Upload app.py

app.py

@@ -58,11 +58,16 @@ for (_, row), tokens in zip(df.iterrows(), corpus_tokens):
     keywords_by_id[str(row["id"])] = top_keywords(tokens)
 
 
+_model_ready = False
+
 def encode_query(text: str):
+    global _model_ready
     try:
         vec = model.encode(text, normalize_embeddings=True)
+        _model_ready = True
         return np.array(vec, dtype=np.float32)
-    except Exception:
+    except Exception as e:
+        print(f"encode_query error: {e}")
         return None
 
 
@@ -296,8 +301,8 @@ BANNER_KEYWORDS = """
 <div style="display:flex;align-items:center;gap:8px;padding:10px 14px;margin-bottom:10px;
             background:#431407;border:1px solid #f97316;border-radius:10px;font-size:13px">
   <span style="font-size:16px">⚠️</span>
-  <span style="color:#fed7aa"><strong style="color:#fff">Mode mots-clés</strong> — le modèle d'embedding n'a pas pu encoder la requête,
-  les résultats sont filtrés par présence de mots (pas de classement par pertinence)</span>
+  <span style="color:#fed7aa"><strong style="color:#fff">Mode mots-clés</strong> — le modèle sémantique est en cours de chargement ou indisponible.
+  Résultats filtrés par mots-clés, relancez la recherche dans quelques secondes pour activer la recherche sémantique.</span>
 </div>"""
 
 BANNER_EMPTY = ""
@@ -341,7 +346,7 @@ def _search(query: str, threshold: float = 50) -> str:
         df2 = df.copy()
         df2["_s"] = df2.apply(score_row, axis=1)
         df2 = df2[df2["_s"] > 0].sort_values("_s", ascending=False)
-        return render_cards(df2, qwords=qwords), "", BANNER_KEYWORDS
+        return render_cards(df2, scores=df2["_s"].tolist(), qwords=qwords), "", BANNER_KEYWORDS
 
 
 def on_card_click(job_id):
@@ -515,12 +520,23 @@ def search_avps(query: str, threshold: float = 50) -> str:
 
 
 
-# Exposition explicite de search_avps comme outil MCP dans le demo
-with demo:
-    mcp_in_query = gr.Textbox(visible=False, label="Profil ou mots-clés")
-    mcp_in_threshold = gr.Slider(minimum=0, maximum=100, value=50, visible=False, label="Score minimum (%)")
-    mcp_out = gr.Textbox(visible=False, label="Résultats JSON")
-    mcp_in_query.submit(fn=search_avps, inputs=[mcp_in_query, mcp_in_threshold], outputs=mcp_out, api_name="search_avps")
+# Interface MCP exposée comme outil Gradio natif
+mcp_interface = gr.Interface(
+    fn=search_avps,
+    inputs=[
+        gr.Textbox(label="Profil ou mots-clés"),
+        gr.Slider(minimum=0, maximum=100, value=50, step=5, label="Score minimum (%)"),
+    ],
+    outputs=gr.Textbox(label="Résultats JSON"),
+    api_name="search_avps",
+    flagging_mode="never",
+)
+
+app = gr.TabbedInterface(
+    [demo, mcp_interface],
+    ["App", "API"],
+    title="AVPs OPT-NC",
+)
 
 if __name__ == "__main__":
-    demo.launch(mcp_server=True)
+    app.launch(mcp_server=True)