import LLM

pyproject.toml

@@ -10,7 +10,11 @@ dependencies = [
     "sentence-transformers>=2.2.0",
     "sudachipy>=0.6.0",
     "sudachidict-core>=20240716",
+    "openpyxl>=3.1.0",
     "python-dotenv>=1.0.0",
+    "pydantic-ai>=1.3.0",
+    "openai>=2.6.0",
+    "anthropic>=0.71.0",
 ]
 
 [build-system]

src/daily_ra/app.py

@@ -2,32 +2,26 @@ import streamlit as st
 import psycopg2
 import json
 from datetime import datetime
-from sudachipy import dictionary, tokenizer
-from sentence_transformers import SentenceTransformer, util
 import pandas as pd  
 import os
 from dotenv import load_dotenv
 
+from daily_ra.services.llm_service import llm_service, DailyRAInput
+
 # ============================
 # 🔧 1. 設定
 # ============================
 
-# Load environment variables from .env file (for local development)
 load_dotenv()
 
-# DB接続設定
 DB_HOST = os.environ.get("DB_HOST")
 DB_PORT = os.environ.get("DB_PORT", "5432")
 DB_USER = os.environ.get("DB_USERNAME")
 DB_PASSWORD = os.environ.get("DB_PASSWORD")
 DB_NAME = os.environ.get("DB_NAME", "postgres")
 
-print(DB_HOST, DB_PORT, DB_USER, DB_NAME)
-
-# Construct PostgreSQL connection URL for Supabase
 if all([DB_HOST, DB_USER, DB_PASSWORD, DB_NAME]):
     DB_URL = f"postgresql://{DB_USER}:{DB_PASSWORD}@{DB_HOST}:{DB_PORT}/{DB_NAME}"
-    print(f"🔗 Connecting to Supabase database as user '{DB_USER}'...")
 else:
     st.error("❌ Database connection details not found in environment variables!")
     st.stop()
@@ -39,145 +33,42 @@ try:
     conn = psycopg2.connect(DB_URL)
     conn.autocommit = True
     cur = conn.cursor()
-    print(f"✅ Connected to Supabase database '{DB_NAME}'")
 except Exception as e:
     st.error(f"❌ Database connection failed: {str(e)}")
     st.stop()
 
