from fastapi import APIRouter, Request, HTTPException, Depends from fastapi.responses import JSONResponse from datetime import datetime from bson.objectid import ObjectId from huggingface_hub import InferenceClient from sentence_transformers import SentenceTransformer from sklearn.metrics.pairwise import cosine_similarity import re from auth import get_current_user from database import get_db from config import HF_TOKEN, MAX_TOKENS, EMBEDDING_MODEL router = APIRouter(prefix="/api", tags=["Chat"]) db=get_db() conversation_history = {} hf_client = InferenceClient(token=HF_TOKEN) try: from langchain_community.embeddings import HuggingFaceEmbeddings embedding_model = HuggingFaceEmbeddings(model_name=EMBEDDING_MODEL) print("Modèle d'embedding médical chargé avec succès") except Exception as e: print(f"Erreur chargement embedding: {str(e)}") embedding_model = None # Fonctions de RAG def retrieve_relevant_context(query, embedding_model, mongo_collection, k=5): query_embedding = embedding_model.embed_query(query) docs = list(mongo_collection.find({}, {"text": 1, "embedding": 1})) print(f"[DEBUG] Recherche de contexte pour: '{query}'") print(f"[DEBUG] {len(docs)} documents trouvés dans la base de données") if not docs: print("[DEBUG] Aucun document dans la collection. RAG désactivé.") return "" similarities = [] for i, doc in enumerate(docs): if "embedding" not in doc or not doc["embedding"]: print(f"[DEBUG] Document {i} sans embedding") continue sim = cosine_similarity([query_embedding], [doc["embedding"]])[0][0] similarities.append((sim, i, doc["text"])) similarities.sort(reverse=True) print("\n=== CONTEXTE SÉLECTIONNÉ ===") top_k_docs = [] for i, (score, idx, text) in enumerate(similarities[:k]): doc_preview = text[:100] + "..." if len(text) > 100 else text print(f"Document #{i+1} (score: {score:.4f}): {doc_preview}") top_k_docs.append(text) print("==========================\n") return "\n\n".join(top_k_docs) @router.post("/chat") async def chat(request: Request): global conversation_history data = await request.json() user_message = data.get("message", "").strip() conversation_id = data.get("conversation_id") skip_save = data.get("skip_save", False) if not skip_save and conversation_id and current_user: db.messages.insert_one({ "conversation_id": conversation_id, "user_id": str(current_user["_id"]), "sender": "user", "text": user_message, "timestamp": datetime.utcnow() }) if not user_message: raise HTTPException(status_code=400, detail="Le champ 'message' est requis.") current_user = None try: current_user = await get_current_user(request) except HTTPException: pass current_tokens = 0 message_tokens = 0 if current_user and conversation_id: conv = db.conversations.find_one({ "_id": ObjectId(conversation_id), "user_id": str(current_user["_id"]) }) if conv: current_tokens = conv.get("token_count", 0) message_tokens = int(len(user_message.split()) * 1.3) MAX_TOKENS = 2000 if current_tokens + message_tokens > MAX_TOKENS: return JSONResponse({ "error": "token_limit_exceeded", "message": "Cette conversation a atteint sa limite de taille. Veuillez en créer une nouvelle.", "tokens_used": current_tokens, "tokens_limit": MAX_TOKENS }, status_code=403) is_history_question = any( phrase in user_message.lower() for phrase in [ "ma première question", "ma précédente question", "ma dernière question", "ce que j'ai demandé", "j'ai dit quoi", "quelles questions", "c'était quoi ma", "quelle était ma", "mes questions", "questions précédentes" ] ) or re.search(r"(?:quelle|quelles|quoi).*?(\d+)[a-z]{2}.*?question", user_message.lower()) \ or re.search(r"derni[eè]re question", user_message.lower()) \ or re.search(r"premi[eè]re question", user_message.lower()) \ or re.search(r"question pr[eé]c[eé]dente", user_message.lower()) \ or re.search(r"(toutes|liste|quelles|quoi).*questions", user_message.lower()) if conversation_id not in conversation_history: conversation_history[conversation_id] = [] if current_user and conversation_id: previous_messages = list(db.messages.find( {"conversation_id": conversation_id} ).sort("timestamp", 1)) for msg in previous_messages: if msg["sender"] == "user": conversation_history[conversation_id].append(f"Question : {msg['text']}") else: conversation_history[conversation_id].append(f"Réponse : {msg['text']}") if is_history_question: actual_questions = [] if conversation_id in conversation_history: for msg in conversation_history[conversation_id]: if msg.startswith("Question : "): q_text = msg.replace("Question : ", "") is_meta = any(phrase in q_text.lower() for phrase in [ "ma première question", "ma précédente question", "ma dernière question", "ce que j'ai demandé", "j'ai dit quoi", "quelles questions", "c'était quoi ma", "quelle était ma", "mes questions" ]) or re.search(r"(?:quelle|quelles|quoi).