AI_Agents_tools/tools.py

import os
import pandas as pd
from langchain_core.tools import tool
from langchain_community.tools import DuckDuckGoSearchRun
import matplotlib.pyplot as plt
import seaborn as sns


import matplotlib
matplotlib.use('Agg')  # Force Matplotlib à ne pas ouvrir de fenêtre graphique

@tool
def convert_csv_to_excel(csv_path: str):
    """Convertit un fichier CSV en Excel (.xlsx)."""
    if not os.path.exists(csv_path):
        return f"Désolé, je ne trouve pas le fichier '{csv_path}'. Vérifiez qu'il est bien présent dans le dossier du projet."
    
    try:
        df = pd.read_csv(csv_path)
        new_path = csv_path.replace(".csv", ".xlsx")
        df.to_excel(new_path, index=False)
        return f"Succès : Le fichier a été converti en {new_path}"
    
    except Exception as e:
        return f"Erreur lors de la lecture du CSV : {str(e)}"
    


BASE_DIR = os.path.dirname(os.path.abspath(__file__))


@tool
def inspect_data(file_name: str):
    """
    Explore le fichier situé dans le dossier 'data/' pour retourner les colonnes et un aperçu.
    Passer uniquement le nom du fichier (ex: 'data.csv').
    """
    # 1. On nettoie le nom du fichier au cas où l'IA ajoute des guillemets
    clean_name = file_name.strip().replace("'", "").replace('"', "")
    
    # 2. On construit le chemin ABSOLU vers le dossier data
    # On suppose que ton script est à la racine du projet
    data_path = os.path.join(os.getcwd(), "data", clean_name)

    try:
        # 3. Vérification de l'existence du fichier
        if not os.path.exists(data_path):
            return f"Erreur : Le fichier '{clean_name}' est introuvable dans le dossier data/."

        # 4. Lecture selon l'extension (Note : correction de 'endiwith' en 'endswith')
        if data_path.lower().endswith(".csv"):
            df = pd.read_csv(data_path) # Utilisation de la variable data_path, PAS de la chaîne "file_path"
        elif data_path.lower().endswith((".xlsx", ".xls")):
            df = pd.read_excel(data_path)
        else:
            return "Format de fichier non supporté. Utilisez .csv ou .xlsx"

        # 5. Extraction des infos
        columns_names = df.columns.tolist()
        preview = df.head(3).to_string()

        return f"Colonnes trouvées : {columns_names}\n\nAperçu des données :\n{preview}"
    
    except Exception as e:
        return f"Erreur lors de l'inspection : {str(e)}"





@tool
def excel_code_interpreter(file_path: str, code: str):
    """Exécute du code Python sur le fichier (CSV ou Excel) chargé dans 'df'."""
    # Nettoyage du nom de fichier
    file_name = os.path.basename(file_path.strip().replace("'", "").replace('"', ""))
    
    # 1. Définition de la priorité : Dossier 'data' d'abord
    data_folder_path = os.path.join(BASE_DIR, "data", file_name)
    root_path = os.path.join(BASE_DIR, file_name)
    
    # Choix du chemin
    if os.path.exists(data_folder_path):
        full_path = data_folder_path
    elif os.path.exists(root_path):
        full_path = root_path
    else:
        # Si rien n'est trouvé, on aide l'agent avec un message clair
        files_in_data = os.listdir(os.path.join(BASE_DIR, "data")) if os.path.exists(os.path.join(BASE_DIR, "data")) else "Dossier data absent"
        return f"ERREUR : Fichier '{file_name}' introuvable. Contenu de 'data/': {files_in_data}"


    
    try:
        # Lecture selon l'extension
        if file_name.endswith('.csv'):
            df = pd.read_csv(full_path)
        else:
            df = pd.read_excel(full_path)

        safe_globals={"__builtins__" :{}}

        # Injection des bibliothèques pour l'IA
        local_vars = {"df": df, "pd": pd, "plt": plt, "result": None}
        exec(code, safe_globals , local_vars)
        
        return str(local_vars.get("result", "Exécution terminée."))
    except Exception as e:
        return f"ERREUR PYTHON : {str(e)}"
    

@tool
def generate_excel_chart(file_path: str, code: str, output_image: str = "chart.png"):
    """
    Exécute du code Python pour générer un graphique Matplotlib/Seaborn à partir du fichier Excel.
    Le DataFrame est chargé dans 'df'.
    IMPORTANT : Le code doit finir par plt.savefig(output_image).
    """
    # Force le mode sans interface graphique (important pour les scripts automatisés)
    plt.switch_backend('Agg')
    plt.clf() # Nettoie les anciens graphiques en mémoire
    
    full_path = os.path.join(BASE_DIR, file_path)
    try:
        df = pd.read_excel(full_path)
        
        # Environnement d'exécution pour l'IA
        local_vars = {
            "df": df, 
            "plt": plt, 
            "sns": sns, 
            "output_image": output_image
        }
        
        exec(code, {}, local_vars)
        
        if os.path.exists(output_image):
            return f"Succès : Graphique généré et enregistré sous '{output_image}'."
        else:
            return "Erreur : Le code a été exécuté mais aucun fichier image n'a été créé."
            
    except Exception as e:
        return f"Erreur lors de la génération du graphique : {str(e)}"


ddg = DuckDuckGoSearchRun()
@tool 
def search_tool(query : str) : 
    """Recherche sur le web. Limité pour économiser les tokens."""
    try:
        results = ddg.run(query)
        
        if not results:
            return "Aucun résultat trouvé."
            
        # 1. On nettoie les espaces superflus pour gagner des tokens
        clean_results = " ".join(results.split())
        
        # 2. On limite intelligemment (ex: 1200 chars pour plus de contexte)
        # Mais on s'assure de ne pas couper un mot au milieu
        limit = 1200
        if len(clean_results) <= limit:
            return clean_results
        
        return clean_results[:limit] + "... [Résultat tronqué pour économie]"
    except Exception as e:
        return f"Erreur lors de la recherche : {str(e)}"