Spaces:
Sleeping
Sleeping
| import os | |
| import time | |
| from operator import itemgetter | |
| from collections import Counter | |
| from langchain.schema.runnable import Runnable, RunnablePassthrough, RunnableLambda | |
| from langchain.schema.runnable.config import RunnableConfig | |
| from langchain.embeddings import HuggingFaceEmbeddings | |
| from langchain.chains import ConversationalRetrievalChain | |
| from langchain.callbacks.streaming_stdout import StreamingStdOutCallbackHandler | |
| from langchain.chains import LLMChain | |
| from langchain.prompts import ChatPromptTemplate, MessagesPlaceholder | |
| from langchain.schema import StrOutputParser | |
| from langchain.chains.conversational_retrieval.prompts import CONDENSE_QUESTION_PROMPT | |
| from langchain.chains.question_answering import load_qa_chain | |
| from langchain.chains.qa_with_sources import load_qa_with_sources_chain | |
| from langchain.vectorstores import Pinecone | |
| import pinecone | |
| from langchain.memory import ChatMessageHistory, ConversationBufferMemory | |
| import pandas as pd | |
| import numpy as np | |
| from anthropic import Anthropic, HUMAN_PROMPT, AI_PROMPT | |
| from langchain_anthropic import ChatAnthropic | |
| import chainlit as cl | |
| from chainlit.input_widget import Select, TextInput | |
| from chainlit import user_session | |
| from offres_emploi import Api | |
| from offres_emploi.utils import dt_to_str_iso | |
| import datetime | |
| import bcrypt | |
| import json | |
| from langchain.document_loaders import PyPDFLoader, TextLoader | |
| from chainlit.types import AskFileResponse | |
| from langchain.text_splitter import RecursiveCharacterTextSplitter | |
| def auth_callback(username: str, password: str): | |
| auth = json.loads(os.environ['CHAINLIT_AUTH_LOGIN']) | |
| ident = next(d['ident'] for d in auth if d['ident'] == username) | |
| pwd = next(d['pwd'] for d in auth if d['ident'] == username) | |
| resultLogAdmin = bcrypt.checkpw(username.encode('utf-8'), bcrypt.hashpw(ident.encode('utf-8'), bcrypt.gensalt())) | |
| resultPwdAdmin = bcrypt.checkpw(password.encode('utf-8'), bcrypt.hashpw(pwd.encode('utf-8'), bcrypt.gensalt())) | |
| resultRole = next(d['role'] for d in auth if d['ident'] == username) | |
| if resultLogAdmin and resultPwdAdmin and resultRole == "admindatapcc": | |
| return cl.User( | |
| identifier=ident + " : 🧑💼 Admin Datapcc", metadata={"role": "admin", "provider": "credentials"} | |
| ) | |
| elif resultLogAdmin and resultPwdAdmin and resultRole == "userdatapcc": | |
| return cl.User( | |
| identifier=ident + " : 🧑🎓 User Datapcc", metadata={"role": "user", "provider": "credentials"} | |
| ) | |
| def process_file(file: AskFileResponse): | |
| if file.type == "text/plain": | |
| Loader = TextLoader | |
| elif file.type == "application/pdf": | |
| Loader = PyPDFLoader | |
| text_splitter = RecursiveCharacterTextSplitter(chunk_size=1000, chunk_overlap=100) | |
| loader = Loader(file.path) | |
| documents = loader.load() | |
| docs = text_splitter.split_documents(documents) | |
| for i, doc in enumerate(docs): | |
| doc.metadata["source"] = f"source_{i}" | |
| return docs | |
| def modele(document): | |
| match document: | |
| case "Note de composante sectorielle": | |
| note = """ | |
| 2. Analyse du système travail | |
| 2.1 Secteurs en lien avec la discipline | |
| 2.1.1 Indiquer la nature des secteurs, la répartition des entreprises. Décrire les enjeux pour ce secteur (axes de développement, de transformations). Indiquer les OPérateurs de COmpétences de la branche professionnelle correspondante en France. | |
| 2.2 Analyses des offres d’emploi | |
| 2.2.1 Indiquer les statistiques de l’emploi sur une période. Identifier les 5 principales appellations métiers seulement en fonction du contexte, en créer une liste contextualisée, avec les pourcentages du nombre d'offres pour chaque emploi par rapport au nombre total d'offres. | |
| 2.2.2 missions, activités et compétences demandées (écrites avec un verbe d'action). Décrire le/les profils types des recrutés par les employeurs du système de travail. Lister, au format liste, les évolutions professionnelles ou les exemples de spécialisation, lister, au format liste, les débouchés, lister, au format liste, les avantages du métier, lister, au format liste, les inconvénients du métier, lister, au format liste, les conseils pour réussir dans ce métier. | |
| 2.2.3 Indiquer si les emplois sont en tension | |
| """ | |
| case "Fiche Potentiel Profil de Sortie": | |
| note = """ | |
| 1. Nom de la fiche | |
| 2. Niveau du diplôme et son Intitulé (nom long plus sigle). Le niveau de qualification | |
| 3. Le résumé du profil et du potentiel de sortie. Il est composé de plusieurs parties : | |
| L'identité/ les spécificités de la composante. Cette introduction de 5 à 10 lignes est utile pour caractériser le diplôme. Il s'agit d’avoir une description sur les thématiques de recherche de la composante. Elles sont indiquées afin d’établir le lien entre la recherche et des enjeux possibles dans le système travail. Elle facilite la compréhension des domaines de compétences dans lequel s’inscrit le futur diplômé. La culture disciplinaire est à indiquer car elle contribue à caractériser le diplôme. | |
| L'identité professionnelle du diplômé. Les informations professionnelles sont organisées par mailles (du plus large au plus précis) secteur, famille de métiers, activités, compétences, compétences transversales. Il est nécessaire d’être attentif au niveau de qualification de sortie. Nous avons des emplois accessibles dès l’obtention du diplôme, d'autres ne le seront qu’avec un une qualification supérieure et/ou avec de l’expérience. Il souhaitable de faire une description globale du profil en apportant des informations sur le niveau d’autonomie et de responsabilité et les caractéristiques d’exercice des emplois (spécialisé ou généraliste, polyvalent ou expert etc).Cette seconde partie de texte de 10 à 15 lignes introduit les domaines et enjeux sectoriels et/ou terrain de mise en œuvre (3 lignes), les principales appellations d’emploi (1 à 2 lignes), les activités professionnelles (employabilité ) et le processus métier (3 à 4 lignes), les principaux interlocuteurs (1 à 2 lignes), les différents contextes de mise en œuvre (déplacements, langues étrangères). Cette description peut être suivi la liste d’emplois (avec une présentation courte 5 lignes) accessibles en indiquant le cas échéant les spécificités | |
| 4. La réglementation le cas échéant | |
| 5. Secteurs d'activité ou types d'emplois accessibles par le détenteur de ce diplôme | |
| 6. Le type de structure et d’organisations professionnelles | |
| 7. Listes des suites de parcours académiques ou passerelles de formation | |
| 8. Codes Rome | |
| 9. Référence de la fiche RNCP | |
| """ | |
| return note | |
| def definition(document): | |
| if document == "activite": | |
| meanings = """ | |
