FULL ACCESS

app.py

@@ -1,378 +1,400 @@
-import os
-import pandas as pd
-import chromadb
-from google import genai
-from sentence_transformers import SentenceTransformer, CrossEncoder
-from typing import List, Dict
-from flask import Flask, request, jsonify
-from flask_cors import CORS
-from datetime import datetime
-
-# ======================================================================
-# CONFIGURATION
-# ======================================================================
-
-DATA_FILE_PATH = "data/QR.csv"
-CHROMA_DB_PATH = "data/bdd_ChromaDB"
-COLLECTION_NAME = "qr_data_dual_embeddings"
-
-Q_COLUMN_NAME = "Question"
-R_COLUMN_NAME = "Reponse"
-SYSTEM_PROMPT_PATH = "data/system_prompt.txt"
-
-SRC_CROSS_ENCODER = "models/mmarco-mMiniLMv2-L12-H384-v1"
-SRC_PARAPHRASE = "models/paraphrase-mpnet-base-v2"
-
-N_RESULTS_RETRIEVAL = 10
-N_RESULTS_RERANK = 3
-
-GEMINI_API_KEY = "AIzaSyDXXY7uSXryTxZ51jQFsSLcPnC_Ivt9V1g"
-GEMINI_MODEL = "gemini-2.5-flash"
-
-MAX_CONVERSATION_HISTORY = 10
-
-# ======================================================================
-# VARIABLES GLOBALES
-# ======================================================================
-
-model_cross_encoder: CrossEncoder = None
-model_paraphrase: SentenceTransformer = None
-collection: chromadb.Collection = None
-system_prompt: str = None
-gemini_client: genai.Client = None
-
-conversation_histories: Dict[str, List[Dict[str, str]]] = {}
-conversation_start_times: Dict[str, str] = {}
-
-# ======================================================================
-# CHARGEMENT DES RESSOURCES
-# ======================================================================
-
-def load_models():
-    """Charge les modèles SentenceTransformer et CrossEncoder."""
-    print("⏳ Chargement des modèles...")
-    try:
-        cross_encoder = CrossEncoder(
-            SRC_CROSS_ENCODER if os.path.exists(SRC_CROSS_ENCODER) 
-            else "cross-encoder/mmarco-mMiniLMv2-L12-H384-v1"
-        )
-        paraphrase = SentenceTransformer(
-            SRC_PARAPHRASE if os.path.exists(SRC_PARAPHRASE) 
-            else "sentence-transformers/paraphrase-mpnet-base-v2"
-        )
-        print("✅ Modèles chargés avec succès.")
-        return cross_encoder, paraphrase
-    except Exception as e:
-        print(f"❌ Erreur chargement modèles: {e}")
-        raise
-
-def load_data():
-    """Charge le DataFrame depuis le CSV."""
-    try:
-        if not os.path.exists(DATA_FILE_PATH):
-            print(f"⚠️ Fichier {DATA_FILE_PATH} non trouvé. Utilisation d'exemple.")
-            df = pd.DataFrame({
-                Q_COLUMN_NAME: ["Où est le soleil?", "Qui est l'IA?"],
-                R_COLUMN_NAME: ["Le soleil est une étoile.", "L'IA est l'intelligence artificielle."]
-            })
-        else:
-            df = pd.read_csv(DATA_FILE_PATH)
-            print(f"✅ {len(df)} lignes chargées depuis {DATA_FILE_PATH}.")
-        return df
-    except Exception as e:
-        print(f"❌ Erreur chargement données: {e}")
-        raise
-
-def load_system_prompt():
-    """Charge le system prompt."""
-    try:
-        with open(SYSTEM_PROMPT_PATH, 'r', encoding='utf-8') as f:
-            return f.read().strip()
-    except FileNotFoundError:
-        default = "Tu es un assistant utile et concis. Réponds à la requête de l'utilisateur."
-        print(f"⚠️ System prompt non trouvé. Utilisation du prompt par défaut.")
-        return default
-
-def initialize_gemini_client():
-    """Initialise le client Google Gemini."""
