First commit

.env

@@ -0,0 +1,4 @@
+TAVILY_API_KEY=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
+LANGCHAIN_API_KEY=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
+GROQ_API_KEY=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
+LANGSMITH_API_key=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

BD_Echantillon_2014.db

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:7186e3cfbebec41d45d13af1f161e41c344a7e8db7894039b8b49725e0311b05
+size 5656576

Input/Liste_des_tables.txt

@@ -0,0 +1,221 @@
+Milieur_de_Résidence
+Code de modalité	Nom de modalité
+1	Urbain
+2	Rural
+9	Information identifiante
+
+Lien_avec_le_chef_de_ménage
+Code de modalité	Nom de modalité
+0	Chef de ménage
+1	Conjoint
+2	Fils / Fille
+3	Petit-fils / Petite-fille
+4	Père / Mère
+5	Frère / Sœur
+6	Gendre / Bru
+7	Autre parent
+8	Domestique
+9	Personne sans lien de parenté
+99	Non déterminé
+
+Nationalité
+Code de modalité	Nom de modalité
+1	Marocaine
+2	Africaine (non marocaine)
+3	Européenne
+4	Autre nationalité étrangère n.c.a.
+9	Nationalité étrangère non déterminée
+
+Sexe
+Code de modalité	Nom de modalité
+1	Masculin
+2	Féminin
+
+Age_simple_pour_les_moins_de_25_ans
+Code de modalité	Nom de modalité
+0	Moins d'1 an
+1	1 an
+2	2 ans
+3	3 ans
+4	4 ans
+5	5 ans
+6	6 ans
+7	7 ans
+8	8 ans
+9	9 ans
+10	10 ans
+11	11 ans
+12	12 ans
+13	13 ans
+14	14 ans
+15	15 ans
+16	16 ans
+17	17 ans
+18	18 ans
+19	19 ans
+20	20 ans
+21	21 ans
+22	22 ans
+23	23 ans
+24	24 ans
+98	25 ans et plus
+99	Non déterminé
+
+Age_quinquennal
+Code de modalité	Nom de modalité
+0	0-4 ans
+5	5-9 ans
+10	10-14 ans
+15	15-19 ans
+20	20-24 ans
+25	25-29 ans
+30	30-34 ans
+35	35-39 ans
+40	40-44 ans
+45	45-49 ans
+50	50-54 ans
+55	55-59 ans
+60	60-64 ans
+65	65-69 ans
+70	70-74 ans
+75	75 ans et plus
+99	Non déterminé
+
+Etat_Matrimonial
+Code de modalité	Nom de modalité
+1	Célibataire
+2	Marié
+3	Divorcé
+4	Veuf
+9	Non déterminé
+
+Enfants_vivants_Nombre
+Code de modalité	Nom de modalité
+0	Aucun enfant
+1	1 enfant
+2	2 enfants
+3	3 enfants
+4	4 enfants
+5	5 enfants
+6	6 enfants
+7	7 enfants
+8	8 enfants
+9	9 enfants
+10	10 enfants et plus
+96	Non déterminé
+97	Femme dont l'état matrimonial est non déterminé
+98	Femme célibataire
+99	Homme
+Enfants_décédés_Nombre
+Code de modalité	Nom de modalité
+0	Aucun enfant
+1	1 enfant
+2	2 enfants
+3	3 enfants
+4	4 enfants
+5	5 enfants
+6	6 enfants
+7	7 enfants
+8	8 enfants
+9	9 enfants
+10	10 enfants et plus
+96	Non déterminé
+97	Femme dont l'état matrimonial est non déterminé
+98	Femme célibataire
+99	Homme
+
+Naissances_vivantes_durant_les_12_mois_précédant_la_date_de_référence_du_recensement_Nombre
+Code de modalité	Nom de modalité
+0	Aucun enfant
+1	1 enfant
+2	2 enfants
+3	3 enfants
+95	Non déterminé
+96	Femme dont l'état matrimonial est non déterminé
+97	Femme non célibataire de 55 ans ou plus
+98	Femme célibataire
+99	Homme
+
+Décés_parmi_les_naissances_vivates_des-12_mois_précédant_la_date_de_référence_du_recensement_Nombre
+Code de modalité	Nom de modalité
+0	Aucun enfant
+1	1 enfant
+2	2 enfants
+3	3 enfants
+4	4 enfants
+5	5 enfants
+95	Non déterminé
+96	Femme dont l'état matrimonial est non déterminé
+97	Femme non célibataire de 55 ans ou plus
+98	Femme célibataire
+99	Homme
+
+Handicap_Vision
+Code de modalité	Nom de modalité
+0	Aucune difficulté
+1	Peu de difficulté
+2	Beaucoup de difficulté
+3	Incapacité
+
+Handicap_Audition
+Code de modalité	Nom de modalité
+0	Aucune difficulté
+1	Peu de difficulté
+2	Beaucoup de difficulté
+3	Incapacité
+
+Handicap_Mobilité
+Code de modalité	Nom de modalité
+0	Aucune difficulté
+1	Peu de difficulté
+2	Beaucoup de difficulté
+3	Incapacité
+
+Handicap_Mémoire
+Code de modalité	Nom de modalité
+0	Aucune difficulté
+1	Peu de difficulté
+2	Beaucoup de difficulté
+3	Incapacité
+
+Handicap_Entretien_Personnel
+Code de modalité	Nom de modalité
+0	Aucune difficulté
+1	Peu de difficulté
+2	Beaucoup de difficulté
+3	Incapacité
+
+Handicap_Communication
+Code de modalité	Nom de modalité
+0	Aucune difficulté
+1	Peu de difficulté
+2	Beaucoup de difficulté
+3	Incapacité
+
+Handicap_Situation
+Code de modalité	Nom de modalité
+1	Personne en situation de handicap
+2	Personne non en situation de handicap
+
+
+
+
+Code de modalité	Nom de modalité
+
+Code de modalité	Nom de modalité
+
+Code de modalité	Nom de modalité
+
+Code de modalité	Nom de modalité
+
+Code de modalité	Nom de modalité
+
+Code de modalité	Nom de modalité
+
+Code de modalité	Nom de modalité
+
+Code de modalité	Nom de modalité
+
+Code de modalité	Nom de modalité
+
+Code de modalité	Nom de modalité

