Update src/streamlit_app.py

src/streamlit_app.py

@@ -1,40 +1,84 @@
-import altair as alt
-import numpy as np
-import pandas as pd
 import streamlit as st
+import os
+from llama_cpp import Llama
+from langchain_community.vectorstores import FAISS
+from langchain_community.embeddings import HuggingFaceEmbeddings
+from huggingface_hub import hf_hub_download
 
-"""
-# Welcome to Streamlit!
-
-Edit `/streamlit_app.py` to customize this app to your heart's desire :heart:.
-If you have any questions, checkout our [documentation](https://docs.streamlit.io) and [community
-forums](https://discuss.streamlit.io).
-
-In the meantime, below is an example of what you can do with just a few lines of code:
-"""
-
-num_points = st.slider("Number of points in spiral", 1, 10000, 1100)
-num_turns = st.slider("Number of turns in spiral", 1, 300, 31)
-
-indices = np.linspace(0, 1, num_points)
-theta = 2 * np.pi * num_turns * indices
-radius = indices
-
-x = radius * np.cos(theta)
-y = radius * np.sin(theta)
-
-df = pd.DataFrame({
-    "x": x,
-    "y": y,
-    "idx": indices,
-    "rand": np.random.randn(num_points),
-})
-
-st.altair_chart(alt.Chart(df, height=700, width=700)
-    .mark_point(filled=True)
-    .encode(
-        x=alt.X("x", axis=None),
-        y=alt.Y("y", axis=None),
-        color=alt.Color("idx", legend=None, scale=alt.Scale()),
-        size=alt.Size("rand", legend=None, scale=alt.Scale(range=[1, 150])),
-    ))
+# --- Configuration de la page Streamlit ---
+st.set_page_config(page_title="Votre Coach RAG", layout="wide")
+st.title("Votre Coach Expert")
+st.write("Posez une question sur vos documents, et je vous répondrai en me basant sur leur contenu.")
+
+# --- Fonctions de chargement mises en cache ---
+# @st.cache_resource est CRUCIAL pour que Streamlit ne recharge pas les modèles à chaque interaction
+
+@st.cache_resource
+def load_llm():
+    # ✅ MODIFICATION : On télécharge le modèle depuis le Hub au lieu de le chercher localement.
+    # Cela contourne la limite de stockage de 1 Go du Space.
+    model_repo_id = "QuantFactory/Meta-Llama-3-8B-Instruct-GGUF"
+    model_filename = "Meta-Llama-3-8B-Instruct.Q4_K_M.gguf"
+    
+    with st.spinner(f"Téléchargement du modèle '{model_filename}'... (Cette étape est longue et n'a lieu qu'une seule fois)"):
+        # Télécharge le fichier s'il n'est pas dans le cache et retourne son chemin
+        model_path = hf_hub_download(repo_id=model_repo_id, filename=model_filename)
+    
+    with st.spinner("Chargement du modèle LLM en mémoire..."):
+        # ✅ MODIFICATION : n_gpu_layers=0 car nous utilisons le CPU gratuit.
+        llm = Llama(model_path=model_path, n_gpu_layers=0, n_ctx=4096, verbose=False, chat_format="llama-3")
+    return llm
+
+@st.cache_resource
+def load_retriever(faiss_path, embeddings_path):
+    with st.spinner("Chargement de la base de connaissances (FAISS)..."):
+        # ✅ MODIFICATION : On spécifie 'cpu' car nous n'avons pas de GPU.
+        embeddings_model = HuggingFaceEmbeddings(model_name=embeddings_path, model_kwargs={'device': 'cpu'})
+        vectorstore = FAISS.load_local(faiss_path, embeddings_model, allow_dangerous_deserialization=True)
+    return vectorstore.as_retriever(search_kwargs={"k": 5})
+
+# --- Chemins d'accès (relatifs) ---
+DOSSIER_PROJET = os.path.dirname(__file__)
+CHEMIN_INDEX_FAISS = os.path.join(DOSSIER_PROJET, "faiss_index_wize")
+CHEMIN_MODELE_EMBEDDINGS = os.path.join(DOSSIER_PROJET, "embedding_model")
+
+# --- Chargement des modèles via Streamlit ---
+try:
+    llm = load_llm()
+    retriever = load_retriever(CHEMIN_INDEX_FAISS, CHEMIN_MODELE_EMBEDDINGS)
+    st.success("Les modèles sont chargés et prêts !")
+except Exception as e:
+    st.error(f"Erreur lors du chargement des modèles : {e}")
+    st.stop()
+
+# --- Initialisation de l'historique de chat ---
+if "messages" not in st.session_state:
+    st.session_state.messages = []
+
+# Afficher les messages de l'historique
+for message in st.session_state.messages:
+    with st.chat_message(message["role"]):
+        st.markdown(message["content"])
+
+# --- Logique de Chat ---
+if prompt := st.chat_input("Posez votre question ici..."):
+    st.session_state.messages.append({"role": "user", "content": prompt})
+    with st.chat_message("user"):
+        st.markdown(prompt)
+
+    with st.chat_message("assistant"):
+        with st.spinner("Je réfléchis..."):
+            # 1. Récupérer le contexte
+            docs = retriever.invoke(prompt)
+            context = "\n".join([doc.page_content for doc in docs])
+
+            # 2. Créer le prompt pour le LLM
+            system_prompt = "Vous êtes Un coach expert. Répondez à la question en vous basant uniquement sur le contexte fourni."
+            full_prompt = f"""<|begin_of_text|><|start_header_id|>system<|end_header_id|>\n{system_prompt}\nContexte : {context}<|eot_id|><|start_header_id|>user<|end_header_id|>\nQuestion : {prompt}<|eot_id|><|start_header_id|>assistant<|end_header_id|>"""
+            
+            # 3. Générer la réponse
+            response = llm(full_prompt, max_tokens=1500, stop=["<|eot_id|>"], echo=False)
+            answer = response['choices'][0]['text'].strip()
+            st.markdown(answer)
+    
+    st.session_state.messages.append({"role": "assistant", "content": answer})