prompt.py

import streamlit as st
from st_copy_to_clipboard import st_copy_to_clipboard
import pandas as pd
from data_manager_bziiit import get_prompts
from langchain_core.messages import AIMessage, HumanMessage
from session import get_rag

prompts = [] 
def get_prompts_list():
    st.header("Prompts")
    prompts = get_prompts()

    # Check if prompts is a list of dictionaries
    if isinstance(prompts, list) and all(isinstance(i, dict) for i in prompts):
        # Create a DataFrame
        df = pd.DataFrame(prompts)
        # Check if 'name', 'context', and 'text' are in df columns
        if 'name' in df.columns and 'context' in df.columns and 'text' in df.columns:
            # Filter prompts with id_context as 'rse' or 'transition'
            df = df[df['id_context'].isin([
                'identifier-parties-prenantes-organisation',
                'animer-parties-prenantes-organisation',
                'pour-accelerer-la-demarche-rse',
                'pour-accelerer-la-demarche-transition-ecologique',
                'ressources-humaines'
            ])]

            # Extract 'name' from 'context' dictionary
            df['context'] = df['context'].apply(lambda x: x.get('name') if isinstance(x, dict) else x)

            # Get first 50 characters from 'text' and add "..." at the end
            df['text'] = df['text'].apply(lambda x: x[:50] + "..." if isinstance(x, str) else x)

            # Group by 'context'
            grouped = df.groupby('context')


            for name, group in grouped:
                num = 1
                
                with st.expander(name):
                    for i, row in group.iterrows():
                        col1,  col3, col4 = st.columns((0.4, 4, 2))
                        col1.write(num)  # index
                        # col2.write(row['name'])  # name
                        col3.write(row['text'])  # text
                        num += 1
                        
                        button_phold = col4.empty()  # create a placeholder
                        but1, but2 = button_phold.columns(2)
                        
                        do_action = but1.button('Voir plus', key=f"v{i}")
                        execute = but2.button('Executer', key=f"e{i}")
                        
                        if execute:
                            st.session_state.chat_history.append(HumanMessage(content=prompts[i]['text']))
                            st.rerun()
                        if do_action:
                            prompt_html = prompts[i]['text'].replace('\n', '<br>')
                            prompt_metadata = extract_metadata(prompts[i])
                            
                            for text in prompt_metadata:
                                prompt_html = prompt_html.replace(f"{text}", f"<span style='font-weight:bold'>{text}</span>")
                                    
                            st.html(prompt_html)

        else:
            st.write("Data does not contain 'name', 'context', and 'text' fields.")
    else:
        st.write("Data is not in the expected format (list of dictionaries).")


def prompt_execution():
    prompts = get_prompts()

    selected_prompt = st.selectbox("Choisissez un prompt", prompts, index=None, format_func=lambda prompt: prompt['name'])
    if selected_prompt:
        return selected_prompt
    
    return None


def execute_prompt(prompt):
    # Initialiser les composants
    vectorstore, chain = get_rag()

    prompt_metadata = extract_metadata(prompt)
    
    prompt['metadata'] = prompt['text']
    prompt['html'] = prompt['text'].replace('\n', '<br>')
    
    if prompt_metadata:
        st.info("Données à compléter")

        # Demander à l'utilisateur de fournir des valeurs pour chaque métadonnée extraite
        user_inputs = {}
        for text in prompt_metadata:
            prompt['html'] = prompt['html'].replace(f"{text}", f"<span style='font-weight:bold'>{text}</span>")
                
            user_input = st.text_input(f"{text}")
            user_inputs[text] = user_input  # Stocker la valeur de l'entrée utilisateur

        # Remplacer les valeurs par le texte correspondant dans prompt['text']
        for key, value in user_inputs.items():
            if value:
                prompt['html'] = prompt['html'].replace(f"{key}", f"<span style='color:#63ABDF;font-weight:bold' title='{key}'>{value}</span>")
                prompt['metadata'] = prompt['metadata'].replace(f"{key}", f"{value}")

    # Afficher les informations du prompt
    if prompt_metadata:
        st.markdown("---")

    st.html(prompt.get('html', 'No Text Provided'))

    if vectorstore and chain:
        
        if st.button("Exécuter le prompt"):
            with st.spinner("Processing..."):
                ambition = chain.invoke(prompt['metadata'])
                st.markdown("### Réponse :")
                st.markdown(ambition.content)
    else:
        st.error("RAG non configuré. Veuillez configurer votre RAG pour exécuter le prompt.")

# Extraire le texte entre crochets dans le prompt
def extract_metadata(prompt):
    extracted_text = []
    if 'text' in prompt:
        extracted_text = [word for word in prompt['text'].split() if word.startswith("[") and word.endswith("]")]

    # Supprimer les doublons et trier les métadonnées extraites
    prompt_metadata = list(set(extracted_text))
    prompt_metadata.sort(key=extracted_text.index)  # Conserver l'ordre d'apparition initial

    return prompt_metadata