-    try:
-        return genai.Client(api_key=GEMINI_API_KEY)
-    except Exception as e:
-        print(f"❌ Erreur Gemini: {e}")
-        raise
-
-# ======================================================================
-# CHROMADB SETUP
-# ======================================================================
-
-def setup_chromadb_collection(client, df, model_paraphrase):
-    """Configure et remplit la collection ChromaDB."""
-    total_docs = len(df) * 2
-    
-    try:
-        collection = client.get_or_create_collection(name=COLLECTION_NAME)
-    except Exception as e:
-        print(f"❌ Erreur ChromaDB: {e}")
-        raise
-    
-    if collection.count() == total_docs and total_docs > 0:
-        print(f"✅ Collection déjà remplie ({collection.count()} docs).")
-        return collection
-    
-    if total_docs == 0:
-        print("⚠️ DataFrame vide.")
-        return collection
-    
-    print(f"⏳ Remplissage de ChromaDB ({len(df)} lignes)...")
-    
-    docs, metadatas, ids = [], [], []
-    
-    for i, row in df.iterrows():
-        question = str(row[Q_COLUMN_NAME])
-        reponse = str(row[R_COLUMN_NAME])
-        meta = {Q_COLUMN_NAME: question, R_COLUMN_NAME: reponse, "source_row": i}
-        
-        docs.append(question)
-        metadatas.append({**meta, "type": "question"})
-        ids.append(f"id_{i}_Q")
-        
-        docs.append(reponse)
-        metadatas.append({**meta, "type": "reponse"})
-        ids.append(f"id_{i}_R")
-    
-    embeddings = model_paraphrase.encode(docs, show_progress_bar=False).tolist()
-    
-    try:
-        client.delete_collection(name=COLLECTION_NAME)
-    except:
-        pass
-    
-    collection = client.get_or_create_collection(name=COLLECTION_NAME)
-    collection.add(embeddings=embeddings, documents=docs, metadatas=metadatas, ids=ids)
-    
-    print(f"✅ Collection remplie: {collection.count()} documents.")
-    return collection
-
-# ======================================================================
-# RAG - RETRIEVAL & RERANKING
-# ======================================================================
-
-def retrieve_and_rerank(query_text, collection, model_paraphrase, model_cross_encoder):
-    """Récupère et rerank les résultats."""
-    print(f"🔍 Récupération pour: '{query_text[:40]}...'")
-    
-    query_emb = model_paraphrase.encode([query_text]).tolist()
-    results = collection.query(
-        query_embeddings=query_emb,
-        n_results=N_RESULTS_RETRIEVAL,
-        include=['documents', 'metadatas', 'distances']
-    )
-    
-    if not results['ids'][0]:
-        print("⚠️ Aucun résultat trouvé.")
-        return pd.DataFrame()
-    
-    candidates = []
-    cross_input = []
-    
-    for i, doc in enumerate(results['documents'][0]):
-        meta = results['metadatas'][0][i]
-        candidates.append({
-            'question': meta[Q_COLUMN_NAME],
-            'reponse': meta[R_COLUMN_NAME],
-            'doc_type': meta.get('type'),
-            'text_reranked': doc,
-            'initial_distance': results['distances'][0][i]
-        })
-        cross_input.append([query_text, doc])
-    
-    scores = model_cross_encoder.predict(cross_input)
-    for i, score in enumerate(scores):
-        candidates[i]['rerank_score'] = score
-    
-    df = pd.DataFrame(candidates).sort_values('rerank_score', ascending=False)
-    df = df.drop_duplicates(subset=['question', 'reponse'], keep='first')
-    
-    return df.head(N_RESULTS_RERANK)
-
-def generate_rag_prompt(query_text, df_results, conversation_history):
-    """Génère le prompt RAG final."""
