File size: 14,249 Bytes
e7a5765
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
import os
import json
import pickle
import textwrap
import logging
from typing import List, Optional, Dict, Any, Iterable, Tuple

import requests
import faiss
import numpy as np
from llama_index.core import VectorStoreIndex
from llama_index.core.schema import TextNode
from llama_index.vector_stores.faiss import FaissVectorStore
from llama_index.embeddings.huggingface import HuggingFaceEmbedding
from sentence_transformers.util import cos_sim

# === Logger configuration ===
logger = logging.getLogger("RAGEngine")
logger.setLevel(logging.INFO)
handler = logging.StreamHandler()
formatter = logging.Formatter("[%(asctime)s] %(levelname)s - %(message)s")
handler.setFormatter(formatter)
if not logger.handlers:
    logger.addHandler(handler)

MAX_TOKENS = 64  # bornage court sur CPU-only
DEFAULT_STOPS = ["</s>", "\n\n", "\nQuestion:", "Question:"]


class OllamaClient:
    """
    Minimal Ollama client for /api/generate (text completion) with streaming support.
    """
    def __init__(self, model: str, host: Optional[str] = None, timeout: int = 300):
        self.model = model
        self.host = host or os.getenv("OLLAMA_HOST", "http://localhost:11434")
        self.timeout = timeout
        self._gen_url = self.host.rstrip("/") + "/api/generate"

    def generate(
        self,
        prompt: str,
        stop: Optional[List[str]] = None,
        max_tokens: Optional[int] = None,
        stream: bool = False,
        options: Optional[Dict[str, Any]] = None,
        raw: bool = False,
    ) -> str | Iterable[str]:
        payload: Dict[str, Any] = {
            "model": self.model,
            "prompt": prompt,
            "stream": stream,
        }
        if raw:
            payload["raw"] = True  # IMPORTANT: désactive le template Modelfile
        if stop:
            payload["stop"] = stop
        if max_tokens is not None:
            payload["num_predict"] = int(max_tokens)  # nommage Ollama
        if options:
            payload["options"] = options

        logger.debug(f"POST {self._gen_url} (stream={stream})")

        if stream:
            with requests.post(self._gen_url, json=payload, stream=True, timeout=self.timeout) as r:
                r.raise_for_status()
                for line in r.iter_lines(decode_unicode=True):
                    if not line:
                        continue
                    try:
                        data = json.loads(line)
                    except Exception:
                        continue
                    # En stream, Ollama renvoie des morceaux dans "response"
                    if "response" in data and not data.get("done"):
                        yield data["response"]
                    if data.get("done"):
                        break
            return

        r = requests.post(self._gen_url, json=payload, timeout=self.timeout)
        r.raise_for_status()
        data = r.json()
        return data.get("response", "")


class RAGEngine:
    def __init__(
        self,
        model_name: str,
        vector_path: str,
        index_path: str,
        model_threads: int = 4,
        ollama_host: Optional[str] = None,
        ollama_opts: Optional[Dict[str, Any]] = None,
    ):
        """
        Args:
            model_name: e.g. "noushermes_rag"
            vector_path: pickle file with chunk texts list[str]
            index_path: FAISS index path
            model_threads: forwarded as a hint to Ollama options
            ollama_host: override OLLAMA_HOST (default http://localhost:11434)
            ollama_opts: extra Ollama options (temperature, num_ctx, num_batch, num_thread)
        """
        logger.info(f"🔎 rag_model_ollama source: {__file__}")
        logger.info("📦 Initialisation du moteur RAG (Ollama)...")

        # Options Ollama (par défaut optimisées CPU)
        opts = dict(ollama_opts or {})
        opts.setdefault("temperature", 0.0)
        opts.setdefault("num_ctx", 512)
        opts.setdefault("num_batch", 16)
        if "num_thread" not in opts and model_threads:
            opts["num_thread"] = int(model_threads)

        self.llm = OllamaClient(model=model_name, host=ollama_host)
        self.ollama_opts = opts

        # Embedding model pour retrieval / rerank
        self.embed_model = HuggingFaceEmbedding(model_name="intfloat/multilingual-e5-base")

        logger.info(f"📂 Chargement des données vectorielles depuis {vector_path}")
        with open(vector_path, "rb") as f:
            chunk_texts: List[str] = pickle.load(f)
        nodes = [TextNode(text=chunk) for chunk in chunk_texts]

        faiss_index = faiss.read_index(index_path)
        vector_store = FaissVectorStore(faiss_index=faiss_index)
        self.index = VectorStoreIndex(nodes=nodes, embed_model=self.embed_model, vector_store=vector_store)

        logger.info("✅ Moteur RAG (Ollama) initialisé avec succès.")