Modules/Agent_HCP.py

@@ -0,0 +1,257 @@
+from langchain_community.utilities import SQLDatabase
+from dotenv import load_dotenv
+from langchain_community.agent_toolkits import create_sql_agent
+from langchain.agents import AgentType
+from langchain.prompts import PromptTemplate
+from langchain_groq import ChatGroq
+import os
+import ast
+import Modules
+import csv
+import re
+import json
+from operator import itemgetter
+from typing import List
+from langchain_core.chat_history import BaseChatMessageHistory
+from langchain_core.documents import Document
+from langchain_core.messages import BaseMessage, AIMessage, HumanMessage
+from langchain_core.memory import BaseMemory
+from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
+# A remettre pour python 10
+#from langchain_core.pydantic_v1 import BaseModel, Field
+from pydantic import BaseModel , Field
+from langchain_core.runnables import (
+    RunnableLambda,
+    ConfigurableFieldSpec,
+    RunnablePassthrough,
+)
+
+from langchain_core.runnables.history import RunnableWithMessageHistory
+from typing import Optional
+from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
+
+
+
+# Load the API_Keys
+load_dotenv()
+#langsmith_api_key = os.environ.get("LANGSMITH_API_key")
+groq_api_key = os.environ.get("GROQ_API_KEY")
+
+model = ChatGroq(temperature=0,
+                 groq_api_key=groq_api_key,
+                 #model_name="llama3-8b-8192"
+                 model_name="llama3-70b-8192" 
+                 )
+db = SQLDatabase.from_uri("sqlite:///"+Modules.DATA_BASE, sample_rows_in_table_info=5)
+
+custom_prompt = PromptTemplate(
+    input_variables=['agent_scratchpad', 'input', 'history'],  # Ajout de 'history' comme variable d'entrée
+    partial_variables={
+        'tools': "sql_db_query - Input to this tool is a detailed and correct SQL query, output is a result from the database. If the query is not correct, an error message will be returned. If an error is returned, rewrite the query, check the query, and try again. If you encounter an issue with Unknown column 'xxxx' in 'field list', use sql_db_schema to query the correct table fields.\nsql_db_schema - Input to this tool is a comma-separated list of tables, output is the schema and sample rows for those tables. Be sure that the tables actually exist by calling sql_db_list_tables first! Example Input: table1, table2, table3\nsql_db_list_tables - Input is an empty string, output is a comma-separated list of tables in the database.\nsql_db_query_checker - Use this tool to double-check if your query is correct before executing it. Always use this tool before executing a query with sql_db_query!", 
+        'tool_names': 'sql_db_query, sql_db_schema, sql_db_list_tables, sql_db_query_checker'
+    }, 
+    template="You are an expert in statistics designed to interact with a SQL database containing Moroccan census data.\n\
+There is only one primary table in the database called `Table_recensement`, which contains population census data. To get the distinct modalities of any field in this table,\n\
+you must query the table with the same name as the field. For example, if the field is `Age`, you must query the table `Age`.\nGiven an input question, create a syntactically correct SQLite query to run, then look at the results of the query and return the answer.\n\
+Unless the user specifies a specific number of examples they wish to obtain, always limit your query to at most 50 results.\n\
+If you can't find the query, return empty. You can order the results by a relevant column to return the most interesting examples in the database.\n\
+Never query for all the columns from a specific table, only ask for the relevant columns given the question.\n\
+You have access to tools for interacting with the database.\nOnly use the tools below. Only use the information returned by the tools below to construct your final answer.\n\
+You MUST double-check your query before executing it. If you get an error while executing a query, rewrite the query and try again.\n\n\