-    context = []
-    if not df_results.empty:
-        for _, row in df_results.iterrows():
-            context.append(f"Q: {row['question']}\nR: {row['reponse']}")
-    
-    context_str = "\n---\n".join(context)
-    
-    history_str = ""
-    if conversation_history:
-        history_str = "HISTORIQUE:\n"
-        for msg in conversation_history:
-            role = "USER" if msg["role"] == "user" else "ASSISTANT"
-            history_str += f"{role}: {msg['content']}\n"
-        history_str += "\n"
-    
-    return f"""{history_str}UTILISATEUR: {query_text}
-
-CONTEXTE (si utile):
-[{context_str}]
-
-INSTRUCTIONS:
-- Réponds brièvement et clairement, en un minimum de 2 paragraphe et un maximum de 3 paragraphe, entre chaque paragraphe tu écrira un #
-- Reste professionnel, met des emojis dans ta réponse tout en restant profesionnel
-- Réponds uniquement à la question posée
-- Ne mentionne NOVA que si l'utilisateur l'évoque clairement
-- Mentionne obligatoirement Mathieu dans ta réponse"""
-
-# ======================================================================
-# GESTION HISTORIQUE
-# ======================================================================
-
-def get_conversation_history(session_id):
-    """Récupère l'historique d'une session."""
-    return conversation_histories.get(session_id, [])
-
-def add_to_history(session_id, role, content):
-    """Ajoute un message à l'historique."""
-    if session_id not in conversation_histories:
-        conversation_histories[session_id] = []
-    
-    conversation_histories[session_id].append({"role": role, "content": content})
-    
-    if len(conversation_histories[session_id]) > MAX_CONVERSATION_HISTORY * 2:
-        conversation_histories[session_id] = conversation_histories[session_id][-(MAX_CONVERSATION_HISTORY * 2):]
-
-def clear_history(session_id):
-    """Efface l'historique d'une session."""
-    conversation_histories[session_id] = []
-
-# ======================================================================
-# CALL GEMINI
-# ======================================================================
-
-def call_gemini(rag_prompt, system_prompt, gemini_client):
-    """Appelle Google Gemini."""
-    try:
-        response = gemini_client.models.generate_content(
-            model=GEMINI_MODEL,
-            contents=f"{system_prompt}\n\n{rag_prompt}"
-        )
-        return response.text
-    except Exception as e:
-        print(f"❌ Erreur Gemini: {e}")
-        return f"Erreur: {str(e)}"
-
-# ======================================================================
-# ANSWER PROCESS
-# ======================================================================
-
-def get_answer(query_text, collection, model_paraphrase, model_cross_encoder, conversation_history):
-    """Exécute le processus RAG complet."""
-    print(f"\n{'='*50}")
-    print(f"🚀 Traitement: '{query_text}'")
-    print(f"{'='*50}")
-    
-    df_results = retrieve_and_rerank(query_text, collection, model_paraphrase, model_cross_encoder)
-    final_prompt = generate_rag_prompt(query_text, df_results, conversation_history)
-    
-    return final_prompt
-
-# ======================================================================
-# INITIALISATION GLOBALE
-# ======================================================================
-
-def initialize_global_resources():
-    """Initialise tous les modèles et ressources."""
-    global model_cross_encoder, model_paraphrase, collection, system_prompt, gemini_client
-    
-    print("\n" + "="*50)
-    print("⚙️  INITIALISATION RAG")
-    print("="*50)
-    
-    os.makedirs(CHROMA_DB_PATH, exist_ok=True)
-    
-    try:
-        model_cross_encoder, model_paraphrase = load_models()
-        df = load_data()
-        system_prompt = load_system_prompt()
-        gemini_client = initialize_gemini_client()
-    except Exception:
-        return False
-    
-    try:
-        chroma_client = chromadb.PersistentClient(path=CHROMA_DB_PATH)
-        collection = setup_chromadb_collection(chroma_client, df, model_paraphrase)
-        print("✅ INITIALISATION COMPLÈTE\n")
-        return True
-    except Exception:
-        return False
-
-# ======================================================================
-# FLASK API
-# ======================================================================
-
-app = Flask(__name__)
-CORS(app)
-
-@app.route('/api/get_answer', methods=['POST'])
-def api_get_answer():
-    """Endpoint principal pour obtenir une réponse."""