-# SudachiPy セットアップ
-sudachi_tokenizer = dictionary.Dictionary().create()
-def sudachi_tokenizer_func(text):
-    tokens = sudachi_tokenizer.tokenize(text, tokenizer.Tokenizer.SplitMode.C)
-    return [t.surface() for t in tokens]
-
-# SentenceTransformerモデル
-model = SentenceTransformer("all-MiniLM-L12-v2")
-
-# 正規化辞書
-NORMALIZE = {
-    "重機": ["ショベルカー", "ユンボ", "バックホウ", "グレーダー"],
-    "作業員": ["作業者", "職人", "人"],
-    "クレーン": ["クレーン車", "吊り上げ機"],
-    "足場": ["仮設足場", "高所足場"],
-    "吊荷": ["荷", "吊り荷", "吊下げ物"]
-}
-
-# 分類キーワード
-OBJECTS = ["作業員", "重機", "クレーン", "吊荷", "足場", "ダンプ"]
-RISKS = ["挟まれ", "接触", "墜落", "転倒", "感電", "落下", "衝突"]
-
-POTENTIAL_RISKS = {
-    ("作業員", "重機"): "作業員と重機が近接している状態",
-    ("作業員", "足場"): "作業員が高所作業中の可能性",
-    ("クレーン", "吊荷"): "吊荷の下に人がいる可能性",
-    ("作業員", "吊荷"): "作業員が吊荷の下にいる可能性",
-}
-
-# ============================
-# 🧩 2. 関数群
-# ============================
-
-def normalize_text(text):
-    """表記ゆれ統一"""
-    for base, words in NORMALIZE.items():
-        for w in words:
-            text = text.replace(w, base)
-    return text
-
-def extract_relations(text):
-    """
-    文中の対象物とリスクを組み合わせて簡易ペア抽出
-    """
-    pairs = []
-    text_norm = normalize_text(text)
-
-    # 文中の対象物を検出
-    found_objects = [obj for obj in OBJECTS if obj in text_norm]
-
-    # 文中のリスクワードを検出
-    found_risks = [risk for risk in RISKS if risk in text_norm]
-
-    # 複数対象物とリスクがある場合にペア化
-    if len(found_objects) >= 2 and found_risks:
-        for i in range(len(found_objects)):
-            for j in range(i+1, len(found_objects)):
-                pairs.append((found_objects[i], found_objects[j], found_risks))
-    return pairs
-
-def generate_rules(data):
-    """ルールベース生成"""
-    text = normalize_text(" ".join([
-        data["work_content"],
-        data["hazard_points"],
-        data["risk_identification"],
-        data["mitigation_measures"]
-    ]))
-
-    # 構文関係抽出
-    relations = extract_relations(text)
-
-    rules = []
-    for subj, obj, _ in relations:
-        # 潜在リスクを確認
-        risk_desc = POTENTIAL_RISKS.get((subj, obj)) or POTENTIAL_RISKS.get((obj, subj)) or []
-        rules.append({
-            "object1": subj,
-            "object2": obj,
-            "risk": risk_desc  
-        })
-    return rules
-
 # ============================
-# 🖥 3. Streamlit UI
-# ============================
-import pandas as pd
-
-# ============================
-# Excelファイル読み込み（初回のみ）
+# Excelファイル読み込み
 # ============================
 @st.cache_data
 def load_category_data():
     df = pd.read_excel("All process.xlsx")  # ファイルパスは適宜修正
     df.columns = [col.strip() for col in df.columns]
-    # 「章」→大分類、「工種」→小分類 として統一
     df = df.rename(columns={"章": "大分類", "工種": "小分類"})
     return df
 
 df_categories = load_category_data()
 
-
+# ============================
+# Streamlit UI
+# ============================
 st.title("日次RA入力")
 st.subheader("作業内容の選択")
 
-# --- 大分類（章） ---
 major_categories = sorted(df_categories["大分類"].dropna().unique())
-selected_major = st.selectbox(
-    "章（大分類）を選択してください",
-    ["--選択してください--"] + list(major_categories),
-    key="major"
-)
+selected_major = st.selectbox("章（大分類）を選択してください", ["--選択してください--"] + list(major_categories))
 
-# --- 小分類（工種） ---
-if selected_major and selected_major != "--選択してください--":
+if selected_major != "--選択してください--":
     filtered_df = df_categories[df_categories["大分類"] == selected_major]
     sub_categories = sorted(filtered_df["小分類"].dropna().unique())
-    selected_sub = st.selectbox(
-        "工種（小分類）を選択してください",
-        ["--選択してください--"] + list(sub_categories),
-        key="sub"
-    )
+    selected_sub = st.selectbox("工種（小分類）を選択してください", ["--選択してください--"] + list(sub_categories))
 else:
     selected_sub = "--選択してください--"
 
-# --- 作業内容を確定 ---
-if (
-    selected_major != "--選択してください--"
-    and selected_sub != "--選択してください--"
-):
-    work_content = f"{selected_major} - {selected_sub}"
+work_content = f"{selected_major} - {selected_sub}" if selected_major != "--選択してください--" and selected_sub != "--選択してください--" else ""
+if work_content:
     st.success(f"作業内容: {work_content}")
 else:
-    work_content = ""
     st.warning("章と工種を選択してください。")
 
 # ============================
@@ -190,15 +81,14 @@ with st.form("ra_form"):
     risk_identification = st.text_area("危険性・有害性の特定")
     mitigation_measures = st.text_area("危険性・有害性の低減策")
     inspection_items = st.text_area("点検事項")
-
     submitted = st.form_submit_button("保存")
 
