectorstore = Chroma(
        persist_directory=CHROMA_PATH,
        embedding_function=embeddings
    )
    
    # Vérifier que la collection contient des documents
    collection_count = vectorstore._collection.count()
    print(f"Nombre de documents dans la collection : {collection_count}")
    
    if collection_count == 0:
        raise ValueError("La base de données Chroma est vide")
        
except Exception as e:
    print(f"Erreur lors du chargement de la base de données : {str(e)}")
    raise

# Créer le retriever
retriever = vectorstore.as_retriever(
    search_type="similarity",
    search_kwargs={"k": 5}
)

# Définir le template de prompt
rag_template = """You are an expert quiz creator. Based on the provided course material, create a multiple-choice quiz.

GUIDELINES:
1. Generate 5 multiple-choice questions about: {question}
2. Each question should have 4 possible answers (A, B, C, D)
3. Only one answer should be correct
4. Questions should test understanding, not just recall
5. Base questions ONLY on the provided context
6. If the context doesn't contain enough information, say "Insufficient context to generate this question"
7. After each correct answer, provide a clear and concise explanation based strictly on the context
8. Do NOT use external knowledge

FORMAT STRICTLY like this:

Q1. [Question text]
A) [Option A]
B) [Option B]
C) [Option C]
D) [Option D]
Answer: [Correct letter]
Explanation: [2-4 sentence explanation referencing the context]

CONTEXT:
{context}

QUIZ:"""

# Créer la chaîne RAG
rag_prompt = PromptTemplate.from_template(rag_template)

def format_docs(docs):
    return "\n\n".join(doc.page_content for doc in docs)

rag_chain = (
    {
        "context": retriever | format_docs,
        "question": RunnablePassthrough()
    }
    | rag_prompt
    | llm
    | StrOutputParser()
)

# Exemple d'utilisation
if __name__ == "__main__":
    try:
        while True:
            question = input("\nEntrez votre question (ou 'quit' pour quitter) : ")
            if question.lower() == 'quit':
                break
                
            print("\n" + "="*50)
            print(f"Recherche pour : {question}")
            print("="*50 + "\n")
            
            # Afficher les résultats en temps réel
            for chunk in rag_chain.stream(question):
                print(chunk, end="", flush=True)
                
    except KeyboardInterrupt:
        print("\n\nArrêt du programme...")
    except Exception as e:
        print(f"\nUne erreur est survenue : {str(e)}")