-    if any(x is None for x in [model_cross_encoder, model_paraphrase, collection, system_prompt, gemini_client]):
-        return jsonify({"error": "Ressources non chargées"}), 500
-    
-    try:
-        data = request.get_json()
-        query_text = data.get('query_text')
-        session_id = data.get('session_id', 'archive')
-        
-        if not query_text:
-            return jsonify({"error": "Champ 'query_text' manquant"}), 400
-        
-        # Log utilisateur
-        log_conversation(session_id, "user", query_text)
-        
-        # Récupère historique
-        history = get_conversation_history(session_id)
-        
-        # Génère prompt RAG
-        rag_prompt = get_answer(query_text, collection, model_paraphrase, model_cross_encoder, history)
-        
-        # Appelle Gemini
-        response = call_gemini(rag_prompt, system_prompt, gemini_client)
-        
-        # Sauvegarde réponse
-        add_to_history(session_id, "user", query_text)
-        add_to_history(session_id, "assistant", response)
-        log_conversation(session_id, "assistant", response)
-        
-        return jsonify({"generated_response": response})
-    
-    except Exception as e:
-        print(f"❌ Erreur: {e}")
-        return jsonify({"error": str(e)}), 500
-
-@app.route('/api/clear_history', methods=['POST'])
-def api_clear_history():
-    """Efface l'historique d'une session."""
-    try:
-        data = request.get_json()
-        session_id = data.get('session_id', 'archive')
-        clear_history(session_id)
-        
-        return jsonify({"message": f"Historique effacé: {session_id}"})
-    except Exception as e:
-        return jsonify({"error": str(e)}), 500
-
-# ======================================================================
-# MAIN
-# ======================================================================
-
-if __name__ == '__main__':
-    print("start app.py")
-    if initialize_global_resources():
-        print("\n" + "="*50)
-        print("🌐 SERVEUR DÉMARRÉ")
-        print("="*50 + "\n")
-        app.run(host='0.0.0.0', port=1212, debug=False)
-    else:
+import os
+import pandas as pd
+import chromadb
+from google import genai
+from sentence_transformers import SentenceTransformer, CrossEncoder
+from typing import List, Dict
+from flask import Flask, request, jsonify
+from flask_cors import CORS
+from datetime import datetime
+
+# ======================================================================
+# CONFIGURATION
+# ======================================================================
+
+DATA_FILE_PATH = "data/QR.csv"
+CHROMA_DB_PATH = "data/bdd_ChromaDB"
+COLLECTION_NAME = "qr_data_dual_embeddings"
+
+Q_COLUMN_NAME = "Question"
+R_COLUMN_NAME = "Reponse"
+SYSTEM_PROMPT_PATH = "data/system_prompt.txt"
+
+SRC_CROSS_ENCODER = "models/mmarco-mMiniLMv2-L12-H384-v1"
+SRC_PARAPHRASE = "models/paraphrase-mpnet-base-v2"
+
+N_RESULTS_RETRIEVAL = 10
+N_RESULTS_RERANK = 3
+
+GEMINI_API_KEY = "AIzaSyDXXY7uSXryTxZ51jQFsSLcPnC_Ivt9V1g"
+GEMINI_MODEL = "gemini-2.5-flash"
+
+MAX_CONVERSATION_HISTORY = 10
+
+# Configuration pour l'accès externe (host et port)
+API_HOST = '0.0.0.0'
+API_PORT = 1212
+
+# ======================================================================
+# VARIABLES GLOBALES
+# ======================================================================
+
+model_cross_encoder: CrossEncoder = None
+model_paraphrase: SentenceTransformer = None
+collection: chromadb.Collection = None
+system_prompt: str = None
+gemini_client: genai.Client = None
+
+conversation_histories: Dict[str, List[Dict[str, str]]] = {}
+conversation_start_times: Dict[str, str] = {}
+
+# ======================================================================
+# CHARGEMENT DES RESSOURCES
+# ======================================================================
+
+def load_models():
+    """Charge les modèles SentenceTransformer et CrossEncoder."""
+    print("⏳ Chargement des modèles...")
+    try:
+        cross_encoder = CrossEncoder(
+            SRC_CROSS_ENCODER if os.path.exists(SRC_CROSS_ENCODER) 
+            else "cross-encoder/mmarco-mMiniLMv2-L12-H384-v1"
+        )
+        paraphrase = SentenceTransformer(
+            SRC_PARAPHRASE if os.path.exists(SRC_PARAPHRASE) 
+            else "sentence-transformers/paraphrase-mpnet-base-v2"
+        )
+        print("✅ Modèles chargés avec succès.")