+DO NOT make any DML statements (INSERT, UPDATE, DELETE, DROP, etc.) to the database.\n\n\
+If the question does not seem related to the database, just return I don't know as the answer.\n\n\
+If relevant, you can refer to previous parts of the conversation to enrich your answer.\n\n\n{tools}\n\n\
+Use the following format:\n\nQuestion: the input question you must answer\n\n\
+Thought: you should always think about what to do\n\
+Action: the action to take, should be one of [{tool_names}]\n\n\
+Action Input: the input to the action\n\
+Observation: the result of the action\n... (this Thought/Action/Action Input/Observation can repeat N times)\n\n\
+Thought: I now know the final answer\n\n\
+Final Answer: The final answer must be in the same language as the input. Detect the language of the input and respond in the same language.\n\n\
+Begin!\n\n\
+Relevant pieces of previous conversation (optional): {history}\n\
+Question: {input}\n\
+Thought: I should look at the tables in the database to see what I can query. Then I should query the schema of the most relevant fields and retrieve\n\
+the distinct modalities for any given field using `SELECT DISTINCT XXXX FROM FieldName`.\n\
+{agent_scratchpad}"
+)
+
+
+
+# Create Chatbot
+
+class InMemoryHistory(BaseChatMessageHistory, BaseMemory):
+    """In memory implementation of chat message history."""
+
+    messages: List[BaseMessage] = Field(default_factory=list)
+
+    def add_messages(self, messages: List[BaseMessage]) -> None:
+        """Add a list of messages to the store"""
+        self.messages.extend(messages)
+
+    def clear(self) -> None:
+        """Clear the message history"""
+        self.messages = []
+
+    @property
+    def memory_variables(self) -> List[str]:
+        """Return a list of memory variables."""
+        # This defines what variables the memory will return
+        return ["history"]
+
+    def load_memory_variables(self, inputs: dict) -> dict:
+        """Return the history messages as a string."""
+        # Convert the message history into a format suitable for the agent to use
+        history_str = "\n".join([message.content for message in self.messages])
+        return {"history": history_str}
+
+    def save_context(self, inputs: dict, outputs: dict) -> None:
+        """Save the context of the conversation."""
+        # Save input and output messages
+        user_message = inputs.get("input", None)
+        ai_message = outputs.get("output", None)
+
+        if user_message:
+            self.add_messages([HumanMessage(content=user_message)])
+        if ai_message:
+            self.add_messages([AIMessage(content=ai_message)])
+
+
+# Here we use a global variable to store the chat message history.
+# This will make it easier to inspect it to see the underlying results.
+store = {}
+
+
+def get_session_history(
+    user_id: str, conversation_id: str
+) -> BaseChatMessageHistory:
+    global store
+    if (user_id, conversation_id) not in store:
+        store[(user_id, conversation_id)] = InMemoryHistory()
+    return store[(user_id, conversation_id)]
+
+history = get_session_history(str(Modules.USER_ID),str(Modules.CONVERSATION_ID))
+history.add_message(AIMessage(content="hello"))
+
+
+# creation of agent
+agent_executor = create_sql_agent(
+    model, 
+    db=db, 
+    get_session_history=get_session_history,
+    agent_type=AgentType.ZERO_SHOT_REACT_DESCRIPTION, 
+    verbose=True,
+    return_intermediate_steps=True,
+    handle_parsing_errors=True,  # Enable handling of parsing errors
+    prompt=custom_prompt,
+    history_factory_config=[
+        ConfigurableFieldSpec(
+            id="user_id",
+            annotation=str,
+            name="User ID",
+            description="Unique identifier for the user.",
+            default=str(Modules.USER_ID),
+            is_shared=True,
+        ),
+        ConfigurableFieldSpec(
+            id="conversation_id",
+            annotation=str,
+            name="Conversation ID",
