Update pages/1_Chatbot_FR.py

pages/1_Chatbot_FR.py

@@ -1,304 +1,305 @@
-import streamlit as st
-import pandas as pd
-import os
-from pathlib import Path
-import base64
-
-# LangChain & Hugging Face
-from langchain.embeddings import HuggingFaceEmbeddings
-from langchain.vectorstores import Chroma
-from langchain.schema import Document
-from langchain.prompts import PromptTemplate
-from langchain.llms import HuggingFaceHub
-from langchain.chains import LLMChain
-
-import pysqlite3
-import sys
-sys.modules["sqlite3"] = pysqlite3
-
-#####################
-# 1. HELPER FUNCTIONS
-#####################
-
-def get_base64_of_bin_file(bin_file_path: str) -> str:
-    file_bytes = Path(bin_file_path).read_bytes()
-    return base64.b64encode(file_bytes).decode()
-
-def find_parent_fr(data, r, col):
-    """
-    Trouve la question parente pour une ligne et colonne donnée dans le DataFrame (version FR).
-    """
-    i = r - 1
-    parent = None
-    while i >= 0 and pd.isna(parent):
-        parent = data.iloc[i, col]
-        i -= 1
-    return parent
-
-def create_contextual_fr(df, category, strat_id=0):
-    """
-    Crée un DataFrame avec questions-réponses contextuelles (version FR).
-    """
-    rows = []
-    columns_qna = list(df.columns)
-
-    for r, row in df.iterrows():
-        for level, col in enumerate(df.columns):
-            question = row[col]
-            if pd.isna(question):
-                continue
-
-            # Si la question est un "leaf node"
-            if level == 4 or pd.isna(row[columns_qna[level + 1]]):
-                # Gérer des sous-questions multiples
-                if "\n*Si" in question or "\n *" in question or "\n*" in question:
-                    questions = question.replace("\n*Si", "\n*").replace("\n *", "\n*").split("\n*")
-                    for subquestion in questions:
-                        if len(subquestion.strip()) == 0:
-                            continue
-
-                        context = []
-                        for i in range(level - 1, -1, -1):
-                            parent = df.iloc[r, i]
-                            if pd.isna(parent):
-                                parent = find_parent_fr(df, r, i)
-                            if pd.notna(parent):
-                                context = [parent] + context
-
-                        rows.append({
-                            "id": strat_id + len(rows) + 1,
-                            "question": " > ".join(context),
-                            "answer": subquestion.strip(),
-                            "category": category,
-                        })
-                else:
-                    context = []
-                    for i in range(level - 1, -1, -1):
-                        parent = df.iloc[r, i]
-                        if pd.isna(parent):
-                            parent = find_parent_fr(df, r, i)
-                        if pd.notna(parent):
-                            context = [parent] + context
-
-                    rows.append({
-                        "id": strat_id + len(rows) + 1,
-                        "question": " > ".join(context),
-                        "answer": question.strip(),
-                        "category": category,
-                    })
-
-    return pd.DataFrame(rows)
-
-def load_excel_and_create_vectorstore_fr(excel_path: str, persist_dir: str = "./chroma_db_fr"):
-    """
-    Charge les données depuis plusieurs feuilles Excel (version FR),
-    construit & stocke un Chroma VectorStore.
-    """
-    # 1. Charger les feuilles Excel 
-    qna_tree_fr0 = pd.read_excel(excel_path, sheet_name="Prépayé (FR)", skiprows=1).iloc[:, :5]
-    qna_tree_fr1 = pd.read_excel(excel_path, sheet_name="Postpayé (FR)", skiprows=1).iloc[:, :5]
-    qna_tree_fr2 = pd.read_excel(excel_path, sheet_name="Wifi (FR)",      skiprows=1).iloc[:, :5]
-
-    # 2. Construire le contexte
-    context_fr0 = create_contextual_fr(qna_tree_fr0, "Prépayé", strat_id = 0)
-    context_fr1 = create_contextual_fr(qna_tree_fr1, "Postpayé", strat_id = len(context_fr0))
-    context_fr2 = create_contextual_fr(qna_tree_fr2, "Wifi",     strat_id = len(context_fr0) + len(context_fr1))
-
-    # 3. Concaténer les DataFrame
-    context_fr = pd.concat([context_fr0, context_fr1, context_fr2], axis=0)
-
-    # 4. Créer une colonne "context"
-    context_fr["context"] = context_fr.apply(
-        lambda row: f"{row['question']} > {row['answer']}",
-        axis=1
-    )
-
-    # 5. Convertir chaque ligne en Document
-    documents_fr = [
-        Document(
-            page_content=row["context"],
-            metadata={"id": row["id"], "category": row["category"]}
-        )
-        for _, row in context_fr.iterrows()
-    ]
-
-    # 6. Créer & persister le vecteur
-    embedding_model_fr = HuggingFaceEmbeddings(model_name="all-MiniLM-L6-v2")
-    vectorstore_fr = Chroma.from_documents(documents_fr, embedding_model_fr, persist_directory=persist_dir)
-    vectorstore_fr.persist()
-
-    return vectorstore_fr
-
-def load_existing_vectorstore_fr(persist_dir: str = "./chroma_db_fr"):
-    """
-    Charge un VectorStore Chroma déjà stocké (version FR).
