FerdinandPyCode/AuthringApp

1import json2from langchain.prompts import PromptTemplate3from langchain.chains import LLMChain4from pydantic import BaseModel, Field5from typing import List, Tuple6from langchain.chat_models import ChatOpenAI7from langchain.output_parsers import PydanticOutputParser8 9 10# Modèles Pydantic pour structurer la réponse11class AlternativeSuggestion(BaseModel):12    suggestion_1: str = Field(..., description="Première suggestion de reformulation.")13    suggestion_2: str = Field(..., description="Deuxième suggestion de reformulation.")14    justification: str = Field(..., description="Justification de la suggestion.")15 16 17class PatternDetail(BaseModel):18    pattern: str = Field(..., description="Mot ou expression détectée.")19    indices: List[Tuple[int, int]] = Field(..., description="Indices de début et de fin pour chaque occurrence dans le texte.")20    sentence: str = Field(..., description="Phrase complète où l'expression apparaît.")21    alternative_suggestions: AlternativeSuggestion = Field(..., description="Deux suggestions de reformulation avec justification.")22 23    def to_dict(self):24        return {25            "pattern": self.pattern,26            "indices": self.indices,27            "sentence": self.sentence,28            "alternative_suggestions": {29                "suggestion_1": self.alternative_suggestions.suggestion_1,30                "suggestion_2": self.alternative_suggestions.suggestion_2,31                "justification": self.alternative_suggestions.justification32            }33        }34 35 36class Summary(BaseModel):37    total_patterns_detected: int = Field(..., description="Nombre total de patterns détectés.")38    alternative_suggestions_provided: int = Field(..., description="Nombre total de suggestions fournies.")39    occurrences: int = Field(..., description="Nombre total d'occurrences trouvées dans le texte.")40 41    def to_dict(self):42        return {43            "total_patterns_detected": self.total_patterns_detected,44            "alternative_suggestions_provided": self.alternative_suggestions_provided,45            "occurrences": self.occurrences46        }47 48 49class DetectionResult(BaseModel):50    patterns: List[PatternDetail] = Field(..., description="Liste des patterns détectés avec détails.")51    summary: Summary = Field(..., description="Résumé de la détection.")52 53    def to_dict(self):54        return {55            "patterns": [pattern.to_dict() for pattern in self.patterns],56            "summary": self.summary.to_dict()57        }58 59 60def adverbement_prompt_template():61    return """62   Veuillez analyser le texte suivant et identifier tous les adverbes se terminant par "-ment". 63   Regroupe ces patterns par phrase afin de les reformuler ensemble dans la seule phrase.64 65    Pour chaque occurrence trouvée, veuillez :66    67    - Citer la phrase complète où l'expression apparaît.68    - Indiquer l'expression exacte utilisée dans le texte.69    - Proposer deux reformulations de la phrase en supprimant les adverbes redondants ou superflus, ou en les remplaçant par des verbes plus précis pour améliorer le style, tout en conservant le sens original.70    - Fournir une justification de la suggestion, expliquant en quoi elle améliore la clarté ou le style.71    72    Assurez-vous de respecter les règles suivantes :73    1. Les expressions comme "crucial", "essentiel", "important", "fondamental", etc., ne doivent pas être utilisées dans les phrases.74    2. Les expressions comme "Il existe", "il faut", "cependant", "de plus", "en revanche", "néanmoins", "toutefois" ne doivent pas être utilisées en début de phrase.75    3. Les expressions comme "joue un rôle", "il est", ou "est une étape" ne doivent pas être associées à des adjectifs comme "important", "essentiel", etc.76    4. "En plus" ne doit pas être utilisé seul en début de phrase.77 78    Le format de sortie doit être un JSON structuré avec les éléments suivants pour chaque pattern détecté :79 80    - "pattern": "mot ou expression détectée",81    - "indices": [[index de début, index de fin pour chaque occurrence]],82    - "sentence": "phrase où l'expression est utilisée",83    - "alternative_suggestions": ["suggestion 1", "suggestion 2"],84    - "justification": "justification de la suggestion"85 86    Si aucun pattern n'est trouvé, retournez un JSON avec :87    - "pattern0": "",88    - "occurrences": 0,89 90    À la fin, ajoutez un résumé avec :91    - "total_patterns_detected": nombre total de patterns détectés,92    - "alternative_suggestions_provided": nombre de suggestions données,93    - "occurrences": nombre d'occurrences.94 95    Voici le texte à analyser :96    ```{text}```97 98    \n{format_instruction}99    """100 101 102def adverbement(text):103    # Créer le template avec la variable text intégrée directement104    prompt_template = adverbement_prompt_template()105 106    output_parser = PydanticOutputParser(pydantic_object=DetectionResult)107 108    # Créer le prompt avec le texte intégré109    gen_prompt_template = PromptTemplate(110        input_variables=["text"],111        template=prompt_template,112        partial_variables={'format_instruction': output_parser.get_format_instructions()}113    )114 115    # Créer une instance du modèle de langage116    llm = ChatOpenAI(model='gpt-4o', temperature=0.5, api_key="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")117 118    # Exécuter la chaîne avec le LLM119    llm_chain = gen_prompt_template | llm | output_parser120 121    # Appel du modèle avec le texte fourni122    result_dict = llm_chain.invoke({"text": text}).to_dict()123 124    # Parsing de la réponse JSON125    json_result = json.dumps(result_dict, indent=8, ensure_ascii=False)126 127    # Générer le prompt final128    final_prompt = gen_prompt_template.format(text=text)129 130    # Retourne les suggestions ou les erreurs de parsing131    return {132        "result": json_result,133        "prompt": final_prompt134    }135