Spaces:
Running
Running
File size: 3,262 Bytes
1d6fcbc b2dd427 1d6fcbc b2dd427 1d6fcbc 438d4f9 1d6fcbc 438d4f9 cba7f8e 1d6fcbc b2dd427 1d6fcbc 43ec712 438d4f9 43ec712 1d6fcbc 3e0117c |
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 |
from typing import TypedDict, Annotated, Sequence
from langchain_core.messages import BaseMessage
from langgraph.graph import StateGraph, END
from langgraph.graph.message import add_messages
from config import llm, client, langsmith_project
from pinecone_utilsB import *
from typing import TypedDict, Sequence, List, Dict, Optional, Annotated
class GraphState(TypedDict):
messages: Annotated[Sequence[BaseMessage], add_messages]
query: str
relevant_docs: List[Dict[str, Optional[Dict[str, float]]]]
response: str
k: int
alpha: float
similarity_threshold: float
def retrieve_combined(state: GraphState) -> dict:
"""Récupération hybride : Pinecone (sémantique) + BM25 (mots-clés)."""
relevant_docs = hybrid_search(
state["query"],
alpha=state.get("alpha"),
k=state.get("k"),
similarity_threshold=state.get("similarity_threshold")
)
return {"relevant_docs": relevant_docs}
def generate_response(state: GraphState) -> dict:
"""Génération de réponse en combinant informations sémantiques et mots-clés."""
context = "\n\n".join(doc["text"] for doc in state["relevant_docs"])
prompt = f"""
Vous êtes un expert en analyse de texte.
Votre tâche consiste à répondre à la question de l'utilisateur en utilisant les informations pertinentes fournies.
Intégrez à la fois les éléments sémantiques (contexte, sens) et les mots-clés exacts pour fournir une réponse fluide et cohérente.
**Instructions supplémentaires** :
- Utilisez les mots-clés pertinents de manière naturelle dans votre réponse.
- Expliquez les concepts en vous appuyant sur le contexte sémantique.
- Ne mentionnez pas explicitement les termes "recherche sémantique" ou "recherche par mots-clés".
- **Si la réponse doit être une liste retournez chaque élément sur **une nouvelle ligne**.
- Format correct attendu :
1. Élément 1
2. Élément 2
3. Élément 3
**Informations pertinentes trouvées** :
{context}
**Question de l'utilisateur** :
{state["query"]}
**Réponse :**
[Fournissez une réponse cohérente qui intègre à la fois les éléments sémantiques et les mots-clés pertinents sans les distinguer explicitement.]
"""
response = llm.invoke(prompt)
return {"response": response.content}
def post_process_response(state: GraphState) -> dict:
"""Nettoie et valide la réponse."""
response = state["response"].strip()
# Vérifier si la réponse est pertinente
if not response or response.lower() in ["je ne sais pas", "i don't know"]:
response = "Désolé, je n'ai pas trouvé d'informations pertinentes pour votre question."
return {"response": response}
# Construction du graphe
graph_builder = StateGraph(GraphState)
graph_builder.add_node("retrieve", retrieve_combined)
graph_builder.add_node("generate", generate_response)
graph_builder.add_node("post_process", post_process_response)
graph_builder.set_entry_point("retrieve")
graph_builder.add_edge("retrieve", "generate")
graph_builder.add_edge("generate", "post_process")
graph_builder.add_edge("post_process", END)
agent = graph_builder.compile()
|