Add user input and prompt customization fields in the sidebar

src/streamlit_app.py

@@ -97,11 +97,22 @@ st.sidebar.markdown("🧠 **Modèle d'embedding :** `paraphrase-multilingual-mpn
 st.sidebar.markdown("🗂️ **Base vectorielle :** `Chroma`")
 st.sidebar.markdown("💬 **Modèle LLM :** `google/flan-t5-small` (text-generation, multilingue, open source)")
 
-# Saisie de l'utilisateur
-user_input = st.text_area("✉️ Votre question :", height=200)
+# Saisie de l'utilisateur et personnalisation du prompt en même temps
+col1, col2 = st.columns([2, 3])
+with col1:
+    user_input = st.text_area("✉️ Votre question :", height=200, key="user_question")
+with col2:
+    user_prompt_intro = st.text_area(
+        "Début du prompt (modifiable)",
+        value="Vous êtes un assistant juridique spécialisé en droit français.\nVotre tâche est de proposer une réponse synthétique et argumentée à la question suivante, en vous appuyant uniquement sur les extraits de documents fournis, classés par pertinence. Indiquez clairement si la réponse est incertaine ou partielle. Répondez en français.",
+        height=120,
+        key="prompt_intro"
+    )
 
 # Bouton d'envoi de la question
 if st.button("📤 Envoyer") and user_input.strip():
+    user_input = st.session_state["user_question"]
+    user_prompt_intro = st.session_state["prompt_intro"]
     def distance_to_percent(score, max_dist=10.0):
         score = max(0, min(score, max_dist))
         return round((1 - score / max_dist) * 100)
@@ -111,7 +122,6 @@ if st.button("📤 Envoyer") and user_input.strip():
         db_path = os.path.abspath("./db")
         db = Chroma(persist_directory=db_path, embedding_function=embeddings)
         retriever = db.as_retriever(search_kwargs={"k": max_docs})
-        # Filtrage par types de bases sélectionnées (multi-choix)
         docs_and_scores = [
             (doc, score)
             for doc, score in retriever.vectorstore.similarity_search_with_score(user_input, k=30)