+            description="Unique identifier for the conversation.",
+            default=str(Modules.CONVERSATION_ID),
+            is_shared=True,
+        ),
+    ],
+    
+    #max_iterations=3,
+)
+
+agent_executor.memory = history
+agent_executor.return_intermediate_steps=True
+
+
+def incrementer_conversation_id() :
+    Modules.CONVERSATION_ID = Modules.CONVERSATION_ID + 1
+
+def get_response(query):
+    """Fonction pour obtenir la réponse du modèle."""
+    global history
+    global agent_executor
+    if not query:
+        return "", history
+
+    result = agent_executor.invoke(
+            {"input": query},
+            config={"configurable": {"user_id": str(Modules.USER_ID), "conversation_id": str(Modules.CONVERSATION_ID)}}
+            )
+    
+    return result, history
+    
+def clear_memory():
+    """Fonction pour réinitialiser la mémoire."""
+    global history
+    global agent_executor
+
+    incrementer_conversation_id()
+    history = get_session_history(str(Modules.USER_ID),str(Modules.CONVERSATION_ID))
+    agent_executor.memory = history
+    
+
+def Parser_log_action(log) :
+    # Utilisation de regex pour extraire les parties nécessaires
+    question_match = re.search(r'Question: (.+)', log)
+    thought_match = re.search(r'Thought: (.+)', log)
+    action_match = re.search(r'Action: (.+)', log)
+    action_input_match = re.search(r'Action Input: (.*)', log)
+    
+    # Création du dictionnaire avec les résultats
+    parsed_log = {
+        'Question': question_match.group(1) if question_match else None,
+        'Thought': thought_match.group(1) if thought_match else None,
+        'Action': action_match.group(1) if action_match else None,
+        'Action Input': action_input_match.group(1) if action_input_match else None
+    }
+
+    # Affichage du dictionnaire
+    return parsed_log
+    
+def save_sql_query_input_output_steps(result_agent,filename=Modules.FILE_HISTORY) :
+    """Fonction pour enregistrer l'historique des requêtes sql dans un fichier, l'input, output et les étapes"""
+        # Accéder au résultat de la requête SQL
+    steps = result_agent['intermediate_steps']
+    input = result_agent['input']
+    output = result_agent['output']
+    logs =[]
+    for action, result in steps:
+        log=Parser_log_action(action.log)
+        log['Result'] = result
+        logs.append(log)
+        if action.tool == 'sql_db_query':
+             # Supprimer les retours à la ligne dans action.tool_input
+            sql_query = action.tool_input.replace('\n', '').replace('\r', '')
+            # Convertir la chaîne de caractères en une structure Python sécurisée
+            try:
+                # Utilisez json.loads si le résultat est au format JSON, sinon continuez avec ast.literal_eval
+                try:
+                    result_list = json.loads(result)
+                except json.JSONDecodeError:
+                    result_list = ast.literal_eval(result)
+
+                # Vérifier si result_list est une liste de tuples
+                if isinstance(result_list, list) and len(result_list) > 0 and isinstance(result_list[0], tuple):
+                    # Extraire la première valeur (si c'est une liste de tuples, on prend le premier tuple et le premier élément)
+                    sql_result = result_list[0][0]
+                else:
+                    sql_result = str(result_list)  # Ou une autre gestion si ce n'est pas une liste de tuples
+
+            except (SyntaxError, ValueError) as e:
+                # Gestion des erreurs lors de la conversion
+                print(f"Erreur lors de la conversion de la chaîne 'result': {e}")
+                sql_result = "Erreur lors de l'analyse du résultat SQL"
+
+            with open(filename, 'a', newline='', encoding='utf-8') as file:
+                writer = csv.writer(file)
+                # Enregistrer l'input SQL et le résultat dans le fichier CSV
+                writer.writerow([input, sql_query,sql_result, output, result_agent])
+                
+    return logs