 # ============================
 # フォーム送信処理
 # ============================
 if submitted:
-    if work_content == "":
-        st.error("❌ 作業内容が未選択です。章と工種を選んでください。")
+    if not work_content:
+        st.error("❌ 作業内容が未選択です。")
     else:
         form_data = {
             "work_date": str(work_date),
@@ -209,57 +99,39 @@ if submitted:
             "mitigation_measures": mitigation_measures,
             "inspection_items": inspection_items
         }
-        st.success("✅ 入力内容を保存しました！")
-
 
-    # --- ルール生成 ---
-    rules = generate_rules(form_data)
-
-    # --- PostgreSQL 保存 ---
-    sql = """INSERT INTO daily_ra 
-        (work_date, work_content, hazard_points, general_comments, risk_identification, mitigation_measures, inspection_items, created_at)
-        VALUES (%s,%s,%s,%s,%s,%s,%s,NOW()) RETURNING id"""
-    cur.execute(sql, tuple(form_data.values()))
-    daily_id = cur.fetchone()[0]  # PostgreSQL uses RETURNING to get the inserted ID
-
-    for r in rules:
-        sql_rule = """INSERT INTO rule_base (daily_ra_id, object1, object2, risk, created_at)
-                      VALUES (%s,%s,%s,%s,NOW())"""
-        cur.execute(sql_rule, (daily_id, r["object1"], r["object2"], json.dumps(r["risk"], ensure_ascii=False)))
-
-    # No need to commit with autocommit=True, but keeping for clarity
-    conn.commit()
-    st.success("✅ 入力内容とルールベースの生成・保存が完了しました！")
-
-    # --- 表形式でルール表示 ---
-    if rules:
-        df = pd.DataFrame(rules)
-        st.subheader("🔍 生成されたルール（テーブル形式）")
-        st.dataframe(df)
-
-    # --- JSON作成（LLM連携用）＆保存 ---
-    json_data = {
-        "daily_id": daily_id,
-        "rules": rules
-    }
+        # --- DB保存 ---
+        sql = """INSERT INTO daily_ra 
+            (work_date, work_content, hazard_points, general_comments, risk_identification, mitigation_measures, inspection_items, created_at)
+            VALUES (%s,%s,%s,%s,%s,%s,%s,NOW()) RETURNING id"""
+        cur.execute(sql, tuple(form_data.values()))
+        daily_id = cur.fetchone()[0]
+        conn.commit()
+        st.success("✅ 入力内容を保存しました！")
 
-    # JSON保存用ディレクトリ作成
-    # Use absolute path in Docker, relative path locally
-    if os.path.exists("/app"):
-        json_dir = "/app/json_data"
-    else:
-        json_dir = "json_data"
-    
-    try:
+        # --- 🔥 LLMでルール生成 ---
+        with st.spinner("🤖 LLMで安全ルールを生成中..."):
+            input_data = DailyRAInput(**form_data)
+            rules = llm_service.generate_rules(input_data)
+
+        # --- ルール保存 ---
+        if rules:
+            for r in rules:
+                sql_rule = """INSERT INTO rule_base (daily_ra_id, object1, object2, risk, created_at)
+                              VALUES (%s,%s,%s,%s,NOW())"""
+                cur.execute(sql_rule, (daily_id, r.object1, r.object2, r.risk))
+            conn.commit()
+            st.success("✅ LLM生成ルールを保存しました！")
+            st.subheader("🔍 LLMが生成した安全ルール")
+            st.dataframe([r.dict() for r in rules])
+        else:
+            st.warning("⚠️ LLMによるルール生成に失敗しました。")
+
+        # --- JSON作成＆保存 ---
+        json_data = {"daily_id": daily_id, "rules": [r.dict() for r in rules]}
+        json_dir = "/app/json_data" if os.path.exists("/app") else "json_data"
         os.makedirs(json_dir, exist_ok=True)
-        
-        # ファイル名に daily_id とタイムスタンプを付与
         json_path = os.path.join(json_dir, f"daily_ra_{daily_id}_{datetime.now().strftime('%Y%m%d_%H%M%S')}.json")
-
-        # JSONファイルとして保存
         with open(json_path, "w", encoding="utf-8") as f:
             json.dump(json_data, f, ensure_ascii=False, indent=2)
-
-        st.success(f"✅ JSONファイルを保存しました: {json_path}")
-    except PermissionError:
-        st.warning("⚠️ JSONファイルの保存はスキップされました（データベースには正常に保存されています）")
+        st.success(f"✅ JSONファイルを保存しました: {json_path}")

