llm_ticket3/agents/RAG/agent_rag_responder.py

# agents/RAG/agent_rag_responder.py

from ..base_agent import BaseAgent

class AgentRagResponder(BaseAgent):
    def __init__(self, llm, ragflow):
        """
        Initialise l'agent avec un LLM et un client Ragflow.
        """
        super().__init__("AgentRagResponder", llm)
        self.ragflow = ragflow

    def executer(self, question: str, top_k: int = 5) -> str:
        """
        Effectue une recherche dans Ragflow et interroge le LLM avec le contexte.
        """
        # 1. Recherche les documents similaires
        documents = self.ragflow.rechercher(question, top_k=top_k)

        if not documents:
            return "Aucun document pertinent trouvé dans la base de connaissance."

        # 2. Construit le contexte à envoyer au LLM
        contexte = "\n---\n".join([doc.get("content", "") for doc in documents])

        # 3. Construit le prompt final
        prompt = (
            f"Voici des extraits de documents liés à la question suivante :\n\n"
            f"{contexte}\n\n"
            f"Réponds de manière précise et complète à la question suivante :\n{question}"
        )

        # 4. Interroge le LLM
        reponse = self.llm.interroger(prompt)

        # 5. Ajoute à l'historique (facultatif)
        self.ajouter_historique(prompt, reponse)

        return reponse