Modules/__init__.py

@@ -0,0 +1,12 @@
+# Path to your Excel file and image
+
+Task_Flow_Path    = "Input/Task_Flow.xlsx"
+Arrow_Down_Path   = "Input/Arrow_Down.png"
+Sql_Requests_Path ='Input/Sql_Requests.xlsx'
+DATA_BASE = 'BD_Echantillon_2014.db'
+SESSION_ID = '1'
+USER_ID = 1
+CONVERSATION_ID = 1
+PARSED_LOGS =[]
+MAX_ACTIONS = 20
+FILE_HISTORY = "Output/history.csv"

app.py

@@ -0,0 +1,150 @@
+import gradio as gr
+from Modules import Agent_HCP
+import Modules
+import ast
+import pandas as pd
+import csv
+import re
+
+
+def chat_interface(query: str):
+    if not query:
+        return "", ""
+
+    result, memory = Agent_HCP.get_response(query)
+    
+    # Formatage de l'historique pour affichage
+    formatted_history = ""
+    for message in memory.messages:
+        if message.type == "human":
+            formatted_history += (
+                f"<div style='text-align: right; margin: 10px 0; background-color: white; padding: 5px; border-radius: 5px; max-width: 60%; margin-left: auto;'>"
+                f"<strong>User:</strong> {message.content}</div>"
+            )
+        else:
+            formatted_history += (
+                f"<div style='text-align: left; margin: 10px 0; background-color: lightgray; padding: 5px; border-radius: 5px; max-width: 60%;'>"
+                f"<strong>ChatBot:</strong> {message.content}</div>"
+            )
+    Modules.PARSED_LOGS=Agent_HCP.save_sql_query_input_output_steps(result)
+    
+    # Retourne l'historique formaté et la réponse
+    return formatted_history, ""
+
+# Fonction pour réinitialiser l'historique
+def clear_history():
+    Agent_HCP.clear_memory()
+    return "", ""
+
+
+# Fonction pour colorer les lignes en alternance
+def color_rows(val):
+    # Appliquer une couleur différente pour chaque ligne (alternée)
+    return ['background-color: #f0f0f0' if i % 2 == 0 else 'background-color: #ffffff' for i in range(len(val))]
+
+# Fonction pour lire le CSV et afficher seulement deux colonnes du DataFrame
+def display_dataframe():
+    # Lire le fichier CSV dans un DataFrame
+    df = pd.read_csv(Modules.FILE_HISTORY, header=None, names=['INPUT', 'SQL_QUERY', 'SQL_RESULT', 'OUTPUT', "STEPS"], quoting=csv.QUOTE_MINIMAL)
+    # Sélectionner seulement les colonnes 'INPUT', 'SQL_QUERY', 'SQL_RESULT', 'OUTPUT'
+    df_selected = df[['INPUT', 'SQL_QUERY', 'SQL_RESULT', 'OUTPUT']].sort_index(ascending=False)
+    
+    # Appliquer le style au DataFrame
+    styled_df = df_selected.style.apply(color_rows, axis=0)
+    html_table = styled_df.to_html()
+    
+    return html_table
+
+def get_action_details(index):
+    log = Modules.PARSED_LOGS[index]
+    return (
+        f"<div style='color: #007BFF;'><strong>Action:</strong> {index+1}</div><br>"
+        f"<div style='color: #28A745;'><strong>Question:</strong> {log['Question']}</div><br>"
+        f"<div style='color: #FFC107;'><strong>Thought:</strong> {log['Thought']}</div><br>"
+        f"<div style='color: #17A2B8;'><strong>Action:</strong> {log['Action']}</div><br>"
+        f"<div style='color: #DC3545;'><strong>Action Input:</strong> {log['Action Input']}</div><br>"
+        f"<div style='color: #6C757D;'><strong>Result:</strong> {log['Result']}</div>"
+    )
+
+# Fonction pour rafraîchir les données et créer les nouveaux boutons
+def fn_action_buttons():
+    markdown_text = gr.Markdown(f"# Visualisation des actions de l'agent\n\nIl y a {len(Modules.PARSED_LOGS)} actions.")
+    
+    # Vérifier s'il y a des logs à afficher
+    if len(Modules.PARSED_LOGS) > 0:
+        # Créer les boutons pour chaque action disponible
+        action_buttons = [gr.Button(f"Action {i + 1}", visible=True) for i in range(len(Modules.PARSED_LOGS))]
+    else:
+        # Si aucune action n'est disponible, on affiche un bouton placeholder caché
