Amélioration fonction RAG

modules/rag_manager.py

@@ -1,11 +1,15 @@
 import os
+import threading
 from datetime import datetime
 from modules.logger import log_event
 
+# IMPORT DE NOTRE MOTEUR FAISS (Le nouveau cerveau)
+from modules.vector_rag import rechercher_contexte_global, indexer_dossier_thematique
+
 # Définition du chemin racine sécurisé sur ton RAID
 RAG_BASE_DIR = "/DATA/AppData/MULTI-IA-AETHAS38/RAG"
 
-# Les thématiques pour organiser l'apprentissage (Ajout de Général et Éducation)
+# Les thématiques pour organiser l'apprentissage
 THEMATIQUES_RAG = [
     "Minecraft_KubeJS",
     "Juridique_Loi_Francaise",
@@ -31,44 +35,23 @@ def initialiser_arborescence_rag():
     except Exception as e:
         log_event("ERROR", "RAG", f"Erreur lors de l'initialisation de l'arborescence : {e}")
 
-def extraire_contexte_rag(thematique):
-    """
-    Lit tous les fichiers .txt ou .md d'une thématique donnée
-    et les concatène pour les injecter dans le prompt de l'IA.
-    """
-    contexte_global = ""
-    chemin_theme = os.path.join(RAG_BASE_DIR, thematique)
-    
-    # Si le thème est "aucun" ou introuvable, on tape dans les connaissances générales
-    if thematique == "aucun" or not os.path.exists(chemin_theme):
-        chemin_theme = os.path.join(RAG_BASE_DIR, "Connaissances_Generales")
-        
-    try:
-        if os.path.exists(chemin_theme):
-            for fichier in os.listdir(chemin_theme):
-                if fichier.endswith(".txt") or fichier.endswith(".md"):
-                    chemin_fichier = os.path.join(chemin_theme, fichier)
-                    with open(chemin_fichier, 'r', encoding='utf-8') as f:
-                        contexte_global += f"\n--- Extrait de {fichier} ---\n"
-                        contexte_global += f.read() + "\n"
-    except Exception as e:
-        log_event("ERROR", "RAG", f"Erreur de lecture du contexte {thematique} : {e}")
-        
-    return contexte_global
-
 def rechercher_contexte_rag(prompt, categorie="general"):
     """
-    Récupère le contenu des fichiers de la thématique pour alimenter l'IA.
+    Récupère le contenu des fichiers via la recherche sémantique FAISS + Ollama.
+    (Remplace l'ancienne méthode d'extraction basique).
     """
     try:
-        return extraire_contexte_rag(categorie)
+        # On fouille dans toute la base de connaissances et on récupère les 3 meilleurs blocs
+        contexte = rechercher_contexte_global(prompt, top_k=3)
+        return contexte
     except Exception as e:
-        log_event("ERROR", "RAG_MANAGER", f"Erreur lors de la recherche RAG : {e}")
+        log_event("ERROR", "RAG_MANAGER", f"Erreur lors de la recherche FAISS : {e}")
         return ""
 
 def auto_apprendre_rag(prompt, reponse, thematique_simplifiee):
     """
-    Sauvegarde systématiquement TOUTES les réponses pour enrichir la base de connaissances.
+    Sauvegarde systématiquement la réponse en Markdown, 
+    puis déclenche l'indexation FAISS pour auto-incrémenter le RAG.
     """
     # Mapping élargi
     mapping = {
@@ -80,8 +63,6 @@ def auto_apprendre_rag(prompt, reponse, thematique_simplifiee):
         "education_nationale": "Education_Nationale"
     }
     
-    # Si le thème n'est pas dans le mapping (ex: "aucun", "physique", "cuisine"), 
-    # on le force dans le dossier "Connaissances_Generales" au lieu de l'ignorer.
     theme_reel = mapping.get(thematique_simplifiee.lower(), "Connaissances_Generales")
 
     try:
@@ -95,10 +76,20 @@ def auto_apprendre_rag(prompt, reponse, thematique_simplifiee):
         
         contenu = f"## Question utilisateur\n{prompt}\n\n## Réponse de l'IA (Contexte validé)\n{reponse}\n"
         
