AI_Agents_tools/Agents.py

import os
from typing import Annotated, Sequence, TypedDict, Optional , List
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI
from langchain_core.messages import BaseMessage, HumanMessage, SystemMessage , AIMessage , ToolMessage
from langgraph.graph.message import add_messages 
from langchain_groq import ChatGroq 
from langfuse import get_client
import pandas as pd
from langfuse.langchain import CallbackHandler
import json

from langchain_community.chat_models import ChatOllama
 
# Initialize Langfuse CallbackHandler for Langchain (tracing)
langfuse_handler = CallbackHandler()



# Import de tes outils corrigés
from tools import  excel_code_interpreter,   search_tool , inspect_data , call_tool_and_format_for_ollama , robust_json_parse

langfuse = get_client()
load_dotenv()

# 1. Définition du State
class AgentState(TypedDict):
    messages: Annotated[Sequence[BaseMessage], add_messages]
    current_df_path: Optional[str]
    Data_colomns: Optional[str]
    generated_charts : List[str]  

# 2. Configuration du Modèle et des Outils
#model =ChatGroq(model="llama-3.3-70b-versatile")


#model_llama=ChatGoogleGenerativeAI(model="gemini-2.5-flash")

#model_gpt = ChatOpenAI(model="gpt-5.3-codex" ) 

#model_gpt_5 = ChatOpenAI(model="o4-mini" )
tools = [ search_tool  , excel_code_interpreter,  inspect_data ]




# Local LLM : 
from langchain_experimental.llms.ollama_functions import OllamaFunctions
from langchain_community.chat_models import ChatOllama

# On crée une instance standard pour l'Analyseur
local_llm_chat = ChatOllama(
    model="llama3.1:8b",
    temperature=0,
    format="json" # On garde le format JSON ici
)


local_llm_fonction = OllamaFunctions(
    model="deepseek-coder-v2:16b-lite-instruct-q4_K_M",
    #model="llama3.1:8b",
    temperature=0,
    format="json",
    num_ctx=4096
)


local_llm_reporter = ChatOllama(
    model="llama3.1:8b",
    temperature=0,
    
)




model_with_tools = local_llm_fonction.bind_tools(tools)

def agent_analyseur(state: AgentState):
    import os
    import pandas as pd

    # 1. PHASE D'INSPECTION (Identique)
    file_path = state.get("current_df_path")
    inspection_info = "Aucun fichier détecté."
    columns_list = []

    if file_path and os.path.exists(file_path):
        try:
            df_temp = pd.read_csv(file_path, nrows=5) if file_path.endswith('.csv') else pd.read_excel(file_path, nrows=5)
            columns_list = df_temp.columns.tolist()
            sample_data = df_temp.head(2).to_string()
            inspection_info = (
                f"COLONNES EXACTES : {columns_list}\n"
                f"APERÇU DES DONNÉES :\n{sample_data}"
            )
        except Exception as e:
            inspection_info = f"⚠️ Erreur lors de l'inspection : {e}"

    # 2. RÉCUPÉRATION DE LA QUERY
    user_query = state["messages"][-1].content if state["messages"] else "Pas de question."

    # 3. CONSTRUCTION DU PROMPT DYNAMIQUE (Comme l'Exécuteur)
    # On définit les règles métier ici
    prompt = (
        "### SYSTEM ROLE ###\n"
        "Tu es l'Analyseur de Dataltist. Ton rôle est de créer un plan d'action logique.\n"
        "Tu dois répondre EXCLUSIVEMENT au format JSON.\n\n"
        
        "### DONNÉES DISPONIBLES ###\n"
        f"{inspection_info}\n\n"
        
        "### RÈGLES CRITIQUES ###\n"
        "1. PAS DE CODE : Ne génère jamais de Python.\n"
        f"2. COLONNES : Utilise uniquement {columns_list}.\n"
        "3. PLAN : Détaille les étapes (Somme, Moyenne, Regroupement, etc.).\n\n"
        
        "### STRUCTURE JSON ATTENDUE ###\n"
        "{\n"
        "  \"plan\": [\"étape 1\", \"étape 2\"],\n"
        "  \"colonnes_utilisees\": [\"col1\", \"col2\"]\n"
        "}\n"
    )
    #
    # 4. PRÉPARATION DU MESSAGE UNIQUE (La méthode qui marche pour l'Exécuteur)
    # On fusionne le prompt et la question utilisateur dans un seul HumanMessage
    full_input = f"{prompt}\n\n### QUESTION UTILISATEUR ###\n{user_query}"
    
    final_messages = [HumanMessage(content=full_input)]

    config_analyseur = {
        "callbacks": [langfuse_handler],
        "metadata": {"agent_name": "Analyseur"}
    }

    # 5. APPEL DU MODÈLE
    # Note : On utilise local_llm (ou analyseur_llm si tu as séparé)
    response = local_llm_chat.invoke(final_messages, config=config_analyseur)

    return {"messages": [response]}





def agent_executor(state: AgentState):
    # On récupère le nom exact du fichier depuis le state
    full_path = state.get("current_df_path") or "data/default.csv"
    file_name = os.path.basename(full_path) # Récupère 'mon_fichier.csv'
    