+        return cross_encoder, paraphrase
+    except Exception as e:
+        print(f"❌ Erreur chargement modèles: {e}")
+        raise
+
+def load_data():
+    """Charge le DataFrame depuis le CSV."""
+    try:
+        if not os.path.exists(DATA_FILE_PATH):
+            print(f"⚠️ Fichier {DATA_FILE_PATH} non trouvé. Utilisation d'exemple.")
+            df = pd.DataFrame({
+                Q_COLUMN_NAME: ["Où est le soleil?", "Qui est l'IA?"],
+                R_COLUMN_NAME: ["Le soleil est une étoile.", "L'IA est l'intelligence artificielle."]
+            })
+        else:
+            df = pd.read_csv(DATA_FILE_PATH)
+            print(f"✅ {len(df)} lignes chargées depuis {DATA_FILE_PATH}.")
+        return df
+    except Exception as e:
+        print(f"❌ Erreur chargement données: {e}")
+        raise
+
+def load_system_prompt():
+    """Charge le system prompt."""
+    try:
+        with open(SYSTEM_PROMPT_PATH, 'r', encoding='utf-8') as f:
+            return f.read().strip()
+    except FileNotFoundError:
+        default = "Tu es un assistant utile et concis. Réponds à la requête de l'utilisateur."
+        print(f"⚠️ System prompt non trouvé. Utilisation du prompt par défaut.")
+        return default
+
+def initialize_gemini_client():
+    """Initialise le client Google Gemini."""
+    try:
+        return genai.Client(api_key=GEMINI_API_KEY)
+    except Exception as e:
+        print(f"❌ Erreur Gemini: {e}")
+        raise
+
+# ======================================================================
+# CHROMADB SETUP
+# ======================================================================
+
+def setup_chromadb_collection(client, df, model_paraphrase):
+    """Configure et remplit la collection ChromaDB."""
+    total_docs = len(df) * 2
+    
+    try:
+        collection = client.get_or_create_collection(name=COLLECTION_NAME)
+    except Exception as e:
+        print(f"❌ Erreur ChromaDB: {e}")
+        raise
+    
+    if collection.count() == total_docs and total_docs > 0:
+        print(f"✅ Collection déjà remplie ({collection.count()} docs).")
+        return collection
+    
+    if total_docs == 0:
+        print("⚠️ DataFrame vide.")
+        return collection
+    
+    print(f"⏳ Remplissage de ChromaDB ({len(df)} lignes)...")
+    
+    docs, metadatas, ids = [], [], []
+    
+    for i, row in df.iterrows():
+        question = str(row[Q_COLUMN_NAME])
+        reponse = str(row[R_COLUMN_NAME])
+        meta = {Q_COLUMN_NAME: question, R_COLUMN_NAME: reponse, "source_row": i}
+        
+        docs.append(question)
+        metadatas.append({**meta, "type": "question"})
+        ids.append(f"id_{i}_Q")
+        
+        docs.append(reponse)
+        metadatas.append({**meta, "type": "reponse"})
+        ids.append(f"id_{i}_R")
+    
+    embeddings = model_paraphrase.encode(docs, show_progress_bar=False).tolist()
+    
+    try:
+        client.delete_collection(name=COLLECTION_NAME)
+    except:
+        pass
+    
+    collection = client.get_or_create_collection(name=COLLECTION_NAME)
+    collection.add(embeddings=embeddings, documents=docs, metadatas=metadatas, ids=ids)
+    
+    print(f"✅ Collection remplie: {collection.count()} documents.")
+    return collection
+
+# ======================================================================
+# RAG - RETRIEVAL & RERANKING
+# ======================================================================
+
+def retrieve_and_rerank(query_text, collection, model_paraphrase, model_cross_encoder):
+    """Récupère et rerank les résultats."""
+    print(f"🔍 Récupération pour: '{query_text[:40]}...'")
+    
+    query_emb = model_paraphrase.encode([query_text]).tolist()
+    results = collection.query(
+        query_embeddings=query_emb,
+        n_results=N_RESULTS_RETRIEVAL,
+        include=['documents', 'metadatas', 'distances']
+    )
+    
+    if not results['ids'][0]:
+        print("⚠️ Aucun résultat trouvé.")
