1st commit

langchain_csv_gradio.py

@@ -0,0 +1,107 @@
+import sys
+import io
+import pandas as pd
+from langchain_experimental.agents.agent_toolkits import create_csv_agent
+from langchain_anthropic import ChatAnthropic
+import gradio as gr
+
+# Configuration du modèle Anthropic
+llm = ChatAnthropic(
+    model="claude-3-7-sonnet-20250219",#claude-3-5-sonnet-20241022",
+    temperature=0.1,
+    api_key="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"
+)
+
+# Liste des fichiers CSV disponibles
+items = [
+    "Contacts Prescripteurs-Ensemble des données.csv",
+    "Lieux-Ensemble des données.csv",
+    "Thèmes de séjour-Ensemble des données.csv"
+]
+
+# Fonction pour interroger les données CSV
+def query_data(query, csv_file_path):
+    # Rediriger la sortie standard vers un buffer
+    old_stdout = sys.stdout
+    new_stdout = io.StringIO()
+    sys.stdout = new_stdout
+
+    # Créer l'agent et invoquer la requête
+    agent = create_csv_agent(
+        llm,
+        csv_file_path,
+        verbose=True,
+        return_intermediate_steps=True,
+        max_iterations=8,
+        allow_dangerous_code=True,
+        handle_parsing_errors=True,
+        include_df_in_prompt=False,
+        # number_of_head_rows=1
+    )
+    try:
+        response = agent.invoke(query)
+        # Récupérer la sortie de la console
+        console_output = new_stdout.getvalue()
+
+        # Restaurer la sortie standard
+        sys.stdout = old_stdout
+        print(response)
+        # Retourner la réponse et la sortie de la console
+        return {
+            "output": response["output"],
+            "console_output": response['intermediate_steps']
+        }
+    except Exception as e:
+        console_output = new_stdout.getvalue()
+
+        # Restaurer la sortie standard
+        sys.stdout = old_stdout
+        # Retourner la réponse et la sortie de la console
+        return {
+            "output": f"**Error :** {e}",
+            "console_output": console_output
+        }
+    
+
+
+# Fonction de chat
+def chat(question, csv_file_path, chat_history):
+    csv_file_path +=".csv"
+    question=f"df.columns : \n{pd.read_csv(csv_file_path).columns}\n\n"+question
+    print(question)
+    # Appeler la fonction query_data
+    result = query_data(question, csv_file_path)
+    
+    # Ajouter la question, la réponse finale et la sortie de la console à l'historique du chat
+    chat_history.append((question, f"**Réflexion de l'IA :**\n{result['console_output']}\n\n**Réponse finale**:\n{result['output']}"))
+    
+    # Retourner l'historique mis à jour
+    return chat_history
+
+# Création de l'interface Gradio
+with gr.Blocks() as demo:
+    gr.Markdown("""# Your airtable assistant
+Les conversations ne sont pas encore disponibles.""")
+    
+    with gr.Row():
+        chatbot = gr.Chatbot(label="Chat")  # Composant Chatbot pour afficher les messages
+    
+    with gr.Row():  # Une ligne pour organiser les composants côte à côte
+        with gr.Column():  # Colonne pour la question
+            question = gr.Textbox(label="Posez votre question")
+            submit_btn = gr.Button("Envoyer")
+        with gr.Column():  # Colonne pour le dropdown
+            dropdown = gr.Dropdown(choices=[elt[:-4] for elt in items], label="Sélectionnez une table")
+    
+    # Initialiser l'historique du chat
+    chat_history = gr.State([])  # Utilisé pour stocker l'historique des messages
+    
+    # Lier les composants à la fonction de chat
+    submit_btn.click(
+        chat,  # Fonction à appeler
+        inputs=[question, dropdown, chat_history],  # Entrées
+        outputs=chatbot  # Sortie
+    )
+
+# Lancer l'interface
+demo.launch(inbrowser=True)