| Définition d'une activité : une activité est un ensemble cohérent d'actions combinées : pour la réaliser, plusieurs compétences et opérations sont nécessaires, soit successivement, soit conjointement. Elles s'inscrivent à des moments clés du processus de réalisation et ne peuvent en aucun cas être occultées, car elles conditionnent le résultat. Plusieurs activités en vue d'une finalité avec une valeur ajoutée à un produit ou un service sont nécessaires pour mettre en œuvre un processus métier. De ce fait, il est essentiel de déterminer pour chaque activité sa propre finalité et de s'assurer que l'ensemble des activités participent bien d'un même processus. | |
| """ | |
| elif document == "competence": | |
| meanings = """ | |
| Définition d'une compétence : la compétence est une combinaison de savoirs en action, mobilisés en vue de réaliser une activité professionnelle. Elle s'apprécie, en tant qu'acquis de l'apprentissage selon des modalités adaptées permettant d'en certifier la possession et au regard de l'atteinte d'un résultat pour un niveau d'exigence prédéterminé. Les compétences peuvent être regroupées par domaines selon la nature et leur liaison subordonnée aux activités. Elles s'écrivent à l'aide de verbe d'action à l'infinitif comme le stipule la taxonomie de Bloom pour marquer une progression dans l'exercice de la compétence. | |
| """ | |
| return meanings | |
| def listToString(list): | |
| return str(list) | |
| def arrayToString(array): | |
| arrayList = [] | |
| for i in range(0,len(array)): | |
| if listToString(array[i]).find("libelle")!=-1: | |
| arrayList.append(array[i]['libelle']) | |
| else: | |
| arrayList.append("; ") | |
| string = ', '.join(arrayList) | |
| return string + '; ' | |
| def searchByRome(rome): | |
| pinecone.init( | |
| api_key='1e6bca4f-7ae3-4798-b85f-13139e82a7b8', | |
| environment='us-west4-gcp-free' | |
| ) | |
| index_name = "all-skills" | |
| index = pinecone.Index(index_name=index_name) | |
| libelle = '' | |
| if rome.find(',') != -1: | |
| romeArray = rome.split(',') | |
| for i in range(0,len(romeArray)): | |
| codeRome = romeArray[i].strip() | |
| if i <= 5 and len(codeRome) == 5: | |
| all_docs = index.query( | |
| top_k=1, | |
| vector= [0] * 768, # embedding dimension | |
| namespace='', | |
| filter={"categorie": {"$eq": "rome"}, "rome":{"$eq": codeRome}}, | |
| include_metadata=True | |
| ) | |
| libelle = libelle + " " + all_docs['matches'][0]['metadata']['libelle_rome'] | |
| else: | |
| all_docs = index.query( | |
| top_k=1, | |
| vector= [0] * 768, # embedding dimension | |
| namespace='', | |
| filter={"categorie": {"$eq": "rome"}, "rome":{"$eq": rome}}, | |
| include_metadata=True | |
| ) | |
| libelle = libelle + " " + all_docs['matches'][0]['metadata']['libelle_rome'] | |
| return libelle | |
| def rename(orig_author: str): | |
| rename_dict = {"ConversationalRetrievalChain": "💬 Assistant conversationnel", "Retriever": "Agent conversationnel", "StuffDocumentsChain": "Chaîne de documents", "LLMChain": "Agent", "ChatAnthropic": "🤖 IA"} | |
| return rename_dict.get(orig_author, orig_author) | |
| async def on_action(action): | |
| content = [] | |
| content.append(action.value) | |
| arrayContent = np.array(content) | |
| df = pd.DataFrame(arrayContent) | |
| with open('./' + action.description + '.txt', 'wb') as csv_file: | |
| df.to_csv(path_or_buf=csv_file, index=False,header=False, encoding='utf-8') | |
| elements = [ | |
| cl.File( | |
| name= action.description + ".txt", | |
| path="./" + action.description + ".txt", | |
| display="inline", | |
| ), | |
| ] | |
| await cl.Message( | |
| author="Datapcc : 🌐🌐🌐", content="[Lien] 🔗", elements=elements | |
| ).send() | |
| await action.remove() | |
| async def on_action(action): | |
| time.sleep(0.5) | |
| track = user_session.get("tracker") | |
| await track.remove() | |
| async def on_action(action): | |
| task_list = cl.TaskList() | |
| # Create the TaskList | |
| # Create a task and put it in the running state | |
| task1 = cl.Task(title="Processing data Processing data Processing data Processing data Processing data Processing data Processing data Processing data Processing data Processing data Processing data Processing data Processing data Processing data Processing data Processing data Processing data Processing data Processing data Processing data Processing data \n\n Processing data", status=cl.TaskStatus.READY) | |
| await task_list.add_task(task1) | |
| task2 = cl.Task(title=action.value, status=cl.TaskStatus.READY) | |
| await task_list.add_task(task2) | |
| # Perform some action on your end | |
| await task_list.send() | |
| tracking = user_session.set("tracker", task_list) | |
| others = [ | |
| cl.Action(name="close_button", value="closed", label="Fermer", description="Fermer le volet d'information!") | |
| ] | |
| await cl.Message(author="Datapcc : 🌐🌐🌐",content="Fermer le panneau d'information", actions=others).send() | |
| def to_cache(file): | |
| #time.sleep(5) # Simulate a time-consuming process | |
| return "https://cipen.univ-gustave-eiffel.fr/fileadmin/CIPEN/datas/assets/docs/" + file + ".csv" | |
| async def chat_profile(): | |
| return [ | |
| cl.ChatProfile(name="Note composante sectorielle - NCS",markdown_description="Note composante sectorielle",icon="./public/favicon.png",), | |
| ] | |
| async def start(): | |
| chat_profile = cl.user_session.get("chat_profile") | |
| chatProfile = chat_profile.split(' - ') | |
| if chatProfile[1] == 'NCS': | |
| connexion = cl.TaskList() | |
| connexion.status = "Running..." | |
| # Create a task and put it in the running state | |
| task1 = cl.Task(title="Chargement des données, en attente...", status=cl.TaskStatus.RUNNING) | |
| await connexion.add_task(task1) | |
| await connexion.send() | |
| logo = [ | |
| cl.Image(name="Logo", size="small", display="inline", path="./public/logo_light.png") | |
| ] | |
| await cl.Message(author="Datapcc : 🌐🌐🌐",content="", elements=logo).send() | |
| valuesRome = np.array(["", "M1302 - DU entrepreneuriat", "F1106,F1201,F1103,H1206,K1802 - Licence Génie Urbain", "M1502,M1503 - LP Gestion Opérationnelles des Ressources Humaines", "K1902 - LP Management et Droits des Affaires Immobilières"]) | |
| cl.user_session.set("arraySettingsRome", valuesRome) | |
| settings = await cl.ChatSettings( | |
| [ | |
| Select( | |
| id="rome", | |
| label="Codes Rome", | |
| values=valuesRome, | |
| initial_index=0, | |
| ), | |
| TextInput(id="romeInput", label="ou saisir une liste de codes ROME jusqu'à 5 codes", placeholder="ou saisir une liste de codes ROME jusqu'à 5 codes", tooltip="saisir une liste de codes Rome séparés par des virgules, jusqu'à 5 codes ROME"), | |
| Select( | |
| id="type", | |
| label="Type de fiche", | |
| values=["", "Note de composante sectorielle - NCS", "Fiche synoptique - FCS", "Fiche activité - FCA", "Fiche compétence - FCC", "Module de formation - cours - MDF", "Matrice de cohérences - MDC", "Référentiel d'évaluation - REV"], | |
| initial_index=0, | |
| ), | |
| ] | |
| ).send() | |
| value = settings["rome"] | |
| task1.status = cl.TaskStatus.DONE | |
| await cl.sleep(0.5) | |
| await connexion.remove() | |
| if len(value) < 1: | |
| await cl.Message(author="Datapcc : 🌐🌐🌐",content="⚠️ Aucun contexte fixé!\nAussi, vous ne pourrez pas élaborer de document de la chaîne documentaire APCC!").send() | |
| warning = [ | |
| cl.Image(name="Warning", size="medium", display="inline", path="./public/warning.png") | |
| ] | |
| await cl.Message(author="Datapcc : 🌐🌐🌐",content="1️⃣ Cliquez sur le bouton dont l'image suit, dans le prompt, pour commencer à élaborer un premier texte de la chaîne documentaire APCC!").send() | |
| await cl.Message(author="Datapcc : 🌐🌐🌐",content="", elements=warning).send() | |
| await cl.Message(author="Datapcc : 🌐🌐🌐",content="2️⃣ Puis sélectionnez un code ROME et un type de fiche dans les menus déroulants proposés. Et vous êtes prêt!").send() | |
| os.environ['ANTHROPIC_API_KEY'] = os.environ['ANTHROPIC_API_KEY'] | |
| contextChat = cl.user_session.get("contextChatBot") | |
| if not contextChat: | |
| contextChat = "Il n'y a pas de contexte." | |
| model = ChatAnthropic( | |
| temperature=1, | |
| model_name="claude-3-opus-20240229" | |
| ) | |
| cl.user_session.set("memory", ConversationBufferMemory(return_messages=True)) | |
| memory = cl.user_session.get("memory") | |
| prompt = ChatPromptTemplate.from_messages( | |
| [ | |
| ( | |
| "system", | |
| f"Contexte : Vous êtes un spécialiste du marché de l'emploi en fonction du niveau de qualification, des compétences professionnelles, des compétences transversales, du salaire et de l'expérience. Vous êtes doué pour faire des analyses du système travail sur les métiers les plus demandés grâce à votre aptitude à synthétiser les informations en fonction des critères définis ci-avant. En fonction des informations suivantes et du contexte suivant seulement et strictement. Contexte : {contextChat}. Réponds à la question suivante de la manière la plus pertinente, la plus exhaustive et la plus détaillée possible, avec au minimum 3000 tokens jusqu'à 4000 tokens, seulement et strictement dans le contexte et les informations fournies. Essayez donc de comprendre en profondeur le contexte et répondez uniquement en vous basant sur les informations fournies.", | |
| ), | |
| MessagesPlaceholder(variable_name="history"), | |
| ("human", "{question}, dans le contexte fourni."), | |
| ] | |
| ) | |
| runnable = ( | |
| RunnablePassthrough.assign( | |
| history=RunnableLambda(memory.load_memory_variables) | itemgetter("history") | |
| ) | |
| | prompt | |
| | model | |
| | StrOutputParser() | |
| ) | |
| cl.user_session.set("runnable", runnable) | |
| async def setup_agent(settings): | |
| if not settings['rome'] and not settings['type'] and not settings['romeInput']: | |
| await cl.Message( | |
| author="Datapcc : 🌐🌐🌐",content=f"⚠️ Pas de contexte : {settings['rome']}\n⚠️ Pas de type de fiche : {settings['type']}\n⛔ Vous ne pouvez pas élaborer de fiche!" | |
| ).send() | |
| elif settings['rome'] and not settings['type'] and not settings['romeInput']: | |
| await cl.Message( | |
| author="Datapcc : 🌐🌐🌐",content=f"👍 Changement de contexte : {settings['rome']}\n⚠️ Pas de type de fiche : {settings['type']}\n⛔ Vous ne pouvez pas élaborer de fiche!" | |
| ).send() | |
| elif not settings['rome'] and settings['type'] and not settings['romeInput']: | |
| await cl.Message( | |
| author="Datapcc : 🌐🌐🌐",content=f"⚠️ Pas de contexte : {settings['rome']}\n👍 Type de fiche : {settings['type']}\n⛔ Vous ne pouvez pas élaborer de fiche!" | |
| ).send() | |
| else: | |
| await cl.Message( | |
| author="Datapcc : 🌐🌐🌐",content=f"👍 Changement de contexte : {settings['rome']}\n👍 Type de fiche : {settings['type']}" | |
| ).send() | |
| client_anthropic = Anthropic( | |
| api_key=os.environ['ANTHROPIC_API_KEY'], | |
| ) | |
| if settings['romeInput']: | |
| romeList = settings['romeInput'] + " - " + settings['romeInput'] | |
| cl.user_session.set("romeFree", romeList) | |
| else: | |
| romeList = settings['rome'] | |
| romeListArray = romeList.split(' - ') | |
| #session = cl.user_session.get("id") | |
| #await cl.Message( | |
| # author="Datapcc : 🌐🌐🌐",content=f"Votre session : {session}" | |
| #).send() | |
| if settings['type'] == 'Note de composante sectorielle - NCS': | |
| ### Pole Emploi ### | |
| NCS = cl.TaskList() | |
| NCS.status = "Running..." | |
| # Create a task and put it in the running state | |
| taskNCS1 = cl.Task(title="Chargement des données du marché de l'emploi, en attente...", status=cl.TaskStatus.RUNNING) | |
| await NCS.add_task(taskNCS1) | |
| taskNCS2 = cl.Task(title="Connexion au modèle d'Intelligence Artificielle, en attente...", status=cl.TaskStatus.RUNNING) | |
| await NCS.add_task(taskNCS2) | |
| message_id1 = await cl.Message(content="🕝 Construction de la chaîne documentaire").send() | |
| taskNCS1.forId = message_id1 | |
| await NCS.send() | |
| client = Api(client_id=os.environ['POLE_EMPLOI_CLIENT_ID'], | |
| client_secret=os.environ['POLE_EMPLOI_CLIENT_SECRET']) | |
| todayDate = datetime.datetime.today() | |
| month, year = (todayDate.month-1, todayDate.year) if todayDate.month != 1 else (12, todayDate.year-1) | |
| start_dt = todayDate.replace(day=1, month=month, year=year) | |
| end_dt = datetime.datetime.today() | |
| params = {"motsCles": romeListArray[0],'lieux':'75D','minCreationDate': dt_to_str_iso(start_dt),'maxCreationDate': dt_to_str_iso(end_dt),'range':'0-149'} | |
| search_on_big_data = client.search(params=params) | |
| results = search_on_big_data["resultats"] | |
| emplois = [] | |
| for i in range(0,len(results)): | |
| if i == 0: | |
| emplois.append("Secteur : " + searchByRome(romeListArray[0]) + " " + romeListArray[1]) | |
| else: | |
| emplois.append("\nEmploi : " + results[i]['intitule'] + "; Contrat : " + results[i]['typeContrat'] + "; Compétences professionnelles : " + arrayToString(results[i]['competences']) if listToString(results[i]).find("'competences':")!=-1 else "; " + "Salaire : " + listToString(results[i]['salaire']) + "; Qualification : " + results[i]['qualificationLibelle'] if listToString(results[i]).find("'qualificationLibelle':")!=-1 else "; " + "; Localisation : " + listToString(results[i]['lieuTravail']) + "; Entreprise : " + listToString(results[i]['entreprise']['nom']) if listToString(results[i]['entreprise']).find("'nom':")!=-1 else "; ") | |
| emplois_list = ''.join(emplois) | |
| context = emplois_list.replace('[','').replace(']','').replace('{','').replace('}','') | |
| taskNCS1.status = cl.TaskStatus.DONE | |
| await NCS.send() | |
| message_id2 = await cl.Message(content="🕝 Construction de la Note de Composante Sectorielle : " + searchByRome(romeListArray[0])).send() | |
| taskNCS2.forId = message_id2 | |
| await NCS.send() | |
| ### Anthropic Completion ### | |
| structure = str(modele('Note de composante sectorielle')) | |
| definitions = definition('activite') + ' ' + definition('competence') | |
| question =""" | |
| Peux-tu créer une note sectorielle d'après le modèle de note sectorielle précédent en respectant ses parties : 2., 2.1, 2.1.1, 2.2, 2.2.1, 2.2.2, 2.2.3 et d'après le contexte en vous réferrant strictement aux données du contexte fixé? Réponse sous forme d'un texte généré d'après le modèle et le contexte en 4000 mots et en langue française absolument. | |
| """ | |
| completion_NCS = client_anthropic.messages.create( | |
| model="claude-3-opus-20240229", | |
| max_tokens=4000, | |
| temperature=1, | |
| messages=[{ | |
| "role": 'user', "content": f"Contexte : Vous êtes un spécialiste du marché de l'emploi en fonction du niveau de qualification, des compétences professionnelles, des compétences transversales, des savoirs, du contexte au travail, du salaire, de l'expérience, de l'évolution professionnelle, des débouchés, des avantages du métier, des inconvénients du métier et des conseils pour réussir dans ce métier. Vous êtes doué pour faire des analyses du système travail sur les métiers les plus demandés grâce à votre aptitude à synthétiser les informations en fonction des critères définis ci-avant. En fonction des informations suivantes et du contexte suivant seulement et strictement. Contexte : {context}. {definitions} Modèle de note sectorielle : {structure}. Réponds en langue française strictement à la question suivante en respectant strictement les données du contexte. Si vous ne pouvez pas répondre à la question sur la base des informations, dites que vous ne trouvez pas de réponse ou que vous ne parvenez pas à trouver de réponse. Essayez donc de comprendre en profondeur le contexte et répondez uniquement en vous basant sur les informations fournies. Ne générez pas de réponses non pertinentes. Si les informations du contexte sont insuffisantes, procédez à une projection sur le secteur, les entreprises et le marché de l'emploi, pour construire la note de composante sectorielle. Question : {question}" | |
| }] | |
| ) | |
| taskNCS2.status = cl.TaskStatus.DONE | |
| await NCS.send() | |
| await cl.sleep(2) | |
| await cl.Message( | |
| author="Datapcc : 🌐🌐🌐",content="Note de composante sectorielle de(s) code(s) ROME : " + romeListArray[0] + "\n\n" + completion_NCS.content[0].text | |
| ).send() | |
| cl.user_session.set("NCS" + romeListArray[0], completion_NCS.content[0].text) | |
| cl.user_session.set("contextChatBot", context + "\n" + completion_NCS.content[0].text) | |
| listEmplois_name = f"Liste des emplois" | |
| text_elements = [] | |
| text_elements.append( | |
| cl.Text(content="Question : " + romeListArray[0] + "\n\nRéponse :\n" + context.replace('Emploi : ','\n✔️ Emploi : ').replace('Contrat : ','\nContrat : ').replace('Compétences professionnelles : ','\nCompétences professionnelles : ').replace('Salaire : ','\nSalaire : ').replace('Qualification : ','\nQualification : '), name=listEmplois_name) | |
| ) | |
| await cl.Message(author="Datapcc : 🌐🌐🌐",content="Source Pôle Emploi : " + listEmplois_name, elements=text_elements).send() | |
| actions = [ | |
| cl.Action(name="download", value=completion_NCS.content[0].text, description="download_note_sectorielle") | |
| ] | |
| await cl.Message(author="Datapcc : 🌐🌐🌐",content="Download", actions=actions).send() | |
| await cl.sleep(2) | |
| await NCS.remove() | |
| elif settings['type'] == 'Fiche synoptique - FCS': | |
| if cl.user_session.get("NCS" + romeListArray[0]): | |
| FCS = cl.TaskList() | |
| FCS.status = "Running..." | |
| taskFCS1 = cl.Task(title="Chargement des données de la note sectorielle, en attente...", status=cl.TaskStatus.RUNNING) | |
| await FCS.add_task(taskFCS1) | |
| taskFCS2 = cl.Task(title="Connexion au modèle d'Intelligence Artificielle, en attente...", status=cl.TaskStatus.RUNNING) | |
| await FCS.add_task(taskFCS2) | |
| message_id3 = await cl.Message(content="🕝 Récupération de la note sectorielle").send() | |
| taskFCS1.forId = message_id3 | |
| await FCS.send() | |
| goFCS = await cl.AskActionMessage( | |
| content="Voulez-vous téléverser votre propre document de Note sectorielle?", | |
| actions=[ | |
| cl.Action(name="continue", value="continue", label="✅ Oui, je veux charger ma note sectorielle"), | |
| cl.Action(name="cancel", value="cancel", label="❌ Non, je veux continuer avec la version du contexte"), | |
| ], | |
| ).send() | |
| if goFCS and goFCS.get("value") == "continue": | |
| files = None | |
| while files == None: | |
| files = await cl.AskFileMessage( | |
| content="Télécharger votre document de note sectorielle", accept=["text/plain", "application/pdf"],max_size_mb=2 | |
| ).send() | |
| text_file = files[0] | |
| NoteSectorielle = process_file(text_file) | |
| cl.user_session.set('NCS' + romeListArray[0], NoteSectorielle) | |
| else: | |
| NoteSectorielle = cl.user_session.get('NCS' + romeListArray[0]) | |
| question =""" | |
| 1) Extrais de la note de composante sectorielle du contexte, seulement et strictement la liste des 5 appellations métiers principales et écris-la au format liste formée de 5 lignes de ces mêmes métiers, sans phrase d'introduction de type \"Voici...\" et sans y apporter plus de précision quant à la génération de la note de composante sectorielle; la liste devant se termniner par la dernière appellation métier. | |
| 2) En fonction des 5 appellations métiers du secteur listées dans le document précédent correspondant à la note de composante sectorielle, crée une fiche synoptique sous forme d'une fiche descriptive très détaillée et très complète en 4000 mots, comprenant une liste numérotées de 5 activités professionnelles différentes bien décrites, entrecoupées elles-mêmes par une sous-liste numérotées, imbriquée dans chaque liste activité professionnelle, de 5 compétences professionnelles distinctes et bien décrites commençant par un verbe d'action conformément à la taxonomie de Bloom, marquant une progression dans l'acquisition des compétences. | |
| 3) Extrais de la fiche synoptique créée, seulement et strictement la liste des 25 premières activités professionnelles principales et écris-la sur une seule ligne construite de ces mêmes 10 activités séparées par des points virgules, sans phrase d'introduction de type \"Voici...\" et sans y apporter plus de précision quant à la génération de la fiche synoptique; la ligne devant commencer par \"activités : --- Choisir une activité --- ; \" et devant se termniner par la dernière activité professionnelle. | |
| 4) Extrais de la fiche synoptique créée, seulement et strictement la liste des 25 premières compétences professionnelles principales et écris-la sur une seule ligne construite de ces mêmes 10 compétences séparées par des points virgules, sans phrase d'introduction de type \"Voici...\" et sans y apporter plus de précision quant à la génération de la fiche synoptique; la ligne devant commencer par \"compétences : --- Choisir une compétence --- ; \" et devant se termniner par la dernière compétence professionnelle. | |
| """ | |
| taskFCS1.status = cl.TaskStatus.DONE | |
| await FCS.send() | |
| message_id4 = await cl.Message(content="🕝 Construction de la Fiche synoptique : " + romeListArray[1]).send() | |
| taskFCS2.forId = message_id4 | |
| await FCS.send() | |
| completion_FCS = client_anthropic.messages.create( | |
| model="claude-3-opus-20240229", | |
| max_tokens=4000, | |
| temperature=1, | |
| messages=[{ | |
| "role": 'user', "content": f"Contexte : Réponds aux questions suivantes en utilisant seulement le contexte ci-contre. Réponds à la manière d'un ingénieur pédagogique pour créer un référentiel. Essayez donc de comprendre en profondeur le contexte et répondez uniquement en vous basant sur les informations fournies. Contexte: Définition d'une activité : une activité est un ensemble cohérent d'actions combinées : pour la réaliser, plusieurs compétences et opérations sont nécessaires, soit successivement, soit conjointement. Elles s'inscrivent à des moments clés du processus de réalisation et ne peuvent en aucun cas être occultées, car elles conditionnent le résultat. Plusieurs activités en vue d'une finalité avec une valeur ajoutée à un produit ou un service sont nécessaires pour mettre en œuvre un processus métier. De ce fait, il est essentiel de déterminer pour chaque activité sa propre finalité et de s'assurer que l'ensemble des activités participent bien d'un même processus. Définition d'une compétence : la compétence est une combinaison de savoirs en action, mobilisés en vue de réaliser une activité professionnelle. Elle s'apprécie, en tant qu'acquis de l'apprentissage selon des modalités adaptées permettant d'en certifier la possession et au regard de l'atteinte d'un résultat pour un niveau d'exigence prédéterminé. Les compétences peuvent être regroupées par domaines selon la nature et leur liaison subordonnée aux activités. Essayez donc de comprendre en profondeur le contexte et répondez uniquement en vous basant sur les informations fournies. Note de composante sectorielle : {NoteSectorielle}. Questions : {question}" | |
| }] | |
| ) | |
| taskFCS2.status = cl.TaskStatus.DONE | |
| await FCS.send() | |
| await cl.sleep(2) | |
| completionFCS = completion_FCS.content[0].text | |
| arrayActivites = completionFCS.split('activités : ') | |
| arrayOfActivites = arrayActivites[1].split('compétences : ') | |
| arrayOfCompetences = completionFCS.split('compétences : ') | |
| arrayOfRome = cl.user_session.get("arraySettingsRome") | |
| if settings['rome']: | |
| indexOfRome = np.where(arrayOfRome==settings['rome'])[0][0] | |
| else: | |
| indexOfRome = 0 | |
| #initialRome = cl.user_session.get('romeFree') | |
| settings = await cl.ChatSettings( | |
| [ | |
| Select( | |
| id="rome", | |
| label="Codes Rome", | |
| values=["", "M1302 - DU entrepreneuriat", "F1106,F1201,F1103,H1206,K1802 - Licence Génie Urbain", "M1502,M1503 - LP Gestion Opérationnelles des Ressources Humaines", "K1902 - LP Management et Droits des Affaires Immobilières"], | |
| initial_index=indexOfRome, | |
| ), | |
| TextInput(id="romeInput", label="ou saisir une liste de codes ROME jusqu'à 5 codes", initial=settings['romeInput'], placeholder="ou saisir une liste de codes ROME jusqu'à 5 codes", tooltip="saisir une liste de codes Rome séparés par des virgules, jusqu'à 5 codes ROME"), | |
| Select( | |
| id="type", | |
| label="Type de fiche", | |
| values=["", "Note de composante sectorielle - NCS", "Fiche synoptique - FCS", "Fiche activité - FCA", "Fiche compétence - FCC", "Module de formation - cours - MDF", "Matrice de cohérences - MDC", "Référentiel d'évaluation - REV"], | |
| initial_index=2, | |
| ), | |
| Select( | |
| id="activite", | |
| label="Activites", | |
| values=arrayOfActivites[0].split(';'), | |
| initial_index=0, | |
| ), | |
| TextInput(id="activiteInput", label="ou saisir une activité", placeholder="ou saisir une activité", tooltip="saisir votre propre activité professionnelle pour en avoir un descriptif détaillé"), | |
| Select( | |
| id="competence", | |
| label="Competences", | |
| values=arrayOfCompetences[1].split(';'), | |
| initial_index=0, | |
| ), | |
| TextInput(id="competenceInput", label="ou saisir une compétence", placeholder="ou saisir une compétence", tooltip="saisir votre propre compétence professionnelle pour en avoir un descriptif détaillé"), | |
| ] | |
| ).send() | |
| await cl.sleep(2) | |
| await cl.Message( | |
| author="Datapcc : 🌐🌐🌐",content="Fiche synoptique : " + romeListArray[1] + "\n\n" + completion_FCS.content[0].text | |
| ).send() | |
| cl.user_session.set("FCS" + romeListArray[0], completion_FCS.content[0].text) | |
| cl.user_session.set("contextChatBot", completion_FCS.content[0].text) | |
| actions = [ | |
| cl.Action(name="download", value=completion_FCS.content[0].text, description="download_fiche_synoptique") | |
| ] | |
| await cl.Message(author="Datapcc : 🌐🌐🌐",content="Download", actions=actions).send() | |
| await cl.sleep(2) | |
| await FCS.remove() | |
| cl.user_session.set("allactivities", arrayOfActivites[0]) | |
| cl.user_session.set("allskills", arrayOfCompetences[1]) | |
| else: | |
| await cl.Message( | |
| author="Datapcc : 🌐🌐🌐",content="⛔ Vous n'avez pas encore créé de Note sectorielle!" | |
| ).send() | |
| elif settings['type'] == 'Fiche activité - FCA': | |
| if cl.user_session.get("FCS" + romeListArray[0]) and (settings['activite'].find('--- Choisir une activité ---')==-1 or settings['activiteInput']): | |
| ficheSynoptique = cl.user_session.get('FCS' + romeListArray[0]) | |
| FCA = cl.TaskList() | |
| FCA.status = "Running..." | |
| taskFCA1 = cl.Task(title="Chargement des données de la fiche synoptique, en attente...", status=cl.TaskStatus.RUNNING) | |
| await FCA.add_task(taskFCA1) | |
| taskFCA2 = cl.Task(title="Connexion au modèle d'Intelligence Artificielle, en attente...", status=cl.TaskStatus.RUNNING) | |
| await FCA.add_task(taskFCA2) | |
| message_id5 = await cl.Message(content="🕝 Récupération de la fiche synoptique").send() | |
| taskFCA1.forId = message_id5 | |
| await FCA.send() | |
| if settings['activiteInput']: | |
| activiteSingle = settings['activiteInput'] | |
| else: | |
| activiteSingle = settings['activite'] | |
| question = f"En fonction de l'activité : {activiteSingle}, issue du document précédent correspondant à la fiche synoptique, crée une fiche activité très détaillée et très complète de l'activité professionnelle précédente, en se fixant sur les mots de l'intitulé de cette même activité professionnelle, en 3000 mots et 5 paragraphes comportant les paragraphes suivants : 1. description de l'activité pour indiquer la finalité de l'activité en terme de service ou de produit, 2. description pour indiquer les étapes du processus métier en décrivant la combinatoire entre les principales compétences de l'activité et en indiquant les actions et les opérations avec les ressources et les moyens nécessaires pour finalement décrire les relations hiérarchiques et fonctionnelles des interlocuteurs, 3. contextualisation pour indiquer les conditions d'exercice de l'activité : lieu mobilité risques astreintes, 4. liste des compétences professionnelles de l'activité, 5. compétences transversales de l'activité." | |
