Chat_Bot_Actuariat/app.py

import streamlit as st
import os
from dotenv import load_dotenv
import uuid

load_dotenv()

# Import de tes fonctions (assure-toi que ton code précédent est dans le même dossier)
# Ici je regroupe tout pour que ce soit fonctionnel

# Tes infos utilisateur
user_infos = {
    "username": "user123",
    "mdps": "pass123"
}

def login_page(): 

    col1, col2 , col3 = st.columns([5,2,2])
    with col1 : 
        st.image("logo Dataltist.png" , width=150) 
    
    with col2 : 
        st.write("")
    
    with col3 : 
        st.link_button("🌐 Notre Site","https://dataltist.fr/")

    

    st.title("Connexion au Chatbot")
    username = st.text_input("Nom d'utilisateur")
    password = st.text_input("Mot de passe", type="password")

    if st.button("Se Connecter"): 
        if username == user_infos["username"] and password == user_infos["mdps"]:
            st.session_state["is_logged_in"] = True  # On utilise la même clé
            st.success("Connexion réussie !")
            st.rerun()
        else : 
            st.error("Identifiants incorrects")

# --- LOGIQUE DE VÉRIFICATION ---

# 1. Initialisation si la clé n'existe pas encore
if "is_logged_in" not in st.session_state: 
    st.session_state["is_logged_in"] = False 

# 2. Affichage conditionnel
if not st.session_state["is_logged_in"]: 
    login_page()
else: 


    st.set_page_config(page_title="Actuariat GPT", page_icon="📊")

    st.title("📊 Assistant Expert en Actuariat")
    st.markdown("Interrogez la base de 455 000 mémoires et thèses d'assurance.")

    # Initialisation de l'agent (on utilise @st.cache_resource pour ne pas recharger 455k lignes à chaque clic)
    @st.cache_resource
    def get_agent():
        # C'est ici qu'on appelle ta fonction create_agent()
        # Note : Assure-toi que les fonctions (get_vector_db, etc.) sont définies au-dessus
        from tools import create_agent 
        return create_agent()

    try:
        with st.spinner("Initialisation de la base de données (cela peut être long la première fois)..."):
            agent_executor = get_agent()
        st.success("Agent prêt !")
    except Exception as e:
        st.error(f"Erreur d'initialisation : {e}")
        st.stop()

    # Gestion de l'historique des messages
    if "messages" not in st.session_state:
        st.session_state.messages = [] 

    # Affichage des messages
    for message in st.session_state.messages:
        with st.chat_message(message["role"]):
            st.markdown(message["content"])

    # Zone de saisie
    # Zone de saisie
    if prompt := st.chat_input("Posez votre question actuarielle..."):
        st.session_state.messages.append({"role": "user", "content": prompt})
        with st.chat_message("user"):
            st.markdown(prompt)

        with st.chat_message("assistant"):
            # 1. On crée un conteneur vide pour la réponse finale
            response_placeholder = st.empty()
            
            # 2. On affiche le spinner pendant la réflexion
            with st.spinner("L'expert analyse les mémoires et prépare une réponse..."):
                try:
                    # Configuration de la session (mémoire)
                    config = {"configurable": {"thread_id": st.session_state.get("thread_id", "1")}}
                    input_data = {"messages": [("user", prompt)]}
                    
                    # Exécution de l'agent
                    result = agent_executor.invoke(input_data, config)
                    
                    # Extraction de la réponse
                    full_response = result["messages"][-1].content
                    
                    # 3. Affichage final dans le placeholder
                    response_placeholder.markdown(full_response)
                    
                    # Sauvegarde dans l'historique
                    st.session_state.messages.append({"role": "assistant", "content": full_response})
                    
                except Exception as e:
                    st.error(f"Désolé, une erreur est survenue : {e}")