Update app.py

app.py

@@ -1,107 +1,112 @@
-import sys
-import io
-import pandas as pd
-from langchain_experimental.agents.agent_toolkits import create_csv_agent
-from langchain_anthropic import ChatAnthropic
-import gradio as gr
-
-# Configuration du modèle Anthropic
-llm = ChatAnthropic(
-    model="claude-3-7-sonnet-20250219",#claude-3-5-sonnet-20241022",
-    temperature=0.1,
-    api_key="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"
-)
-
-# Liste des fichiers CSV disponibles
-items = [
-    "Contacts Prescripteurs-Ensemble des données.csv",
-    "Lieux-Ensemble des données.csv",
-    "Thèmes de séjour-Ensemble des données.csv"
-]
-
-# Fonction pour interroger les données CSV
-def query_data(query, csv_file_path):
-    # Rediriger la sortie standard vers un buffer
-    old_stdout = sys.stdout
-    new_stdout = io.StringIO()
-    sys.stdout = new_stdout
-
-    # Créer l'agent et invoquer la requête
-    agent = create_csv_agent(
-        llm,
-        csv_file_path,
-        verbose=True,
-        return_intermediate_steps=True,
-        max_iterations=8,
-        allow_dangerous_code=True,
-        handle_parsing_errors=True,
-        include_df_in_prompt=False,
-        # number_of_head_rows=1
-    )
-    try:
-        response = agent.invoke(query)
-        # Récupérer la sortie de la console
-        console_output = new_stdout.getvalue()
-
-        # Restaurer la sortie standard
-        sys.stdout = old_stdout
-        print(response)
-        # Retourner la réponse et la sortie de la console
-        return {
-            "output": response["output"],
-            "console_output": response['intermediate_steps']
-        }
-    except Exception as e:
-        console_output = new_stdout.getvalue()
-
-        # Restaurer la sortie standard
-        sys.stdout = old_stdout
-        # Retourner la réponse et la sortie de la console
-        return {
-            "output": f"**Error :** {e}",
-            "console_output": console_output
-        }
-    
-
-
-# Fonction de chat
-def chat(question, csv_file_path, chat_history):
-    csv_file_path +=".csv"
-    question=f"df.columns : \n{pd.read_csv(csv_file_path).columns}\n\n"+question
-    print(question)
-    # Appeler la fonction query_data
-    result = query_data(question, csv_file_path)
-    
-    # Ajouter la question, la réponse finale et la sortie de la console à l'historique du chat
-    chat_history.append((question, f"**Réflexion de l'IA :**\n{result['console_output']}\n\n**Réponse finale**:\n{result['output']}"))
-    
-    # Retourner l'historique mis à jour
-    return chat_history
-
-# Création de l'interface Gradio
-with gr.Blocks() as demo:
-    gr.Markdown("""# Your airtable assistant
-Les conversations ne sont pas encore disponibles.""")
