FIX: mcp + llm

app.py

@@ -1,30 +1,98 @@
 import gradio as gr
 from openai import OpenAI
 import os
+import asyncio
+import re
+from mcp import ClientSession
+from mcp.client.stdio import stdio_client
 
 cle_api = os.environ.get("CLE_API_MISTRAL")
 
 # Initialisation du client Mistral (API compatible OpenAI)
 client = OpenAI(api_key=cle_api, base_url="https://api.mistral.ai/v1")
 
-# Chatbot : simple écho Fonction chatbot reliée à Mistral
+def extract_csv_uri_and_question(text: str):
+    """Retourne (uri, question). Si pas de uri, uri == None."""
+    m = re.search(r"(csv://\S+)", text)
+    if not m:
+        return None, text.strip()
+    uri = m.group(1).rstrip(",.;")  # retire ponctuation courante
+    question = text.replace(m.group(1), "").strip()
+    if question == "":
+        question = "Donne un aperçu et un résumé des données."
+    return uri, question
+
+async def fetch_csv_preview(uri: str) -> str:
+    # Paramètres pour lancer le provider en tant que sous-processus
+    params = {
+        "command": "python",
+        "args": ["csv_provider.py"],
+    }
+    # Création de la session
+    async with ClientSession(stdio_client, params) as session:
+        resp = await session.get_resource(uri)
+        return resp.resource.text
+
+def trim_context(text: str, max_chars: int = 4000) -> str:
+    if not text:
+        return ""
+    if len(text) <= max_chars:
+        return text
+    # garder le début (head) utile pour les CSV preview
+    return text[:max_chars] + "\n... (truncated)"
+
+def call_llm(messages, model="mistral-large", max_tokens=512, temperature=0.2):
+    """Appel synchrones au LLM (OpenAI-compatible)."""
+    resp = client.chat.completions.create(
+        model=model,
+        messages=messages,
+        max_tokens=max_tokens,
+        temperature=temperature,
+    )
+    return resp.choices[0].message["content"].strip()
+
+# --- LOGIQUE DU CHATBOT ---
 def chatbot(message, history):
-    # Préparer l’historique dans le format de Mistral
-    messages = []
-    for user_msg, bot_msg in history:
-        messages.append({"role": "user", "content": user_msg})
-        messages.append({"role": "assistant", "content": bot_msg})
-    
-    messages.append({"role": "user", "content": message})
+    history = history or []
+    history.append(("Vous: " + message, ""))
 
-    # Appel API Mistral
-    response = client.chat.completions.create(
-        model="mistral-small-latest",  # tu peux changer le modèle (mistral-medium, mistral-large, etc.)
-        messages=messages
+    uri, question = extract_csv_uri_and_question(message)
+
+    # Préparer prompt system
+    system_prompt = (
+        "Tu es un assistant utile. Si une ressource csv://... est fournie, utilise SON CONTENU "
+        "pour répondre précisément aux questions. Ne devine pas les valeurs absentes. "
+        "Rends la réponse concise et fournis des exemples si pertinent."
     )
 
-    bot_reply = response.choices[0].message.content.strip()
-    history.append(("Vous: " + message, "Bot: " + bot_reply))
+    # Si l'utilisateur demande d'utiliser un CSV -> récupérer via MCP
+    csv_text = None
+    if uri:
+        try:
+            csv_text = asyncio.run(fetch_csv_preview(uri))
+        except Exception as e:
+            reply = f"Erreur de récupération MCP pour {uri} : {e}"
+            history[-1] = (history[-1][0], "Bot: " + reply)
+            return history, history
+
+    # Construire messages pour LLM
+    messages = [{"role": "system", "content": system_prompt}]
+    if csv_text:
+        context = trim_context(csv_text, max_chars=4000)
+        messages.append({"role": "system", "content": f"--- CONTEXTE CSV ({uri}) ---\n{context}\n--- FIN CONTEXTE ---"})
+        user_content = f"Question (en se basant sur le CSV):\n{question}"
+    else:
+        user_content = question
+
+    messages.append({"role": "user", "content": user_content})
+
+    # Appel LLM
+    try:
+        llm_reply = call_llm(messages)
+    except Exception as e:
+        llm_reply = f"Erreur LLM : {e}"
+
+    history[-1] = (history[-1][0], "Bot: " + llm_reply)
     return history, history
     
 with gr.Blocks() as demo: