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 15 16class PatternDetail(BaseModel):17    pattern: str = Field(..., description="Mot ou expression détectée.")18    indices: List[Tuple[int, int]] = Field(..., description="Indices de début et de fin pour chaque occurrence dans le texte.")19    sentence: str = Field(..., description="Phrase complète où l'expression apparaît.")20    alternative_suggestions: AlternativeSuggestion = Field(..., description="Deux suggestions de reformulation.")21 22    def to_dict(self):23        return {24            "pattern": self.pattern,25            "indices": self.indices,26            "sentence": self.sentence,27            "alternative_suggestions": {28                "suggestion_1": self.alternative_suggestions.suggestion_1,29                "suggestion_2": self.alternative_suggestions.suggestion_2,30            }31        }32 33 34class Summary(BaseModel):35    total_patterns_detected: int = Field(..., description="Nombre total de patterns détectés.")36    alternative_suggestions_provided: int = Field(..., description="Nombre total de suggestions fournies.")37    occurrences: int = Field(..., description="Nombre total d'occurrences trouvées dans le texte.")38 39    def to_dict(self):40        return {41            "total_patterns_detected": self.total_patterns_detected,42            "alternative_suggestions_provided": self.alternative_suggestions_provided,43            "occurrences": self.occurrences44        }45 46 47class DetectionResult(BaseModel):48    patterns: List[PatternDetail] = Field(..., description="Liste des patterns détectés avec détails.")49    summary: Summary = Field(..., description="Résumé de la détection.")50 51    def to_dict(self):52        return {53            "patterns": [pattern.to_dict() for pattern in self.patterns],54            "summary": self.summary.to_dict()55        }56 57 58def explication_prompt_template():59    return """60    Analyse le texte suivant et identifie toutes les occurrences de l'expression "Ce qui" et ses variantes, telles que :61    "Ce qui signifie que", "Ce qui implique que", "Ce qui veut dire que", "Ce qui fait que", "Ce qui entraîne", 62    "Ce qui conduit à", "Ce qui permet de", "Ce qui résulte en", "Ce qui cause", "Ce qui représente".63 64    Incluez également toute autre expression similaire commençant par "Ce qui" et introduisant une conséquence, une explication ou une clarification.65 66    Pour chaque occurrence trouvée, veuillez :67 68    - Citer la phrase complète où l'expression apparaît.69    - Indiquer l'expression exacte utilisée dans le texte.70    - Proposer deux reformulations de la phrase pour changer l'expression détectée, en évitant les répétitions, et rendre la phrase plus précise et claire.71    - Assurez-vous de respecter les règles suivantes :72      1. Ne pas utiliser plus d'une fois dans l'introduction des expressions comme "crucial", "essentiel", "important", "fondamental", etc.73      2. Ne pas utiliser "il existe", "il faut", "cependant", "de plus", etc., en début de phrase.74      3. Les expressions comme "Joue un rôle", "il est", ou "est une étape" ne doivent pas être associées à des mots comme "important", "essentiel", etc.75      4. "En plus" ne doit pas être seul en début de phrase.76 77    Le format de sortie doit être un JSON structuré avec les éléments suivants pour chaque pattern détecté :78 79    - "pattern": "mot ou expression détectée",80    - "indices": [[index de début, index de fin pour chaque occurrence]],81    - "sentence": "phrase où l'expression est utilisée",82    - "alternative_suggestions": ["suggestion 1", "suggestion 2"]83 84    Si aucun pattern n'est trouvé, retournez un JSON avec :85 86    - "pattern0": "",87    - "occurrences": 0,88 89    À la fin, ajoutez un résumé avec :90    - "total_patterns_detected": nombre total de patterns détectés,91    - "alternative_suggestions_provided": nombre de suggestions fournies,92    - "occurrences": nombre d'occurrences.93 94    Voici le texte à analyser :95    ```{text}```96 97    \n{format_instruction}98    """99 100 101def explication(text):102    # Créer le template avec la variable text intégrée directement103    prompt_template = explication_prompt_template()104 105    output_parser = PydanticOutputParser(pydantic_object=DetectionResult)106 107    # Créer le prompt avec le texte intégré108    gen_prompt_template = PromptTemplate(109        input_variables=["text"],110        template=prompt_template,111        partial_variables={'format_instruction': output_parser.get_format_instructions()}112    )113 114    # Créer une instance du modèle de langage115    llm = ChatOpenAI(model='gpt-4o', temperature=0.5, api_key="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")116 117    # Exécuter la chaîne avec le LLM118    llm_chain = gen_prompt_template | llm | output_parser119 120    # Appel du modèle avec le texte fourni121    result_dict = llm_chain.invoke({"text": text}).to_dict()122 123    # Parsing de la réponse JSON124    json_result = json.dumps(result_dict, indent=8, ensure_ascii=False)125 126    # Générer le prompt final127    final_prompt = gen_prompt_template.format(text=text)128 129    # Retourne les suggestions ou les erreurs de parsing130    return {131        "result": json_result,132        "prompt": final_prompt133    }