| taskFCA1.status = cl.TaskStatus.DONE | |
| await FCA.send() | |
| message_id6 = await cl.Message(content="🕝 Construction de la Fiche activité : " + activiteSingle).send() | |
| taskFCA2.forId = message_id6 | |
| await FCA.send() | |
| completion_FCA = client_anthropic.messages.create( | |
| model="claude-3-opus-20240229", | |
| max_tokens=4000, | |
| temperature=1, | |
| messages=[{ | |
| "role": 'user', "content": f"Contexte : Réponds à la question suivante en utilisant seulement le contexte ci-contre. Réponds à la manière d'un ingénieur pédagogique pour créer un référentiel. Essayez donc de comprendre en profondeur le contexte et répondez uniquement en vous basant sur les informations fournies. Contexte: Définition d'une activité : une activité est un ensemble cohérent d'actions combinées : pour la réaliser, plusieurs compétences et opérations sont nécessaires, soit successivement, soit conjointement. Elles s'inscrivent à des moments clés du processus de réalisation et ne peuvent en aucun cas être occultées, car elles conditionnent le résultat. Plusieurs activités en vue d'une finalité avec une valeur ajoutée à un produit ou un service sont nécessaires pour mettre en œuvre un processus métier. De ce fait, il est essentiel de déterminer pour chaque activité sa propre finalité et de s'assurer que l'ensemble des activités participent bien d'un même processus. Essayez donc de comprendre en profondeur le contexte et répondez uniquement en vous basant sur les informations fournies. Fiche synoptique : {ficheSynoptique}. Questions : {question}" | |
| }] | |
| ) | |
| taskFCA2.status = cl.TaskStatus.DONE | |
| await FCA.send() | |
| await cl.sleep(2) | |
| await cl.Message( | |
| author="Datapcc : 🌐🌐🌐",content="Fiche activité : " + activiteSingle + "\n\n" + completion_FCA.content[0].text | |
| ).send() | |
| cl.user_session.set("FCA" + romeListArray[0], completion_FCA.content[0].text) | |
| cl.user_session.set("contextChatBot", completion_FCA.content[0].text) | |
| actions = [ | |
| cl.Action(name="download", value=completion_FCA.content[0].text, description="download_fiche_activite") | |
| ] | |
| await cl.Message(author="Datapcc : 🌐🌐🌐",content="Download", actions=actions).send() | |
| await cl.sleep(2) | |
| await FCA.remove() | |
| else: | |
| await cl.Message( | |
| author="Datapcc : 🌐🌐🌐",content="⛔ Vous n'avez pas encore créé de Fiche synoptique!" | |
| ).send() | |
| elif settings['type'] == 'Fiche compétence - FCC': | |
| if cl.user_session.get("FCS" + romeListArray[0]) and (settings['competence'].find('--- Choisir une compétence ---')==-1 or settings['competenceInput']): | |
| ficheSynoptique = cl.user_session.get('FCS' + romeListArray[0]) | |
| FCC = cl.TaskList() | |
| FCC.status = "Running..." | |
| taskFCC1 = cl.Task(title="Chargement des données de la fiche synoptique, en attente...", status=cl.TaskStatus.RUNNING) | |
| await FCC.add_task(taskFCC1) | |
| taskFCC2 = cl.Task(title="Connexion au modèle d'Intelligence Artificielle, en attente...", status=cl.TaskStatus.RUNNING) | |
| await FCC.add_task(taskFCC2) | |
| message_id7 = await cl.Message(content="🕝 Récupération de la fiche synoptique").send() | |
| taskFCC1.forId = message_id7 | |
| await FCC.send() | |
| if settings['competenceInput']: | |
| competenceSingle = settings['competenceInput'] | |
| else: | |
| competenceSingle = settings['competence'] | |
| question = f"En fonction de la compétence : {competenceSingle}, issue du document précédent correspondant à la fiche synoptique, crée une fiche compétence très détaillée et très complète de la compétence professionnelle précédente, en se fixant sur les mots de l'intitulé de cette même compétence professionnelle, en 3000 mots et 5 paragraphes comportant les paragraphes suivants : 1. description de la compétence et le processus de la mise en oeuvre dans laquelle seront identifiées les situations susceptibles de déclencher la mise en oeuvre des tâches et la mobilisation des savoirs, 2. contexte exposant les conditions et les contraintes d'exécution ainsi que les environnements techniques, 3. critères exposant les critères de réussite de l'action et correspondant à une pertinence une efficience une efficacité une cohérence, 4. liste des savoirs et savoir-faire et savoirs comportementaux." | |
| taskFCC1.status = cl.TaskStatus.DONE | |
| await FCC.send() | |
| message_id8 = await cl.Message(content="🕝 Construction de la Fiche compétence : " + competenceSingle).send() | |
| taskFCC2.forId = message_id8 | |
| await FCC.send() | |
| completion_FCC = client_anthropic.messages.create( | |
| model="claude-3-opus-20240229", | |
| max_tokens=4000, | |
| temperature=1, | |
| messages=[{ | |
| "role": 'user', "content": f"Contexte : Réponds à la question suivante en utilisant seulement le contexte ci-contre. Réponds à la manière d'un ingénieur pédagogique pour créer un référentiel. Essayez donc de comprendre en profondeur le contexte et répondez uniquement en vous basant sur les informations fournies. Contexte: Définition d'une compétence : la compétence est une combinaison de savoirs en action, mobilisés en vue de réaliser une activité professionnelle. Elle s'apprécie, en tant qu'acquis de l'apprentissage selon des modalités adaptées permettant d'en certifier la possession et au regard de l'atteinte d'un résultat pour un niveau d'exigence prédéterminé. Les compétences peuvent être regroupées par domaines selon la nature et leur liaison subordonnée aux activités. Elles s'écrivent à l'aide de verbe d'action à l'infinitif comme le stipule la taxonomie de Bloom pour marquer une progression dans l'exercice de la compétence. Essayez donc de comprendre en profondeur le contexte et répondez uniquement en vous basant sur les informations fournies. Fiche synoptique : {ficheSynoptique}. Questions : {question}" | |
| }] | |
| ) | |
| taskFCC2.status = cl.TaskStatus.DONE | |
| await FCC.send() | |
| await cl.sleep(2) | |
| await cl.Message( | |
| author="Datapcc : 🌐🌐🌐",content="Fiche compétence : " + competenceSingle + "\n\n" + completion_FCC.content[0].text | |
| ).send() | |
| cl.user_session.set("FCC" + romeListArray[0], completion_FCC.content[0].text) | |
| cl.user_session.set("contextChatBot", completion_FCC.content[0].text) | |
| actions = [ | |
| cl.Action(name="download", value=completion_FCC.content[0].text, description="download_fiche_competence") | |
| ] | |
| await cl.Message(author="Datapcc : 🌐🌐🌐",content="Download", actions=actions).send() | |
| await cl.sleep(2) | |
| await FCC.remove() | |
| else: | |
| await cl.Message( | |
| author="Datapcc : 🌐🌐🌐",content="⛔ Vous n'avez pas encore créé de Fiche synoptique!" | |
| ).send() | |
| elif settings['type'] == 'Module de formation - cours - MDF': | |
| if cl.user_session.get("FCS" + romeListArray[0]) and cl.user_session.get("allskills"): | |
| allactivites = cl.user_session.get('allactivities') | |
| allcompetences = cl.user_session.get('allskills') | |
| MDF = cl.TaskList() | |
| MDF.status = "Running..." | |