-    """
-    embedding_model_fr = HuggingFaceEmbeddings(model_name="all-MiniLM-L6-v2")
-    vectorstore_fr = Chroma(
-        persist_directory=persist_dir,
-        embedding_function=embedding_model_fr
-    )
-    return vectorstore_fr
-
-def retrieve_context_fr(retriever_fr, query, top_k=5):
-    """
-    Récupère les top_k résultats pour la question (version FR).
-    """
-    results_fr = retriever_fr.get_relevant_documents(query)
-    context_fr_list = []
-    for _, result in enumerate(results_fr[:top_k], start=1):
-        context_fr_list.append(result.page_content)
-    return context_fr_list
-
-
-#########################
-# 2. PROMPT & LLM FR   #
-#########################
-
-prompt_template_fr = PromptTemplate(
-    input_variables=["context", "query"],
-    template=(
-        """[SYSTEM]
-Vous êtes un assistant client professionnel, expérimenté et bienveillant pour l'opérateur téléphonique INWI. 
-Vous excellez dans la gestion des clients, en répondant à leurs problèmes et questions.
-Fournir un service client et des conseils en se basant sur les contextes fournis :
-- Répondre aux salutations de manière courtoise et amicale, par exemple : "Je suis l'assistant IA d'INWI'. Comment puis-je vous aider aujourd'hui ?" 
-- Identifier le besoin du client et demander des clarifications si nécessaire, tout en s'appuyant uniquement sur le contexte.
-- Si la question n'est pas liée au contexte d'INWI, veuillez informer poliment que vous ne pouvez pas répondre à des questions hors contexte INWI.
-- Si la réponse ne figure pas dans le contexte, vous pouvez dire "Je n'ai pas assez d'information" et proposer d'appeler le service client au 120.
-- Structurer les réponses de manière concise et efficace. Et n'inventez pas d'infos non présentes dans le contexte.
-- Informer le client qu’il peut vous recontacter pour toute assistance supplémentaire.
-- Ne parlez pas des concurrents qui offrent la meme service d'INWI.
-- Ne jamais insulter ou répondre à une insulte.
-- Ne demandez pas d’informations personnelles ou d’identification du client.
-- Orientez vers le catalogue sur le site web INWI si la question concerne une offre du catalogue.
-- Donnez des solutions standard pour les problèmes techniques avec des options.
-- Avant de générer votre réponse, éliminez toutes les structures comme '[Action] [texte]' et gardez uniquement les informations utiles.
-- Ne jamais parler des sujets suivants : [
-    "politique", "élections", "partis", "gouvernement", "lois", "réformes",
-    "religion", "croyances", "pratiques religieuses", "théologie",
-    "moralité", "débat", "philosophie", "éthique", "discrimination",
-    "concurrence", "Maroc Telecom", "IAM", "Orange", "comparaison",
-    "sécurité", "fraude", "santé", "médicaments", "traitement", "diagnostic", "maladie",
-    "finance", "investissement", "bourse", "crypto", "banque", "assurance",
-    "violence", "haine", "contenu explicite", "sexe", "adultes",
-    "illégal", "faux documents", "streaming illégal"
-]
-INWI est un opérateur de télécommunications marocain offrant des services mobiles, Internet et solutions de télécommunications
-pour les particuliers et les entreprises. Il se distingue par son engagement à fournir des services de qualité, innovants et 
-accessibles, tout en contribuant au développement numérique du pays.
-Les clients sont notre priorité, et notre but est de résoudre leurs problèmes. 
-Votre rôle est de fournir un service client professionnel et efficace sans inventer d'informations.
-
-[CONTEXTE]
-{context}
-
-[QUESTION DU CLIENT]
-{query}
-
-[RÉPONSE]"""
-    )
-)
-
-# Configuration du LLM HuggingFace (FR)
-os.environ["HUGGINGFACEHUB_API"]
-llm_fr = HuggingFaceHub(
-    repo_id="mistralai/Mistral-7B-Instruct-v0.3",
-    model_kwargs={
-        "temperature": 0.5,
-        "max_length": 500
-    }
-)
-
-# Chaîne FR
-llm_chain_fr = LLMChain(llm=llm_fr, prompt=prompt_template_fr)
-
-
-#########################
-# 3. STREAMLIT MAIN APP #
-#########################
-
-def main():
-    st.subheader("INWI IA Chatbot - Français")
-
-     # Read local image and convert to Base64
-    img_base64 = get_base64_of_bin_file("./img/logo inwi celeverlytics.png")
-    css_logo = f"""
-    <style>
-    [data-testid="stSidebarNav"]::before {{
-        content: "";
-        display: block;
-        margin: 0 auto 20px auto;
-        width: 80%;
-        height: 100px;
-        background-image: url("data:image/png;base64,{img_base64}");
-        background-size: contain;
-        background-repeat: no-repeat;
-        background-position: center;
-    }}
-    </style>
-    """
-
-    st.markdown(css_logo, unsafe_allow_html=True)
-
-    # Charger ou créer le retriever
-    if "retriever_fr" not in st.session_state:
-        st.session_state["retriever_fr"] = None
-
-    st.sidebar.header("Vector Store Options (FR)")
-    
-    if st.sidebar.button("Créer la Vector Store (FR)"):
-        with st.spinner("Extraction et création de la vector store FR..."):
-            excel_path = "Chatbot myinwi.xlsx"  
-            persist_directory_fr = "./chroma_db_fr"
-            vectorstore_fr = load_excel_and_create_vectorstore_fr(
-                excel_path=excel_path,
-                persist_dir=persist_directory_fr
-            )
-            st.session_state["retriever_fr"] = vectorstore_fr.as_retriever(
-                search_type="mmr",
-                search_kwargs={"k": 5, "lambda_mult": 0.5}
-            )
-        st.success("Vector store FR créée et chargée avec succès !")