    # ---------------- LLM helpers (via Ollama) ----------------

    def _complete(
        self,
        prompt: str,
        stop: Optional[List[str]] = None,
        max_tokens: int = MAX_TOKENS,
        raw: bool = True
    ) -> str:
        text = self.llm.generate(
            prompt=prompt,
            stop=stop or DEFAULT_STOPS,
            max_tokens=max_tokens,
            stream=False,
            options=self.ollama_opts,
            raw=raw,  # toujours True pour bypass Modelfile
        )
        # Par sécurité si un générateur se glisse quand stream=False
        try:
            if hasattr(text, "__iter__") and not isinstance(text, (str, bytes)):
                chunks = []
                for t in text:
                    if not isinstance(t, (str, bytes)):
                        continue
                    chunks.append(t)
                text = "".join(chunks)
        except Exception:
            pass
        return (text or "").strip()

    def _complete_stream(
        self,
        prompt: str,
        stop: Optional[List[str]] = None,
        max_tokens: int = MAX_TOKENS,
        raw: bool = True
    ) -> Iterable[str]:
        return self.llm.generate(
            prompt=prompt,
            stop=stop or DEFAULT_STOPS,
            max_tokens=max_tokens,
            stream=True,
            options=self.ollama_opts,
            raw=raw,  # toujours True pour bypass Modelfile
        )

    # ---------------- Utilities ----------------

    def _is_greeting(self, text: str) -> bool:
        s = text.lower().strip()
        return s in {"bonjour", "salut", "hello", "bonsoir", "hi", "coucou", "yo"} or len(s.split()) <= 2

    def _decide_mode(self, scores: List[float], tau: float = 0.32, is_greeting: bool = False) -> str:
        if is_greeting:
            return "llm"
        top = scores[0] if scores else 0.0
        return "rag" if top >= tau else "llm"

    def _stream_with_local_stops(self, tokens: Iterable[str], stops: List[str]) -> Iterable[str]:
        """
        Coupe localement le stream si un stop apparaît, même si le serveur ne s'arrête pas.
        """
        buffer = ""
        for chunk in tokens:
            buffer += chunk
            # Check si un des stops est présent dans le buffer
            hit = None
            for s in stops:
                idx = buffer.find(s)
                if idx != -1:
                    hit = (s, idx)
                    break
            if hit:
                s, idx = hit
                # Yield tout avant le stop, puis stoppe
                yield buffer[:idx]
                break
            else:
                # Si pas de stop, on envoie le chunk tel quel
                yield chunk

    # ---------------- Retrieval + (optional) rerank ----------------

    def get_adaptive_top_k(self, question: str) -> int:
        q = question.lower()
        if len(q.split()) <= 7:
            top_k = 8
        elif any(w in q for w in ["liste", "résume", "quels sont", "explique", "comment"]):
            top_k = 10
        else:
            top_k = 8
        logger.info(f"🔢 top_k déterminé automatiquement : {top_k}")
        return top_k

    def rerank_nodes(self, question: str, retrieved_nodes, top_k: int = 3) -> Tuple[List[float], List[TextNode]]:
        logger.info(f"🔍 Re-ranking des {len(retrieved_nodes)} chunks pour la question : « {question} »")
        q_emb = self.embed_model.get_query_embedding(question)
        scored_nodes: List[Tuple[float, TextNode]] = []

        for node in retrieved_nodes:
            chunk_text = node.get_content()
            chunk_emb = self.embed_model.get_text_embedding(chunk_text)
            score = cos_sim(q_emb, chunk_emb).item()
            scored_nodes.append((score, node))

        ranked = sorted(scored_nodes, key=lambda x: x[0], reverse=True)

        logger.info("📊 Chunks les plus pertinents :")
        for i, (score, node) in enumerate(ranked[:top_k]):
            chunk_preview = textwrap.shorten(node.get_content().replace("\n", " "), width=100)
            logger.info(f"#{i+1} | Score: {score:.4f} | {chunk_preview}")

        top = ranked[:top_k]
        scores = [s for s, _ in top]
        nodes = [n for _, n in top]
        return scores, nodes

    def retrieve_context(self, question: str, top_k: int = 3) -> Tuple[str, List[TextNode], List[float]]:
        logger.info("📥 Récupération du contexte...")
        retriever = self.index.as_retriever(similarity_top_k=top_k)
        retrieved_nodes = retriever.retrieve(question)
        scores, nodes = self.rerank_nodes(question, retrieved_nodes, top_k)
        context = "\n\n".join(n.get_content()[:500] for n in nodes)
        return context, nodes, scores