| taskMDF1 = cl.Task(title="Chargement des données de la fiche synoptique, en attente...", status=cl.TaskStatus.RUNNING) | |
| await MDF.add_task(taskMDF1) | |
| taskMDF2 = cl.Task(title="Connexion au modèle d'Intelligence Artificielle, en attente...", status=cl.TaskStatus.RUNNING) | |
| await MDF.add_task(taskMDF2) | |
| message_id9 = await cl.Message(content="🕝 Récupération de la fiche synoptique et des compétences afférentes").send() | |
| taskMDF1.forId = message_id9 | |
| await MDF.send() | |
| question = f"En fonction du contexte qui suit. Contexte : note de composante sectorielle : {cl.user_session.get('NCS' + romeListArray[0])} à partir de laquelle tu fais une déduction des niveaux d'études, de l'expérience professionnelle, des besoins de formation caractérisés ainsi que des objectifs à atteindre pendant ces formations. Liste des activités professionnelles : {allactivites}. Liste des compétences professionnelles : {allcompetences}. Public cible : de la note de composante sectorielle, donne les niveaux d'études requis en fonction des niveaux de qualification donnés dans la note de composante sectorielle. Déduis un ensemble de 10 modules de formations, en corrélation avec les compétences professionnelles précédentes, dont les intitulés seront très détaillés et très complèts, entrecoupés eux-mêmes de 5 cours, en langue française seulement et exclusivement, en 4000 mots. Réponds et restitue la réponse au format tableau de 10 lignes correspondant aux 10 compétences professionnelles et de 3 colonnes dont les intitulés du header sont les compétences professionnelles, les modules de formation et les cours associés." | |
| taskMDF1.status = cl.TaskStatus.DONE | |
| await MDF.send() | |
| message_id10 = await cl.Message(content="🕝 Construction des Modules de formation - cours").send() | |
| taskMDF2.forId = message_id10 | |
| await MDF.send() | |
| completion_MDF = client_anthropic.messages.create( | |
| model="claude-3-opus-20240229", | |
| max_tokens=4000, | |
| temperature=1, | |
| messages=[{ | |
| "role": 'user', "content": f"Réponds à la question suivante en utilisant seulement le contexte détaillé ci-après. Réponds à la manière d'un ingénieur pédagogique pour créer un référentiel. Si les informations du contexte sont insuffisantes, crée approximativement les modules de formation et les cours tout en réalisant une estimation sur les intitulés, et tout en faisant une prédiction et donc une projection sur les objectifs pédagogiques, les besoins en compétences et en formation, les niveaux requis, les lacunes à combler, les méthodes pédagogiques et les objectifs d'apprentissage, pour construire les modules de formation. Questions : {question}" | |
| }] | |
| ) | |
| taskMDF2.status = cl.TaskStatus.DONE | |
| await MDF.send() | |
| await cl.sleep(2) | |
| await cl.Message( | |
| author="Datapcc : 🌐🌐🌐",content="Modules de formations :\n\n" + completion_MDF.content[0].text | |
| ).send() | |
| cl.user_session.set("MDF" + romeListArray[0], completion_MDF.content[0].text) | |
| cl.user_session.set("contextChatBot", completion_MDF.content[0].text) | |
| actions = [ | |
| cl.Action(name="download", value=completion_MDF.content[0].text, description="download_module_formation") | |
| ] | |
| await cl.Message(author="Datapcc : 🌐🌐🌐",content="Download", actions=actions).send() | |
| await cl.sleep(2) | |
| await MDF.remove() | |
| else: | |
| await cl.Message( | |
| author="Datapcc : 🌐🌐🌐",content="⛔ Vous n'avez pas encore créé de Fiche synoptique!" | |
| ).send() | |
| elif settings['type'] == 'Matrice de cohérences - MDC': | |
| if cl.user_session.get("FCS" + romeListArray[0]) and cl.user_session.get("allskills") and cl.user_session.get("MDF" + romeListArray[0]): | |
| allcompetences = cl.user_session.get('allskills') | |
| allmodules = cl.user_session.get("MDF" + romeListArray[0]) | |
| MDC = cl.TaskList() | |
| MDC.status = "Running..." | |
| taskMDC1 = cl.Task(title="Chargement des données de la fiche synoptique, en attente...", status=cl.TaskStatus.RUNNING) | |
| await MDC.add_task(taskMDC1) | |
| taskMDC2 = cl.Task(title="Connexion au modèle d'Intelligence Artificielle, en attente...", status=cl.TaskStatus.RUNNING) | |
| await MDC.add_task(taskMDC2) | |
| message_id11 = await cl.Message(content="🕝 Récupération de la fiche synoptique et des modules de formation").send() | |
| taskMDC1.forId = message_id11 | |
| await MDC.send() | |
| question = f"En fonction du contexte qui suit. Contexte : liste des compétences professionnelles : {allcompetences}. Liste des modules de formation et des cours : {allmodules}. Déduis une matrice de cohérences en corrélation des modules de formation, des cours précédents et des compétences professionnelles précédentes ci-avant, sous la forme d'un tableau à double entrée, exploitable dans le logiciel Excel, en respectant tous les intitulés, et rempli par des coches entre les modules, les cours et les compétences professionnelles correspondantes, en langue française seulement et exclusivement, en 4000 mots. Réponds et restitue la matrice de cohérences au format tableau avec des lignes correspondant aux modules de formation et aux cours et des colonnes avec des titres de colonne correspondant aux compétences professionnelles, et pour finir des cellules avec les coches X montrant la corrélation entre les modules, les cours et les compétences professionnelles." | |
| taskMDC1.status = cl.TaskStatus.DONE | |
| await MDC.send() | |
| message_id12 = await cl.Message(content="🕝 Construction de la Matrice de cohérences").send() | |
| taskMDC2.forId = message_id12 | |
| await MDC.send() | |
| completion_MDC = client_anthropic.messages.create( | |
| model="claude-3-opus-20240229", | |
| max_tokens=4000, | |
| temperature=1, | |
| messages=[{ | |
| "role": 'user', "content": f"Réponds à la question suivante en utilisant seulement le contexte ci-contre. Réponds à la manière d'un ingénieur pédagogique pour créer un référentiel. Si vous ne pouvez pas répondre à la question sur la base des informations, dites que vous ne trouvez pas de réponse ou que vous ne parvenez pas à trouver de réponse. Essayez donc de comprendre en profondeur le contexte et répondez uniquement en vous basant sur les informations fournies. Ne générez pas de réponses non pertinentes. Si les informations du contexte sont insuffisantes, procédez quand même à une estimation et donc à une projection sur les liens entre les modules de formation et les compétences, pour construire la matrice de cohérences. Questions : {question}" | |
| }] | |
| ) | |
| taskMDC2.status = cl.TaskStatus.DONE | |
| await MDC.send() | |
| await cl.sleep(2) | |
| await cl.Message( | |
| author="Datapcc : 🌐🌐🌐",content="Matrice de cohérences :\n\n" + completion_MDC.content[0].text | |
| ).send() | |
| cl.user_session.set("MDC" + romeListArray[0], completion_MDC.content[0].text) | |
| cl.user_session.set("contextChatBot", completion_MDC.content[0].text) | |
| actions = [ | |
| cl.Action(name="download", value=completion_MDC.content[0].text, description="download_matrice_coherence") | |