*?(\d+)[a-z]{2}.*?question", q_text.lower()) \ or re.search(r"derni[eè]re question", q_text.lower()) \ or re.search(r"premi[eè]re question", q_text.lower()) \ or re.search(r"question pr[eé]c[eé]dente", q_text.lower()) \ or re.search(r"(toutes|liste|quelles|quoi).*questions", q_text.lower()) if not is_meta: actual_questions.append(q_text) if not actual_questions: return JSONResponse({ "response": "Vous n'avez pas encore posé de question dans cette conversation. C'est notre premier échange." }) if re.search(r"derni[eè]re question", user_message.lower()): return JSONResponse({ "response": f"Votre dernière question était : « {actual_questions[-1]} »" }) if re.search(r"question pr[eé]c[eé]dente", user_message.lower()): if len(actual_questions) >= 2: return JSONResponse({ "response": f"Votre question précédente était : « {actual_questions[-2]} »" }) else: return JSONResponse({ "response": "Il n'y a pas encore de question précédente dans notre conversation." }) if re.search(r"premi[eè]re question", user_message.lower()) or any(p in user_message.lower() for p in ["première question", "1ère question", "1ere question"]): return JSONResponse({ "response": f"Votre première question était : « {actual_questions[0]} »" }) match_nth = re.search(r"(?:quelle|quelles|quoi).*?(\d+)[a-z]{2}.*?question", user_message.lower()) if match_nth: try: question_number = int(match_nth.group(1)) if 0 < question_number <= len(actual_questions): return JSONResponse({ "response": f"Votre {question_number}{'ère' if question_number == 1 else 'ème'} question était : « {actual_questions[question_number-1]} »" }) else: return JSONResponse({ "response": f"Vous n'avez pas encore posé {question_number} questions dans cette conversation." }) except: pass question_number = None if any(p in user_message.lower() for p in ["deuxième question", "2ème question", "2eme question", "seconde question"]): question_number = 2 else: match = re.search(r'(\d+)[eèiéê]*m*e* question', user_message.lower()) if match: try: question_number = int(match.group(1)) except: pass if question_number is not None: if 0 < question_number <= len(actual_questions): suffix = "ère" if question_number == 1 else "ème" return JSONResponse({ "response": f"Votre {question_number}{suffix} question était : « {actual_questions[question_number-1]} »" }) else: return JSONResponse({ "response": f"Vous n'avez pas encore posé {question_number} questions dans cette conversation." }) if len(actual_questions) == 1: return JSONResponse({ "response": f"Vous avez posé une seule question jusqu'à présent : « {actual_questions[0]} »" }) else: question_list = "\n".join([f"{i+1}. {q}" for i, q in enumerate(actual_questions)]) return JSONResponse({ "response": f"Voici les questions que vous avez posées dans cette conversation :\n\n{question_list}" }) context = None if not is_history_question and embedding_model: context = retrieve_relevant_context(user_message, embedding_model, db.connaissances, k=5) if context and conversation_id: conversation_history[conversation_id].append(f"Contexte : {context}") if conversation_id: conversation_history[conversation_id].append(f"Question : {user_message}") system_prompt = ( "Tu es un chatbot spécialisé dans la santé mentale, et plus particulièrement la schizophrénie. " "Tu réponds de façon fiable, claire et empathique, en t'appuyant uniquement sur des sources médicales et en français. " "IMPORTANT: Fais particulièrement attention aux questions de suivi. Si l'utilisateur pose une question qui ne précise " "pas clairement le sujet mais qui fait suite à votre échange précédent, comprends que cette question fait référence " "au contexte de la conversation précédente. Par exemple, si l'utilisateur demande 'Comment les traite-t-on?' après " "avoir parlé des symptômes positifs de la schizophrénie, ta réponse doit porter spécifiquement sur le traitement " "des symptômes positifs, et non sur la schizophrénie en général.IMPORTANT: Vise tes réponses sous forme de Markdown." ) enriched_context = "" if conversation_id in conversation_history: actual_questions = [] for msg in conversation_history[conversation_id]: if msg.startswith("Question : "): q_text = msg.replace("Question : ", "") is_meta = any(phrase in q_text.lower() for phrase in [ "ma première question", "ma précédente question", "ma dernière question", "ce que j'ai demandé", "j'ai dit quoi", "quelles questions", "c'était quoi ma", "quelle était ma", "mes questions" ]) or re.search(r"(?:quelle|quelles|quoi).