+        action_buttons = [gr.Button(visible=False)]
+    
+    # Compléter avec des placeholders si nécessaire
+    while len(action_buttons) < Modules.MAX_ACTIONS:
+        action_buttons.append(gr.Button(visible=False))  # Ajouter des boutons cachés
+    
+    return [markdown_text, *action_buttons]
+
+# Interface Gradio
+with gr.Blocks() as demo:
+    with gr.Tabs():
+        with gr.TabItem("Chat"):
+            with gr.Row():
+                with gr.Column(scale=1, min_width=200):
+                    gr.Markdown("""
+                    ### Description de l'outil :
+                    - Posez vos questions sur les données de recensement de 2014 au Maroc.
+                    - Cette base de données contient seulement 3.341.426 personnes.
+                    - Pour avoir un résultat approximatif, il faut multiplier le résutat obtenu par 9,99999453089430
+                    """)
+                with gr.Column(scale=4):
+                    gr.Markdown("# Parlez avec les données de HCP")
+                    chat_history = gr.HTML("")
+                    user_input = gr.Textbox(placeholder="Enter text here…", label="Your input")
+                    clear_btn = gr.Button("Clear History")
+                    user_input.submit(chat_interface, inputs=user_input, outputs=[chat_history, user_input])
+                    clear_btn.click(clear_history, outputs=[chat_history, user_input])
+            with gr.Row() :
+                # Ajout d'exemples
+                gr.Examples(
+                    examples=["Combien y-a-t-il de personnes recensées ?", "Quel est le le nombre de femmes ?",\
+                        "Combien de ménages sont dirigés par des femmes dans la province d'Al Hoceïma ?"],
+                    inputs=user_input
+                        )
+                    
+        with gr.TabItem("Evaluation"):
+            gr.Markdown("# SQL EVALUATION")
+            # Ajouter un tableau pour afficher le DataFrame dans cet onglet
+            refresh_button = gr.Button("Rafraîchir la table")
+            # Afficher le DataFrame
+            html_output = gr.HTML(display_dataframe())
+            # Rafraîchir les données à chaque clic sur le bouton
+            refresh_button.click(fn=display_dataframe, inputs=[], outputs=html_output)
+            
+        # Fonction qui rafraîchit les données et retourne le texte Markdown mis à jour
+
+        with gr.TabItem("Suivi"):
+            # Affichage du nombre d'actions et bouton de rafraîchissement
+            info_text = gr.Markdown(f"# Visualisation des actions de l'agent\n\nIl y a {len(Modules.PARSED_LOGS)} actions.")
+            with gr.Row():
+                refresh_button = gr.Button("Rafraîchir les actions")
+            
+            # Créer les boutons d'action initiaux
+            with gr.Row():
+                # Créer les boutons pour chaque action disponible
+                output_buttons = [gr.Button(f"Action {i + 1}", visible=False) for i in range(Modules.MAX_ACTIONS)]
+            
+            # Zone pour afficher les détails de l'action sélectionnée
+            details_output = gr.Markdown("")
+
+            # Lier les boutons d'action à la fonction pour afficher les détails
+            for i, button in enumerate(output_buttons):
+                button.click(get_action_details, inputs=[gr.Number(i, visible=False)], outputs=details_output)
+
+            # Action du bouton de rafraîchissement
+            refresh_button.click(
+                fn_action_buttons,  # Fonction appelée lors du clic
+                outputs=[info_text] + output_buttons  # Mise à jour des éléments Markdown et boutons
+            )
+
+demo.launch(share=False)
+#demo.launch(share=True, auth=("username", "password"))