+        return pd.DataFrame()
+    
+    candidates = []
+    cross_input = []
+    
+    for i, doc in enumerate(results['documents'][0]):
+        meta = results['metadatas'][0][i]
+        candidates.append({
+            'question': meta[Q_COLUMN_NAME],
+            'reponse': meta[R_COLUMN_NAME],
+            'doc_type': meta.get('type'),
+            'text_reranked': doc,
+            'initial_distance': results['distances'][0][i]
+        })
+        cross_input.append([query_text, doc])
+    
+    scores = model_cross_encoder.predict(cross_input)
+    for i, score in enumerate(scores):
+        candidates[i]['rerank_score'] = score
+    
+    df = pd.DataFrame(candidates).sort_values('rerank_score', ascending=False)
+    df = df.drop_duplicates(subset=['question', 'reponse'], keep='first')
+    
+    return df.head(N_RESULTS_RERANK)
+
+def generate_rag_prompt(query_text, df_results, conversation_history):
+    """Génère le prompt RAG final."""
+    context = []
+    if not df_results.empty:
+        for _, row in df_results.iterrows():
+            context.append(f"Q: {row['question']}\nR: {row['reponse']}")
+    
+    context_str = "\n---\n".join(context)
+    
+    history_str = ""
+    if conversation_history:
+        history_str = "HISTORIQUE:\n"
+        for msg in conversation_history:
+            role = "USER" if msg["role"] == "user" else "ASSISTANT"
+            history_str += f"{role}: {msg['content']}\n"
+        history_str += "\n"
+    
+    return f"""{history_str}UTILISATEUR: {query_text}
+
+CONTEXTE (si utile):
+[{context_str}]
+
+INSTRUCTIONS:
+- Réponds brièvement et clairement, en un minimum de 2 paragraphe et un maximum de 3 paragraphe, entre chaque paragraphe tu écrira un #
+- Reste professionnel, met des emojis dans ta réponse tout en restant profesionnel
+- Réponds uniquement à la question posée
+- Ne mentionne NOVA que si l'utilisateur l'évoque clairement
+- Mentionne obligatoirement Mathieu dans ta réponse"""
+
+# ======================================================================
+# GESTION HISTORIQUE
+# ======================================================================
+
+def get_conversation_history(session_id):
+    """Récupère l'historique d'une session."""
+    return conversation_histories.get(session_id, [])
+
+def add_to_history(session_id, role, content):
+    """Ajoute un message à l'historique."""
+    if session_id not in conversation_histories:
+        conversation_histories[session_id] = []
+    
+    conversation_histories[session_id].append({"role": role, "content": content})
+    
+    if len(conversation_histories[session_id]) > MAX_CONVERSATION_HISTORY * 2:
+        conversation_histories[session_id] = conversation_histories[session_id][-(MAX_CONVERSATION_HISTORY * 2):]
+
+def clear_history(session_id):
+    """Efface l'historique d'une session."""
+    conversation_histories[session_id] = []
+
+# ======================================================================
+# CALL GEMINI
+# ======================================================================
+
+def call_gemini(rag_prompt, system_prompt, gemini_client):
+    """Appelle Google Gemini."""
+    try:
+        response = gemini_client.models.generate_content(
+            model=GEMINI_MODEL,
+            contents=f"{system_prompt}\n\n{rag_prompt}"
+        )
+        return response.text
+    except Exception as e:
+        print(f"❌ Erreur Gemini: {e}")
+        return f"Erreur: {str(e)}"
+
+# ======================================================================
+# ANSWER PROCESS
+# ======================================================================
+
+def get_answer(query_text, collection, model_paraphrase, model_cross_encoder, conversation_history):
+    """Exécute le processus RAG complet."""
+    print(f"\n{'='*50}")
+    print(f"🚀 Traitement: '{query_text}'")
+    print(f"{'='*50}")
+    
+    df_results = retrieve_and_rerank(query_text, collection, model_paraphrase, model_cross_encoder)
+    final_prompt = generate_rag_prompt(query_text, df_results, conversation_history)
+    
+    return final_prompt
+
+# ======================================================================
+# INITIALISATION GLOBALE
+# ======================================================================
+
+def initialize_global_resources():
+    """Initialise tous les modèles et ressources."""