+        # 1. Sauvegarde physique du fichier
         with open(chemin_fichier, 'w', encoding='utf-8') as f:
             f.write(contenu)
             
         log_event("INFO", "RAG_MANAGER", f"Connaissance sauvegardée dans {theme_reel} ({nom_fichier}).")
+        
+        # 2. AUTO-INCRÉMENTATION : Lancement de l'indexation FAISS
+        # On utilise un Thread (processus en arrière-plan) pour que l'indexation via Ollama 
+        # se fasse silencieusement sans bloquer l'interface web de l'utilisateur.
+        tache_indexation = threading.Thread(target=indexer_dossier_thematique, args=(theme_reel,))
+        tache_indexation.start()
+        
+        log_event("INFO", "RAG_MANAGER", f"Indexation vectorielle lancée en tâche de fond pour {theme_reel}.")
+        
     except Exception as e:
         log_event("ERROR", "RAG_MANAGER", f"Erreur lors de l'auto-apprentissage : {e}")
 

modules/vector_rag.py

@@ -118,4 +118,66 @@ def rechercher_contexte_vectoriel(thematique: str, question: str, top_k: int = 3
     except Exception as e:
         print(f"Erreur de recherche FAISS : {e}")
         
-    return ""
+    return ""
+
+def indexer_tout_le_rag():
+    """Parcourt tous les sous-dossiers de RAG_BASE_DIR et les indexe automatiquement."""
+    print("=== LANCEMENT DE L'INDEXATION GLOBALE ===")
+    if not os.path.exists(RAG_BASE_DIR):
+        print(f"Dossier introuvable : {RAG_BASE_DIR}")
+        return
+        
+    for element in os.listdir(RAG_BASE_DIR):
+        chemin = os.path.join(RAG_BASE_DIR, element)
+        if os.path.isdir(chemin):
+            # Appelle la fonction existante pour chaque dossier trouvé
+            indexer_dossier_thematique(element)
+    print("=== INDEXATION GLOBALE TERMINÉE ===")
+
+def rechercher_contexte_global(question: str, top_k: int = 3):
+    """Cherche la réponse dans TOUTES les thématiques indexées et garde les meilleurs extraits."""
+    if not os.path.exists(VECTOR_DB_DIR):
+        return ""
+        
+    vecteur_q = obtenir_embedding(question)
+    if not vecteur_q:
+        return ""
+        
+    vecteur_q_np = np.array([vecteur_q]).astype('float32')
+    tous_fragments = []
+    
+    # On fouille dans chaque dossier de la base vectorielle
+    for thematique in os.listdir(VECTOR_DB_DIR):
+        dossier_db = os.path.join(VECTOR_DB_DIR, thematique)
+        fichier_index = os.path.join(dossier_db, "index.faiss")
+        fichier_chunks = os.path.join(dossier_db, "chunks.json")
+        
+        if os.path.exists(fichier_index) and os.path.exists(fichier_chunks):
+            try:
+                index = faiss.read_index(fichier_index)
+                with open(fichier_chunks, 'r', encoding='utf-8') as f:
+                    chunks = json.load(f)
+                
+                # Recherche dans ce dossier spécifique
+                distances, indices = index.search(vecteur_q_np, top_k)
+                
+                # On stocke les résultats avec leur score de pertinence (distance)
+                for dist, i in zip(distances[0], indices[0]):
+                    if i < len(chunks) and i != -1:
+                        tous_fragments.append((dist, chunks[i]["texte"], thematique))
+            except Exception:
+                continue
+                
+    if not tous_fragments:
+        return ""
+        
+    # On trie TOUS les fragments trouvés pour ne garder que les (top_k) les plus pertinents, tous dossiers confondus
+    # (FAISS utilise la distance L2 : plus le score est petit, plus le texte correspond à la question)
+    tous_fragments.sort(key=lambda x: x[0])
+    meilleurs = tous_fragments[:top_k]
+    
+    contexte_final = []
+    for dist, texte, theme in meilleurs:
+        contexte_final.append(f"[Source : Dossier {theme}]\n{texte}")
+        
+    return "\n\n---\n\n".join(contexte_final)