-    
-    with gr.Row():
-        chatbot = gr.Chatbot(label="Chat")  # Composant Chatbot pour afficher les messages
-    
-    with gr.Row():  # Une ligne pour organiser les composants côte à côte
-        with gr.Column():  # Colonne pour la question
-            question = gr.Textbox(label="Posez votre question")
-            submit_btn = gr.Button("Envoyer")
-        with gr.Column():  # Colonne pour le dropdown
-            dropdown = gr.Dropdown(choices=[elt[:-4] for elt in items], label="Sélectionnez une table")
-    
-    # Initialiser l'historique du chat
-    chat_history = gr.State([])  # Utilisé pour stocker l'historique des messages
-    
-    # Lier les composants à la fonction de chat
-    submit_btn.click(
-        chat,  # Fonction à appeler
-        inputs=[question, dropdown, chat_history],  # Entrées
-        outputs=chatbot  # Sortie
-    )
-
-# Lancer l'interface
+import sys
+import io
+import pandas as pd
+from langchain_experimental.agents.agent_toolkits import create_csv_agent
+from langchain_anthropic import ChatAnthropic
+import gradio as gr
+import os
+from dotenv import load_dotenv
+
+load_dotenv()
+
+print(os.getenv("ANTHROPIC_API_KEY"))
+# Configuration du modèle Anthropic
+llm = ChatAnthropic(
+    model="claude-3-7-sonnet-20250219",#claude-3-5-sonnet-20241022",
+    temperature=0.1,
+    api_key=os.getenv("ANTHROPIC_API_KEY")
+)
+
+# Liste des fichiers CSV disponibles
+items = [
+    "Contacts Prescripteurs-Ensemble des données.csv",
+    "Lieux-Ensemble des données.csv",
+    "Thèmes de séjour-Ensemble des données.csv"
+]
+
+# Fonction pour interroger les données CSV
+def query_data(query, csv_file_path):
+    # Rediriger la sortie standard vers un buffer
+    old_stdout = sys.stdout
+    new_stdout = io.StringIO()
+    sys.stdout = new_stdout
+
+    # Créer l'agent et invoquer la requête
+    agent = create_csv_agent(
+        llm,
+        csv_file_path,
+        verbose=True,
+        return_intermediate_steps=True,
+        max_iterations=8,
+        allow_dangerous_code=True,
+        handle_parsing_errors=True,
+        include_df_in_prompt=False,
+        # number_of_head_rows=1
+    )
+    try:
+        response = agent.invoke(query)
+        # Récupérer la sortie de la console
+        console_output = new_stdout.getvalue()
+
+        # Restaurer la sortie standard
+        sys.stdout = old_stdout
+        print(response)
+        # Retourner la réponse et la sortie de la console
+        return {
+            "output": response["output"],
+            "console_output": response['intermediate_steps']
+        }
+    except Exception as e:
+        console_output = new_stdout.getvalue()
+
+        # Restaurer la sortie standard
+        sys.stdout = old_stdout
+        # Retourner la réponse et la sortie de la console
+        return {
+            "output": f"**Error :** {e}",
+            "console_output": console_output
+        }
+    
+
+
+# Fonction de chat
+def chat(question, csv_file_path, chat_history):
+    csv_file_path +=".csv"
+    question=f"df.columns : \n{pd.read_csv(csv_file_path).columns}\n\n"+question
+    print(question)
+    # Appeler la fonction query_data
+    result = query_data(question, csv_file_path)
+    
+    # Ajouter la question, la réponse finale et la sortie de la console à l'historique du chat
+    chat_history.append((question, f"**Réflexion de l'IA :**\n{result['console_output']}\n\n**Réponse finale**:\n{result['output']}"))
+    
+    # Retourner l'historique mis à jour
+    return chat_history
+
+# Création de l'interface Gradio
+with gr.Blocks() as demo:
+    gr.Markdown("""# Your airtable assistant
+Les conversations ne sont pas encore disponibles.""")
+    
+    with gr.Row():
+        chatbot = gr.Chatbot(label="Chat")  # Composant Chatbot pour afficher les messages
+    
+    with gr.Row():  # Une ligne pour organiser les composants côte à côte
+        with gr.Column():  # Colonne pour la question
+            question = gr.Textbox(label="Posez votre question")
+            submit_btn = gr.Button("Envoyer")
+        with gr.Column():  # Colonne pour le dropdown
+            dropdown = gr.Dropdown(choices=[elt[:-4] for elt in items], label="Sélectionnez une table")
+    
+    # Initialiser l'historique du chat
+    chat_history = gr.State([])  # Utilisé pour stocker l'historique des messages
+    
+    # Lier les composants à la fonction de chat
+    submit_btn.click(
+        chat,  # Fonction à appeler
+        inputs=[question, dropdown, chat_history],  # Entrées
+        outputs=chatbot  # Sortie
+    )
+
+# Lancer l'interface
 demo.launch(inbrowser=True)