    # ---------------- Public API ----------------

    def ask(self, question_raw: str, allow_fallback: bool = True) -> str:
        logger.info(f"💬 Question reçue : {question_raw}")
        is_hello = self._is_greeting(question_raw)

        # retrieval (sauf salutations)
        context, scores = "", []
        if not is_hello:
            top_k = self.get_adaptive_top_k(question_raw)
            context, _, scores = self.retrieve_context(question_raw, top_k)

        # router RAG vs LLM
        mode = self._decide_mode(scores, tau=0.32, is_greeting=is_hello)
        logger.info(f"🧭 Mode choisi : {mode}")

        if mode == "rag":
            prompt = (
                "Instruction: Réponds uniquement à partir du contexte. "
                "Si la réponse n'est pas déductible, réponds exactement: \"Information non présente dans le contexte.\""
                "\n\nContexte :\n"
                f"{context}\n\n"
                f"Question : {question_raw}\n"
                "Réponse :"
            )

            resp = self._complete(
                prompt,
                stop=DEFAULT_STOPS,
                max_tokens=MAX_TOKENS,
                raw=True,   # ✅ bypass Modelfile/template
            ).strip()

            # fallback LLM‑pur si le RAG n'a rien trouvé
            if allow_fallback and "Information non présente" in resp:
                logger.info("↪️ Fallback LLM‑pur (hors contexte)")
                prompt_llm = (
                    "Réponds brièvement et précisément en français.\n"
                    f"Question : {question_raw}\n"
                    "Réponse :"
                )
                resp = self._complete(
                    prompt_llm,
                    stop=DEFAULT_STOPS,
                    max_tokens=MAX_TOKENS,
                    raw=True
                ).strip()

            ellipsis = "..." if len(resp) > 120 else ""
            logger.info(f"🧠 Réponse générée : {resp[:120]}{ellipsis}")
            return resp

        # LLM pur (salutation ou score faible)
        prompt_llm = (
            "Réponds brièvement et précisément en français.\n"
            f"Question : {question_raw}\n"
            "Réponse :"
        )
        resp = self._complete(
            prompt_llm,
            stop=DEFAULT_STOPS,
            max_tokens=MAX_TOKENS,
            raw=True
        ).strip()
        ellipsis = "..." if len(resp) > 120 else ""
        logger.info(f"🧠 Réponse générée : {resp[:120]}{ellipsis}")
        return resp

    def ask_stream(self, question: str, allow_fallback: bool = False) -> Iterable[str]:
        logger.info(f"💬 [Stream] Question reçue : {question}")
        is_hello = self._is_greeting(question)

        context, scores = "", []
        if not is_hello:
            top_k = self.get_adaptive_top_k(question)
            context, _, scores = self.retrieve_context(question, top_k)

        mode = self._decide_mode(scores, tau=0.32, is_greeting=is_hello)
        logger.info(f"🧭 Mode choisi (stream) : {mode}")

        stops = DEFAULT_STOPS

        if mode == "rag":
            prompt = (
                "Instruction: Réponds uniquement à partir du contexte. "
                "Si la réponse n'est pas déductible, réponds exactement: \"Information non présente dans le contexte.\""
                "\n\nContexte :\n"
                f"{context}\n\n"
                f"Question : {question}\n"
                "Réponse :"
            )

            logger.info("📡 Début du streaming de la réponse (RAG)...")
            tokens = self._complete_stream(
                prompt,
                stop=stops,
                max_tokens=MAX_TOKENS,
                raw=True,
            )
            # Blindage local: coupe si un stop apparaît
            for t in self._stream_with_local_stops(tokens, stops):
                if t:
                    yield t
            logger.info("📡 Fin du streaming de la réponse (RAG).")
            return

        # LLM pur en stream
        prompt_llm = (
            "Réponds brièvement et précisément en français.\n"
            f"Question : {question}\n"
            "Réponse :"
        )
        logger.info("📡 Début du streaming de la réponse (LLM pur)...")
        tokens = self._complete_stream(
            prompt_llm,
            stop=stops,
            max_tokens=MAX_TOKENS,
            raw=True,
        )
        for t in self._stream_with_local_stops(tokens, stops):
            if t:
                yield t
        logger.info("📡 Fin du streaming de la réponse (LLM pur).")