*?(\d+)[a-z]{2}.*?question", q_text.lower()) \ or re.search(r"derni[eè]re question", q_text.lower()) \ or re.search(r"premi[eè]re question", q_text.lower()) \ or re.search(r"question pr[eé]c[eé]dente", q_text.lower()) \ or re.search(r"(toutes|liste|quelles|quoi).*questions", q_text.lower()) if not is_meta and q_text != user_message: actual_questions.append(q_text) if actual_questions: recent_questions = actual_questions[-5:] enriched_context += "Historique récent des questions:\n" for i, q in enumerate(recent_questions): enriched_context += f"- Question précédente {len(recent_questions)-i}: {q}\n" enriched_context += "\n" if context: enriched_context += "Contexte médical pertinent:\n" enriched_context += context enriched_context += "\n\n" if enriched_context: system_prompt += ( f"\n\n{enriched_context}\n\n" "Utilise ces informations pour répondre de manière plus précise et contextuelle. " "Ne pas inventer d'informations. Si tu ne sais pas, redirige vers un professionnel de santé. " "Tu dois donner une réponse complète, bien structurée et ne jamais couper ta réponse brutalement. " "Si tu n'as pas assez de place pour finir, indique-le clairement à l'utilisateur." ) else: system_prompt += ( "Tu dois répondre uniquement à partir de connaissances médicales factuelles. " "Si tu ne sais pas répondre, indique-le clairement et suggère de consulter un professionnel de santé. " "Tu dois donner une réponse complète et bien structurée." ) messages = [{"role": "system", "content": system_prompt}] if conversation_id and len(conversation_history.get(conversation_id, [])) > 0: history = conversation_history[conversation_id] for i in range(0, min(20, len(history)-1), 2): if i+1 < len(history): if history[i].startswith("Question :"): user_text = history[i].replace("Question : ", "") messages.append({"role": "user", "content": user_text}) if history[i+1].startswith("Réponse :"): assistant_text = history[i+1].replace("Réponse : ", "") messages.append({"role": "assistant", "content": assistant_text}) messages.append({"role": "user", "content": user_message}) try: completion = hf_client.chat.completions.create( model="mistralai/Mistral-7B-Instruct-v0.3", messages=messages, max_tokens=1024, temperature=0.7 ) bot_response = completion.choices[0].message["content"].strip() if bot_response.endswith((".", "!", "?")) == False and len(bot_response) > 500: bot_response += "\n\n(Note: Ma réponse a été limitée par des contraintes de taille. N'hésitez pas à me demander de poursuivre si vous souhaitez plus d'informations.)" except Exception: try: fallback = hf_client.text_generation( model="mistralai/Mistral-7B-Instruct-v0.3", prompt=f"[INST] {system_prompt}\n\nQuestion: {user_message} [/INST]", max_new_tokens=512, temperature=0.7 ) bot_response = fallback except Exception: bot_response = "Je suis désolé, je rencontre actuellement des difficultés techniques. Pourriez-vous reformuler votre question ou réessayer dans quelques instants?" if conversation_id: conversation_history[conversation_id].append(f"Réponse : {bot_response}") if len(conversation_history[conversation_id]) > 50: conversation_history[conversation_id] = conversation_history[conversation_id][-50:] if not skip_save and conversation_id and current_user: db.messages.insert_one({ "conversation_id": conversation_id, "user_id": str(current_user["_id"]), "sender": "bot", "text": bot_response, "timestamp": datetime.utcnow() }) if conversation_id and current_user: response_tokens = int(len(bot_response.split()) * 1.3) total_tokens = current_tokens + message_tokens + response_tokens db.conversations.update_one( {"_id": ObjectId(conversation_id)}, {"$set": { "last_message": bot_response, "updated_at": datetime.utcnow(), "token_count": total_tokens }} ) return {"response": bot_response}