requirements.txt

@@ -0,0 +1,107 @@
+aiofiles==23.2.1
+aiohappyeyeballs==2.4.0
+aiohttp==3.10.5
+aiosignal==1.3.1
+annotated-types==0.7.0
+anyio==4.4.0
+asttokens==2.4.1
+attrs==24.2.0
+certifi==2024.8.30
+charset-normalizer==3.3.2
+click==8.1.7
+colorama==0.4.6
+comm==0.2.2
+contourpy==1.3.0
+cycler==0.12.1
+dataclasses-json==0.6.7
+debugpy==1.8.5
+decorator==5.1.1
+distro==1.9.0
+executing==2.1.0
+fastapi==0.115.0
+ffmpy==0.4.0
+filelock==3.16.1
+fonttools==4.53.1
+frozenlist==1.4.1
+fsspec==2024.9.0
+gradio==4.44.0
+gradio_client==1.3.0
+greenlet==3.1.0
+groq==0.11.0
+h11==0.14.0
+httpcore==1.0.5
+httpx==0.27.2
+huggingface-hub==0.25.0
+idna==3.10
+importlib_resources==6.4.5
+ipykernel==6.29.5
+ipython==8.27.0
+jedi==0.19.1
+Jinja2==3.1.4
+jsonpatch==1.33
+jsonpointer==3.0.0
+jupyter_client==8.6.3
+jupyter_core==5.7.2
+kiwisolver==1.4.7
+langchain==0.3.0
+langchain-community==0.3.0
+langchain-core==0.3.1
+langchain-groq==0.2.0
+langchain-text-splitters==0.3.0
+langsmith==0.1.121
+markdown-it-py==3.0.0
+MarkupSafe==2.1.5
+marshmallow==3.22.0
+matplotlib==3.9.2
+matplotlib-inline==0.1.7
+mdurl==0.1.2
+multidict==6.1.0
+mypy-extensions==1.0.0
+nest-asyncio==1.6.0
+numpy==1.26.4
+orjson==3.10.7
+packaging==24.1
+pandas==2.2.2
+parso==0.8.4
+pillow==10.4.0
+platformdirs==4.3.6
+prompt_toolkit==3.0.47
+psutil==6.0.0
+pure_eval==0.2.3
+pydantic==2.9.2
+pydantic-settings==2.5.2
+pydantic_core==2.23.4
+pydub==0.25.1
+Pygments==2.18.0
+pyparsing==3.1.4
+python-dateutil==2.9.0.post0
+python-dotenv==1.0.1
+python-multipart==0.0.9
+pytz==2024.2
+pywin32==306
+PyYAML==6.0.2
+pyzmq==26.2.0
+requests==2.32.3
+rich==13.8.1
+ruff==0.6.5
+semantic-version==2.10.0
+shellingham==1.5.4
+six==1.16.0
+sniffio==1.3.1
+SQLAlchemy==2.0.35
+stack-data==0.6.3
+starlette==0.38.5
+tenacity==8.5.0
+tomlkit==0.12.0
+tornado==6.4.1
+tqdm==4.66.5
+traitlets==5.14.3
+typer==0.12.5
+typing-inspect==0.9.0
+typing_extensions==4.12.2
+tzdata==2024.1
+urllib3==2.2.3
+uvicorn==0.30.6
+wcwidth==0.2.13
+websockets==12.0
+yarl==1.11.1