    # On construit le prompt en injectant le nom dynamiquement
    prompt = (
        "### SYSTEM ROLE ###\n"
        "Tu es un moteur d'exécution Python. Réponds EXCLUSIVEMENT au format JSON.\n\n"
        
        "### FICHIER ACTUEL ###\n"
        f"Fichier : '{file_name}' | Chemin : 'data/{file_name}'\n\n"
        
        "### INSTRUCTIONS DE CODE & SÉCURITÉ ###\n"
        "1. Imports : pandas, matplotlib.pyplot.\n"
        f"2. Chargement : df = pd.read_csv('data/{file_name}')\n"
        
        "3. SYNTAXE (Apostrophes) : Utilise TOUJOURS des doubles guillemets (\"\") pour les labels.\n\n"
        
        "4. GRAPHIQUES (SAUVEGARDE) :\n"
        "   - INTERDIT : plt.show()\n"
        "   - OBLIGATOIRE : plt.savefig('outputs/nom_du_graphe.png')\n\n"
        
        "5. DATA REPORTING (CRUCIAL POUR LE REPORTER) :\n"
        "   - AVANT de générer le graphique, calcule les stats clés (Somme, Moyenne, Top 3).\n"
        "   - Utilise print() pour afficher ces chiffres afin que le Reporter les reçoive.\n\n"
        
        "6. VARIABLE 'result' :\n"
        "   - Termine ton code par une variable 'result' qui récapitule :\n"
        "     1. Les fichiers générés (ex: 'outputs/ventes.png')\n"
        "     2. Un résumé textuel des chiffres affichés par les graphiques.\n\n"
        
        "### EXEMPLE DE CODE INTERNE ATTENDU ###\n"
        "import pandas as pd\n"
        "import matplotlib.pyplot as plt\n"
        "df = pd.read_csv('...')\n"
        "stats = df.groupby('Pays')['Ventes'].sum()\n"
        "print(stats) # <--- Ceci permet au Reporter de voir les chiffres !\n"
        "plt.bar(stats.index, stats.values)\n"
        "plt.savefig('outputs/ventes_pays.png')\n"
        "result = f\"Graphique 'ventes_pays.png' généré. Chiffres clés : {stats.to_dict()}\"\n"
    )
        # Nettoyage des messages pour Ollama (comme avant)
    cleaned_messages = []
    for m in state["messages"]:
        if m.type == "tool":
            cleaned_messages.append(HumanMessage(content=f"Résultat : {m.content}"))
        else:
            cleaned_messages.append(m)

    # On place le prompt dynamique en premier
    final_messages = [HumanMessage(content=prompt)] + cleaned_messages

    return {"messages": [model_with_tools.invoke(final_messages)]}



def agent_reporter(state : AgentState) : 

    prompt_reporter = (
        ### RÔLE ###
"""            Tu es un Expert Consultant en Data Visualisation et Analyse Statistique. 
            Ton objectif est de transformer des données techniques brutes en un rapport stratégique clair, élégant et actionnable.

            ### DIRECTIVES DE RÉDACTION ###
            1. INTERPRÉTATION : Ne te contente pas de citer les chiffres. Explique ce qu'ils signifient Utilise correctement les chiffres retournés par les outils : assure-toi de bien les comprendre et de les avoir triés.
            2. STRUCTURE : Utilise des titres (##), du gras (**), et des listes à puces pour la clarté.
            3. VISUELS : Mentionne les graphiques générés avec l'émoji 📊.
            4. TON : Professionnel, dynamique et rassurant. 
            5. PAS DE JSON : Ta réponse doit être uniquement du texte formaté en Markdown.

            ### STRUCTURE DU RAPPORT ###
            ## 📝 Synthèse de l'Analyse
            (Un paragraphe fluide qui résume la situation globale).

            ## 💡 Points Clés & Insights
            - **[Point 1]** : Explication...
            - **[Point 2]** : Explication...

            ## 📊 Visualisations Disponibles
            - [Nom du fichier.png] : Brève description de ce que le graphique démontre.

            ## 🚀 Recommandations si tu n'as
            (Une ou deux phrases sur la prochaine étape suggérée)."""
    )


    all_messages = state["messages"]
    
    # On ne garde que :
    # 1. Le premier message (User) pour le contexte
    # 2. Le DERNIER message de l'IA (le code qui a marché)
    # 3. Le DERNIER message de l'outil (les données réelles)
    
    important_messages = [
        all_messages[0], # La question de l'utilisateur
        [m for m in all_messages if isinstance(m, AIMessage)][-1], # Le dernier code
        [m for m in all_messages if isinstance(m, ToolMessage)][-1] # Le dernier résultat
    ]

            # Nettoyage des messages pour Ollama (comme avant)
    cleaned_messages = []
    for m in important_messages :
        if m.type == "tool":
            cleaned_messages.append(HumanMessage(content=f"Résultat : {m.content}"))
        else:
            cleaned_messages.append(m)

    # On place le prompt dynamique en premier
    final_messages = [HumanMessage(content=prompt_reporter)] + cleaned_messages

    return {"messages": [local_llm_reporter.invoke(final_messages)]}