125 lines
5.0 KiB
Python
125 lines
5.0 KiB
Python
#!/usr/bin/env python3
|
||
"""
|
||
rag.py — recherche + génération (version robuste, chapitres)
|
||
============================================================
|
||
• Charge **un ou plusieurs** couples index/meta (FAISS + JSON). Par défaut :
|
||
chap.idx / chap.meta.json
|
||
• Reconstitue les textes à partir des fichiers `path` indiqués dans la méta.
|
||
– Les passages sont déjà prêts (1 par fichier court, ou découpés par index.py).
|
||
• Recherche : embeddings BGE‑M3 (CPU) + FAISS (cosinus IP) sur tous les index.
|
||
– top‑k configurable (déf. 20 pour index détaillé, 5 pour index chapitres).
|
||
– trie ensuite les hits mettant en avant ceux contenant un mot‑clé fourni
|
||
(ex. « seuil » pour ICS).
|
||
• Génération : appelle Mistral‑7B (Ollama) avec temperature 0.1 et consigne :
|
||
« Réponds uniquement à partir du contexte. Si l’info manque : Je ne sais pas. »
|
||
|
||
Usage :
|
||
python rag.py [--k 25] [--kw seuil] [--model mistral7b-fast]
|
||
"""
|
||
from __future__ import annotations
|
||
import argparse, json, re, sys
|
||
from pathlib import Path
|
||
import faiss, numpy as np, requests
|
||
from FlagEmbedding import BGEM3FlagModel
|
||
from rich import print
|
||
|
||
# ------------------------- CLI -------------------------------------------
|
||
p = argparse.ArgumentParser()
|
||
p.add_argument("--index", nargs="*", default=["chap.idx"],
|
||
help="Liste des fichiers FAISS à charger (déf. chap.idx)")
|
||
p.add_argument("--meta", nargs="*", default=["chap.meta.json"],
|
||
help="Liste des méta JSON assortis (même ordre que --index)")
|
||
p.add_argument("--k", type=int, default=15, help="top‑k cumulés (déf. 15)")
|
||
p.add_argument("--kw", default="seuil", help="mot‑clé boosté (déf. seuil)")
|
||
p.add_argument("--model", default="mistral7b-fast", help="modèle Ollama")
|
||
args = p.parse_args()
|
||
|
||
if len(args.index) != len(args.meta):
|
||
print("[red]Erreur : --index et --meta doivent avoir la même longueur.")
|
||
sys.exit(1)
|
||
|
||
# ------------------------- charger indexes -------------------------------
|
||
indexes, metas, start_offset = [], [], []
|
||
offset = 0
|
||
for idx_f, meta_f in zip(args.index, args.meta):
|
||
idx = faiss.read_index(str(idx_f))
|
||
meta = json.load(open(meta_f))
|
||
if idx.ntotal != len(meta):
|
||
print(f"[yellow]Avertissement : {idx_f} contient {idx.ntotal} vecteurs, meta {len(meta)} lignes.[/]")
|
||
indexes.append(idx)
|
||
metas.append(meta)
|
||
start_offset.append(offset)
|
||
offset += idx.ntotal
|
||
|
||
total_passages = offset
|
||
print(f"Passages chargés : {total_passages} (agrégat de {len(indexes)} index)")
|
||
|
||
# ------------------------- cache texte -----------------------------------
|
||
DOCS: dict[int,str] = {}
|
||
for base_offset, meta in zip(start_offset, metas):
|
||
for i, m in enumerate(meta):
|
||
DOCS[base_offset + i] = Path(m["path"]).read_text(encoding="utf-8")
|
||
print("[dim]Cache texte préchargé.[/]")
|
||
|
||
# ------------------------- modèle embeddings -----------------------------
|
||
embedder = BGEM3FlagModel("BAAI/bge-m3", device="cpu")
|
||
|
||
# ------------------------- helpers ---------------------------------------
|
||
def encode_query(q: str):
|
||
emb = embedder.encode([q])
|
||
if isinstance(emb, dict):
|
||
emb = next(v for v in emb.values() if isinstance(v, np.ndarray))
|
||
v = emb[0]
|
||
return (v / np.linalg.norm(v)).astype("float32").reshape(1, -1)
|
||
|
||
def search_all(vec):
|
||
hits = []
|
||
for idx, off in zip(indexes, start_offset):
|
||
D, I = idx.search(vec, min(args.k, idx.ntotal))
|
||
hits.extend([off + int(i) for i in I[0]])
|
||
return hits
|
||
|
||
# ------------------------- boucle interactive ----------------------------
|
||
print("RAG prêt ! (Ctrl‑D pour quitter)")
|
||
while True:
|
||
try:
|
||
q = input("❓ > ").strip()
|
||
except (EOFError, KeyboardInterrupt):
|
||
print("\nBye."); break
|
||
if not q: continue
|
||
|
||
# correction rapide de typos courantes (substituabilité…)
|
||
q_norm = re.sub(r"susbtitu[a-z]+", "substituabilité", q, flags=re.I)
|
||
|
||
vec = encode_query(q_norm)
|
||
hits = search_all(vec)
|
||
|
||
# Boost lexical : passages contenant le mot‑clé args.kw d’abord
|
||
kw_lower = args.kw.lower()
|
||
hits.sort(key=lambda i: kw_lower not in DOCS[i].lower())
|
||
hits = hits[:args.k]
|
||
|
||
context = "\n\n".join(DOCS[i] for i in hits)
|
||
|
||
prompt = (
|
||
"<system>Réponds en français, de façon précise et uniquement à partir du contexte. "
|
||
"Si l'information n'est pas dans le contexte, réponds : 'Je ne sais pas'.</system>\n"
|
||
f"<context>{context}</context>\n"
|
||
f"<user>{q}</user>"
|
||
)
|
||
|
||
r = requests.post("http://127.0.0.1:11434/api/generate", json={
|
||
"model": args.model,
|
||
"prompt": prompt,
|
||
"stream": False,
|
||
"options": {"temperature": 0.1, "num_predict": 512}
|
||
}, timeout=300)
|
||
answer = r.json().get("response", "(erreur API)")
|
||
|
||
print("\n[bold]Réponse :[/]\n", answer)
|
||
print("\n[dim]--- contexte utilisé (top " + str(len(hits)) + ") ---[/]")
|
||
for rank, idx_id in enumerate(hits, 1):
|
||
m = metas[0] # non utilisé ici, on affiche juste le nom
|
||
path = DOCS[idx_id].splitlines()[0][:60]
|
||
print(f"[{rank}] … {path}…")
|