Spaces:
Sleeping
Sleeping
File size: 4,953 Bytes
a8ee0db |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 |
from crewai import Crew, Process
from langchain_core.tools import tool
import json
from pydantic import BaseModel, Field
from typing import Dict, List, Any, Type
from .agents import report_generator_agent, skills_extractor_agent, experience_extractor_agent, project_extractor_agent, education_extractor_agent, ProfileBuilderAgent, informations_personnelle_agent, reconversion_detector_agent
from .tasks import generate_report_task, task_extract_skills, task_extract_experience, task_extract_projects, task_extract_education, task_build_profile, task_extract_informations, task_detect_reconversion
from src.deep_learning_analyzer import MultiModelInterviewAnalyzer
from src.rag_handler import RAGHandler
from langchain_core.tools import BaseTool
@tool
def interview_analyser(conversation_history: list, job_description_text: list) -> str:
"""
Appelle cet outil à la toute fin d'un entretien d'embauche pour analyser
l'intégralité de la conversation et générer un rapport de feedback.
Ne l'utilise PAS pour répondre à une question normale, mais seulement pour conclure et analyser l'entretien.
"""
# 1. Analyse DL de la conversation
analyzer = MultiModelInterviewAnalyzer()
structured_analysis = analyzer.run_full_analysis(conversation_history, job_description_text)
# 2. Enrichissement avec RAG
rag_handler = RAGHandler()
rag_feedback = []
# Extraire les intentions et sentiments pour trouver des conseils pertinents
if structured_analysis.get("intent_analysis"):
for intent in structured_analysis["intent_analysis"]:
# Exemple de requête basée sur l'intention
query = f"Conseils pour un candidat qui cherche à {intent['labels'][0]}"
rag_feedback.extend(rag_handler.get_relevant_feedback(query))
if structured_analysis.get("sentiment_analysis"):
for sentiment_group in structured_analysis["sentiment_analysis"]:
for sentiment in sentiment_group:
if sentiment['label'] == 'stress' and sentiment['score'].item() > 0.6:
rag_feedback.extend(rag_handler.get_relevant_feedback("gestion du stress en entretien"))
unique_feedback = list(set(rag_feedback))
interview_crew = Crew(
agents=[report_generator_agent],
tasks=[generate_report_task],
process=Process.sequential,
verbose=False,
telemetry=False
)
final_report = interview_crew.kickoff(inputs={
'structured_analysis_data': json.dumps(structured_analysis, indent=2),
'rag_contextual_feedback': "\n".join(unique_feedback)
})
return final_report
'''
class EmptyInput(BaseModel):
pass
class InterviewAnalysisTool(BaseTool):
"""
Appelle cet outil à la toute fin d'un entretien d'embauche pour analyser
l'intégralité de la conversation et générer un rapport de feedback.
Ne l'utilise PAS pour répondre à une question normale, mais seulement pour conclure et analyser l'entretien.
"""
name: str = "interview_analyser"
description: str = (
"Appelle cet outil à la toute fin d'un entretien d'embauche pour analyser "
"l'intégralité de la conversation et générer un rapport de feedback. "
"Ne l'utilise PAS pour répondre à une question normale, mais seulement pour conclure et analyser l'entretien."
)
args_schema: type[BaseModel] = EmptyInput
job_offer: Dict[str, Any]
conversation_history: List[Dict[str, Any]]
def _run(self) -> str:
"""Exécute l'analyse de l'entretien."""
interview_crew = Crew(
agents=[report_generator_agent],
tasks=[generate_report_task],
process=Process.sequential,
verbose=False,
telemetry=False
)
analyzer = MultiModelInterviewAnalyzer()
structured_analysis = analyzer.run_full_analysis(self.conversation_history, self.job_offer)
final_report = interview_crew.kickoff(inputs={
'structured_analysis_data': json.dumps(structured_analysis, indent=2)
})
return final_report
'''
def analyse_cv(cv_content: str) -> json:
crew = Crew(
agents=[
informations_personnelle_agent,
skills_extractor_agent,
experience_extractor_agent,
project_extractor_agent,
education_extractor_agent,
reconversion_detector_agent,
ProfileBuilderAgent
],
tasks=[
task_extract_informations,
task_extract_skills,
task_extract_experience,
task_extract_projects,
task_extract_education,
task_detect_reconversion,
task_build_profile
],
process=Process.sequential,
verbose=False,
telemetry=False
)
result = crew.kickoff(inputs={"cv_content": cv_content})
return result
|