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# Modèles Pydantic pour structurer la réponse10class AlternativeSuggestion(BaseModel):11    suggestion_1: str = Field(..., description="Première suggestion de reformulation.")12    suggestion_2: str = Field(..., description="Deuxième suggestion de reformulation.")13 14class PatternDetail(BaseModel):15    pattern: str = Field(..., description="Mot ou expression détectée.")16    indices: List[Tuple[int, int]] = Field(..., description="Indices de début et de fin pour chaque occurrence dans le texte.")17    sentence: str = Field(..., description="Phrase complète où l'expression apparaît.")18    alternative_suggestions: AlternativeSuggestion = Field(..., description="Deux suggestions de reformulation.")19 20    def to_dict(self):21        return {22            "pattern": self.pattern,23            "indices": self.indices,24            "sentence": self.sentence,25            "alternative_suggestions": {26                "suggestion_1": self.alternative_suggestions.suggestion_1,27                "suggestion_2": self.alternative_suggestions.suggestion_2,28            }29        }30 31class Summary(BaseModel):32    total_patterns_detected: int = Field(..., description="Nombre total de patterns détectés.")33    alternative_suggestions_provided: int = Field(..., description="Nombre total de suggestions fournies.")34    occurrences: int = Field(..., description="Nombre total d'occurrences trouvées dans le texte.")35 36    def to_dict(self):37        return {38            "total_patterns_detected": self.total_patterns_detected,39            "alternative_suggestions_provided": self.alternative_suggestions_provided,40            "occurrences": self.occurrences41        }42 43class DetectionResult(BaseModel):44    patterns: List[PatternDetail] = Field(..., description="Liste des patterns détectés avec détails.")45    summary: Summary = Field(..., description="Résumé de la détection.")46 47    def to_dict(self):48        return {49            "patterns": [pattern.to_dict() for pattern in self.patterns],50            "summary": self.summary.to_dict()51        }52 53# Fonction pour générer le prompt template54def imaginez_prompt_template():55    return """56   Analyser le texte suivant et détecter toutes les occurrences de l'expression "Imaginez" et ses variantes telles que :57 58    "Visualisez", "Envisagez", "Concevez", "Supposez", "Pensez à", "Représentez-vous", "Imaginez-vous"59 60Pour chaque occurrence trouvée, veuillez :61 62   - Citer la phrase complète où l'expression apparaît.63   - Indiquer l'expression exacte utilisée dans le texte.64   - Expliquer pourquoi ces expressions peuvent alourdir ou rendre l'introduction trop familière, directe ou directive.65   - Proposer deux reformulations plus simples, fluides et naturelles pour rendre la phrase plus concise ou directe,66     en évitant d'utiliser l'expression "Imaginez" ou ses variantes. Assurez-vous que la reformulation conserve le sens original67     tout en étant plus formelle et professionnelle.68 69Assurez-vous également de respecter les règles suivantes :701. Les expressions comme "crucial", "essentiel", "important", "fondamental" ne doivent pas être utilisées plus d'une fois dans l'introduction.712. Les expressions comme "il existe", "il faut", "cependant", "de plus", "en revanche", "néanmoins", "toutefois" ne doivent pas être utilisées en début de phrase.723. Les expressions comme "joue un rôle", "il est", ou "est une étape" ne doivent pas être associées à des adjectifs tels qu'"important", "essentiel", etc.734. "En plus" ne doit pas être utilisé seul en début de phrase.74 75Le format de sortie doit être un JSON structuré avec les éléments suivants pour chaque pattern détecté :76 77- "pattern": "mot ou expression détectée",78- "indices": [[index de début, index de fin pour chaque occurrence]],79- "sentence": "phrase où l'expression est utilisée",80- "alternative_suggestions": ["suggestion 1", "suggestion 2"]81 82Si aucun pattern n'est trouvé, retournez un JSON avec :83- "pattern0": "",84- "occurrences": 0,85 86À la fin, ajoutez un résumé avec :87- "total_patterns_detected": nombre total de patterns détectés,88- "alternative_suggestions_provided": nombre de suggestions données,89- "occurrences": nombre d'occurrences.90 91Voici le texte à analyser :92```{text}```93 94\n{format_instruction}95    """96 97def imaginez(text):98    # Créer le template avec la variable text intégrée directement99    prompt_template = imaginez_prompt_template()100 101    output_parser = PydanticOutputParser(pydantic_object=DetectionResult)102 103    # Créer le prompt avec le texte intégré104    gen_prompt_template = PromptTemplate(105        input_variables=["text"],106        template=prompt_template,107        partial_variables={'format_instruction': output_parser.get_format_instructions()}108    )109 110    # Créer une instance du modèle de langage111    llm = ChatOpenAI(model='gpt-4o', temperature=0.5, api_key="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")112 113    # Exécuter la chaîne avec le LLM114    llm_chain = gen_prompt_template | llm | output_parser115 116    # Appel du modèle avec le texte fourni117    result_dict = llm_chain.invoke({"text": text}).to_dict()118 119    # Parsing de la réponse JSON120    json_result = json.dumps(result_dict, indent=8, ensure_ascii=False)121 122    # Générer le prompt final123    final_prompt = gen_prompt_template.format(text=text)124 125    # Retourne les suggestions ou les erreurs de parsing126    return {127        "result": json_result,128        "prompt": final_prompt129    }