+    global model_cross_encoder, model_paraphrase, collection, system_prompt, gemini_client
+    
+    print("\n" + "="*50)
+    print("⚙️  INITIALISATION RAG")
+    print("="*50)
+    
+    os.makedirs(CHROMA_DB_PATH, exist_ok=True)
+    
+    try:
+        model_cross_encoder, model_paraphrase = load_models()
+        df = load_data()
+        system_prompt = load_system_prompt()
+        gemini_client = initialize_gemini_client()
+    except Exception:
+        return False
+    
+    try:
+        chroma_client = chromadb.PersistentClient(path=CHROMA_DB_PATH)
+        collection = setup_chromadb_collection(chroma_client, df, model_paraphrase)
+        print("✅ INITIALISATION COMPLÈTE\n")
+        return True
+    except Exception:
+        return False
+
+# ======================================================================
+# FLASK API
+# ======================================================================
+
+app = Flask(__name__)
+# CORS activé, permet les requêtes depuis n'importe quelle origine
+CORS(app) 
+
+@app.route('/status', methods=['GET'])
+def api_status():
+    """Route de ping pour vérifier l'état de l'API."""
+    return jsonify({"status": "everything is good"}), 200
+
+@app.route('/api/get_answer', methods=['POST'])
+def api_get_answer():
+    """Endpoint principal pour obtenir une réponse."""
+    if any(x is None for x in [model_cross_encoder, model_paraphrase, collection, system_prompt, gemini_client]):
+        return jsonify({"error": "Ressources non chargées"}), 500
+    
+    try:
+        data = request.get_json()
+        query_text = data.get('query_text')
+        session_id = data.get('session_id', 'archive')
+        
+        if not query_text:
+            return jsonify({"error": "Champ 'query_text' manquant"}), 400
+        
+        # Récupère historique
+        history = get_conversation_history(session_id)
+        
+        # Génère prompt RAG
+        rag_prompt = get_answer(query_text, collection, model_paraphrase, model_cross_encoder, history)
+        
+        # Appelle Gemini
+        response = call_gemini(rag_prompt, system_prompt, gemini_client)
+        
+        # Sauvegarde réponse
+        add_to_history(session_id, "user", query_text)
+        add_to_history(session_id, "assistant", response)
+        
+        return jsonify({"generated_response": response})
+    
+    except Exception as e:
+        print(f"❌ Erreur: {e}")
+        return jsonify({"error": str(e)}), 500
+
+@app.route('/api/clear_history', methods=['POST'])
+def api_clear_history():
+    """Efface l'historique d'une session."""
+    try:
+        data = request.get_json()
+        session_id = data.get('session_id', 'archive')
+        clear_history(session_id)
+        
+        return jsonify({"message": f"Historique effacé: {session_id}"})
+    except Exception as e:
+        return jsonify({"error": str(e)}), 500
+
+# ======================================================================
+# MAIN
+# ======================================================================
+
+if __name__ == '__main__':
+    print("start app.py")
+    if initialize_global_resources():
+        
+        # Récupération de l'adresse IP si possible (pour l'affichage)
+        try:
+            import socket
+            s = socket.socket(socket.AF_INET, socket.SOCK_DGRAM)
+            s.connect(("8.8.8.8", 80)) # Connecte à un serveur externe pour trouver l'IP locale utilisée
+            local_ip = s.getsockname()[0]
+            s.close()
+        except Exception:
+            local_ip = "127.0.0.1" # Fallback si échec
+        
+        print("\n" + "="*50)
+        print("🌐 SERVEUR DÉMARRÉ")
+        print(f"✅ API accessible à l'URL (via l'interface réseau locale): http://{local_ip}:{API_PORT}")
+        print(f"✅ Route Status: http://{local_ip}:{API_PORT}/status")
+        print(f"💡 Pour un accès depuis l'extérieur, utilisez l'adresse IP publique de votre machine et assurez-vous que le port {API_PORT} est ouvert.")
+        print("="*50 + "\n")
+        
+        # L'utilisation de host='0.0.0.0' dans app.run() permet l'accès depuis l'extérieur
+        app.run(host=API_HOST, port=API_PORT, debug=False)
+    else:
         print("❌ Impossible de démarrer le serveur")