| ] | |
| await cl.Message(author="Datapcc : 🌐🌐🌐",content="Download", actions=actions).send() | |
| await cl.sleep(2) | |
| await MDC.remove() | |
| else: | |
| await cl.Message( | |
| author="Datapcc : 🌐🌐🌐",content="⛔ Vous n'avez pas encore créé de Fiche synoptique!" | |
| ).send() | |
| elif settings['type'] == "Référentiel d'évaluation - REV": | |
| if cl.user_session.get("FCS" + romeListArray[0]) and cl.user_session.get("allskills"): | |
| allcompetences = cl.user_session.get('allskills') | |
| REV = cl.TaskList() | |
| REV.status = "Running..." | |
| taskREV1 = cl.Task(title="Chargement des données de la fiche synoptique, en attente...", status=cl.TaskStatus.RUNNING) | |
| await REV.add_task(taskREV1) | |
| taskREV2 = cl.Task(title="Connexion au modèle d'Intelligence Artificielle, en attente...", status=cl.TaskStatus.RUNNING) | |
| await REV.add_task(taskREV2) | |
| message_id13 = await cl.Message(content="🕝 Récupération de la fiche synoptique et des compétences").send() | |
| taskREV1.forId = message_id13 | |
| await REV.send() | |
| question = f"En fonction du contexte qui suit. Contexte : fiche synoptique : {cl.user_session.get('FCS' + romeListArray[0])}. Liste des compétences professionnelles : {allcompetences}. Crée un référentiel d'évaluation en fonction des compétences précédentes, sous la forme d'un tableau recensant les modalités d'évaluation, les compétences professionnelles et les critères d'évaluation, tu en déduiras un autre tableau en fonction des compétences professionnelles précédentes et des compétences transversales correspondantes, exploitable dans le logiciel Excel, en respectant tous les intitulés, en langue française seulement et exclusivement, en 4000 mots. Réponds et restitue le référentiel d'évaluation au format tableau." | |
| taskREV1.status = cl.TaskStatus.DONE | |
| await REV.send() | |
| message_id14 = await cl.Message(content="🕝 Construction du référentiel d'évaluation").send() | |
| taskREV2.forId = message_id14 | |
| await REV.send() | |
| completion_REV = client_anthropic.messages.create( | |
| model="claude-3-opus-20240229", | |
| max_tokens=4000, | |
| temperature=1, | |
| messages=[{ | |
| "role": 'user', "content": f"Réponds à la question suivante en utilisant seulement le contexte ci-contre. Réponds à la manière d'un ingénieur pédagogique pour créer un référentiel. Si vous ne pouvez pas répondre à la question sur la base des informations, dites que vous ne trouvez pas de réponse ou que vous ne parvenez pas à trouver de réponse. Essayez donc de comprendre en profondeur le contexte et répondez uniquement en vous basant sur les informations fournies. Ne générez pas de réponses non pertinentes. Si les informations fournies dans le contexte ne sont pas suffisantes, fais une projection sur les modalités d'évaluation, les critères d'évaluation, pour construire le référentiel d'évaluation. Questions : {question}" | |
| }] | |
| ) | |
| taskREV2.status = cl.TaskStatus.DONE | |
| await REV.send() | |
| await cl.sleep(2) | |
| await cl.Message( | |
| author="Datapcc : 🌐🌐🌐",content="Référentiel d'évaluation :\n\n" + completion_REV.content[0].text | |
| ).send() | |
| cl.user_session.set("REV" + romeListArray[0], completion_REV.content[0].text) | |
| cl.user_session.set("contextChatBot", completion_REV.content[0].text) | |
| actions = [ | |
| cl.Action(name="download", value=completion_REV.content[0].text, description="download_referentiel_evaluation") | |
| ] | |
| await cl.Message(author="Datapcc : 🌐🌐🌐",content="Download", actions=actions).send() | |
| await cl.sleep(2) | |
| await REV.remove() | |
| else: | |
| await cl.Message( | |
| author="Datapcc : 🌐🌐🌐",content="⛔ Vous n'avez pas encore créé de Fiche synoptique!" | |
| ).send() | |
| else: | |
| await cl.Message( | |
| author="Datapcc : 🌐🌐🌐",content=f"👍 Changement de contexte : {settings['rome']}\n⚠️ Pas de type de fiche : {settings['type']}\n⛔ Vous ne pouvez pas élaborer de fiche!" | |
| ).send() | |
| os.environ['ANTHROPIC_API_KEY'] = os.environ['ANTHROPIC_API_KEY'] | |
| contextChat = cl.user_session.get("contextChatBot") | |
| if not contextChat: | |
| contextChat = "Il n'y a pas de contexte." | |
| model = ChatAnthropic( | |
| temperature=1, | |
| model_name="claude-3-opus-20240229" | |
| ) | |
| cl.user_session.set("memory", ConversationBufferMemory(return_messages=True)) | |
| memory = cl.user_session.get("memory") | |
| prompt = ChatPromptTemplate.from_messages( | |
| [ | |
| ( | |
| "system", | |
| f"Contexte : Vous êtes un spécialiste du marché de l'emploi en fonction du niveau de qualification, des compétences professionnelles, des compétences transversales, du salaire et de l'expérience. Vous êtes doué pour faire des analyses du système travail sur les métiers les plus demandés grâce à votre aptitude à synthétiser les informations en fonction des critères définis ci-avant. En fonction des informations suivantes et du contexte suivant seulement et strictement. Contexte : {contextChat}. Réponds à la question suivante de la manière la plus pertinente, la plus exhaustive et la plus détaillée possible, avec au minimum 3000 tokens jusqu'à 4000 tokens, seulement et strictement dans le contexte et les informations fournies. Essayez donc de comprendre en profondeur le contexte et répondez uniquement en vous basant sur les informations fournies.", | |
| ), | |
| MessagesPlaceholder(variable_name="history"), | |
| ("human", "{question}, dans le contexte fourni."), | |
| ] | |
| ) | |
| runnable = ( | |
| RunnablePassthrough.assign( | |
| history=RunnableLambda(memory.load_memory_variables) | itemgetter("history") | |
| ) | |
| | prompt | |
| | model | |
| | StrOutputParser() | |
| ) | |
| cl.user_session.set("runnable", runnable) | |
| async def main(message: cl.Message): | |
| chat_profile = cl.user_session.get("chat_profile") | |
| chatProfile = chat_profile.split(' - ') | |
| memory = cl.user_session.get("memory") | |
| runnable = cl.user_session.get("runnable") # type: Runnable | |
| msg = cl.Message(author="Datapcc : 🌐🌐🌐",content="") | |
| text_elements = [] | |
| async for chunk in runnable.astream( | |
| {"question": message.content}, | |
| config=RunnableConfig(callbacks=[cl.LangchainCallbackHandler()]), | |
| ): | |
| await msg.stream_token(chunk) | |
| await msg.send() | |
| QA_context_name = f"Question-réponse sur le contexte" | |
| text_elements.append( | |
| cl.Text(content="Question : " + message.content + "\n\nRéponse :\n" + msg.content, name=QA_context_name) | |
| ) | |
| actions = [ | |
| cl.Action(name="download", value="Question : " + message.content + "\n\nRéponse : " + msg.content, description="download_QA_emplois") | |
| ] | |
| await cl.Message(author="Datapcc : 🌐🌐🌐",content="Download", actions=actions).send() | |
| await cl.Message(author="Datapcc : 🌐🌐🌐",content="Contexte : " + QA_context_name, elements=text_elements).send() | |
| memory.chat_memory.add_user_message(message.content) | |
| memory.chat_memory.add_ai_message(msg.content) |