src/daily_ra/models/schemas.py

@@ -0,0 +1,16 @@
+from pydantic import BaseModel
+from typing import List
+
+class DailyRAInput(BaseModel):
+    work_date: str
+    work_content: str
+    hazard_points: str
+    general_comments: str
+    risk_identification: str
+    mitigation_measures: str
+    inspection_items: str
+
+class GeneratedRule(BaseModel):
+    object1: str
+    object2: str
+    risk: str

src/daily_ra/services/llm_service.py

@@ -0,0 +1,78 @@
+from pydantic import BaseModel
+from typing import List
+from openai import OpenAI
+from dotenv import load_dotenv
+import os, json
+
+# .env を読み込む
+load_dotenv()
+
+# クライアントを初期化
+client = OpenAI(api_key=os.environ.get("OPENAI_API_KEY"))
+
+# ======== Pydantic スキーマ ========
+class DailyRAInput(BaseModel):
+    work_date: str
+    work_content: str
+    hazard_points: str
+    general_comments: str
+    risk_identification: str
+    mitigation_measures: str
+    inspection_items: str
+
+class GeneratedRule(BaseModel):
+    object1: str
+    object2: str
+    risk: str
+
+# ======== LLM サービス ========
+class LLMService:
+    @staticmethod
+    def generate_prompt(data: DailyRAInput) -> str:
+        return f"""
+以下は日次RAの作業内容です。作業者、重機、クレーンなどの対象物と危険性を抽出し、
+安全ルールを JSON 形式で返してください。出力形式は
+[{{"object1": "対象1", "object2": "対象2", "risk": "リスク"}}] です。
+
+作業日: {data.work_date}
+作業内容: {data.work_content}
+作業危険ポイント: {data.hazard_points}
+元請コメント: {data.general_comments}
+危険性・有害性の特定: {data.risk_identification}
+危険性・有害性の低減策: {data.mitigation_measures}
+点検事項: {data.inspection_items}
+"""
+
+    @staticmethod
+    def generate_rules(data: DailyRAInput) -> List[GeneratedRule]:
+        prompt = LLMService.generate_prompt(data)
+
+        try:
+            response = client.chat.completions.create(
+                model="gpt-4o-mini",
+                messages=[
+                    {"role": "system", "content": "あなたは建設現場の安全ルール生成AIです。"},
+                    {"role": "user", "content": prompt},
+                ],
+                temperature=0.2,
+            )
+            text = response.choices[0].message.content.strip()
+
+            # ✅ コードブロック(````json ... `````)を除去
+            if text.startswith("```"):
+                text = text.strip("`")
+                text = text.replace("json", "").strip()
+
+            # JSONとしてパース
+            rules_raw = json.loads(text)
+            return [GeneratedRule(**r) for r in rules_raw]
+
+        except json.JSONDecodeError as e:
+            print(f"⚠️ JSONデコードエラー: {e}\n出力内容: {text}")
+            return []
+        except Exception as e:
+            print(f"⚠️ LLM生成エラー: {e}")
+            return []
+
+# シングルトンインスタンス
+llm_service = LLMService()