-
-    if st.sidebar.button("Charger la Vector Store existante (FR)"):
-        with st.spinner("Chargement de la vector store FR existante..."):
-            persist_directory_fr = "./chroma_db_fr"
-            vectorstore_fr = load_existing_vectorstore_fr(persist_directory_fr)
-            st.session_state["retriever_fr"] = vectorstore_fr.as_retriever(
-                search_type="mmr",
-                search_kwargs={"k": 5, "lambda_mult": 0.5}
-            )
-        st.success("Vector store FR chargée avec succès !")
-
-    st.write("""Je suis là pour répondre à toutes vos questions concernant nos 
-            services, nos offres mobiles et Internet, ainsi que nos solutions adaptées à vos besoins (FR).""")
-
-    # Zone de texte
-    user_query_fr = st.chat_input("Posez votre question ici (FR)...")
-
-    if user_query_fr:
-        if not st.session_state["retriever_fr"]:
-            st.warning("Veuillez d'abord créer ou charger la Vector Store (FR).")
-            return
-        
-        # Récupération du contexte
-        context_fr_list = retrieve_context_fr(st.session_state["retriever_fr"], user_query_fr, top_k=5)
-
-        if context_fr_list:
-            with st.spinner("Génération de la réponse..."):
-                response_fr = llm_chain_fr.run({"context": "\n".join(context_fr_list), "query": user_query_fr})
-                # Séparer si jamais le prompt contient [RÉPONSE], sinon on affiche tout
-                response_fr = response_fr.split("[RÉPONSE]")[-1]
-            st.write("**Question :**")
-            st.write(user_query_fr)
-            st.write("**Réponse :**")
-            st.write(response_fr)
-        else:
-            st.write("Aucun contexte trouvé pour cette question. Essayez autre chose.")
-
-
-if __name__ == "__main__":
-    main()
-
-
+import streamlit as st
+import pandas as pd
+import os
+from pathlib import Path
+import base64
+
+# LangChain & Hugging Face
+from langchain.embeddings import HuggingFaceEmbeddings
+from langchain.vectorstores import Chroma
+from langchain.schema import Document
+from langchain.prompts import PromptTemplate
+from langchain.llms import HuggingFaceHub
+from langchain.chains import LLMChain
+
+import pysqlite3
+import sys
+sys.modules["sqlite3"] = pysqlite3
+
+#####################
+# 1. HELPER FUNCTIONS
+#####################
+
+def get_base64_of_bin_file(bin_file_path: str) -> str:
+    file_bytes = Path(bin_file_path).read_bytes()
+    return base64.b64encode(file_bytes).decode()
+
+def find_parent_fr(data, r, col):
+    """
+    Trouve la question parente pour une ligne et colonne donnée dans le DataFrame (version FR).
+    """
+    i = r - 1
+    parent = None
+    while i >= 0 and pd.isna(parent):
+        parent = data.iloc[i, col]
+        i -= 1
+    return parent
+
+def create_contextual_fr(df, category, strat_id=0):
+    """
+    Crée un DataFrame avec questions-réponses contextuelles (version FR).
+    """
+    rows = []
+    columns_qna = list(df.columns)
+
+    for r, row in df.iterrows():
+        for level, col in enumerate(df.columns):
+            question = row[col]
+            if pd.isna(question):
+                continue
+
+            # Si la question est un "leaf node"
+            if level == 4 or pd.isna(row[columns_qna[level + 1]]):
+                # Gérer des sous-questions multiples
+                if "\n*Si" in question or "\n *" in question or "\n*" in question:
+                    questions = question.replace("\n*Si", "\n*").replace("\n *", "\n*").split("\n*")
+                    for subquestion in questions:
+                        if len(subquestion.strip()) == 0:
+                            continue
+
+                        context = []
+                        for i in range(level - 1, -1, -1):
+                            parent = df.iloc[r, i]
+                            if pd.isna(parent):
+                                parent = find_parent_fr(df, r, i)
+                            if pd.notna(parent):
+                                context = [parent] + context
+
+                        rows.append({
+                            "id": strat_id + len(rows) + 1,
+                            "question": " > ".join(context),
+                            "answer": subquestion.strip(),
+                            "category": category,
+                        })
+                else:
+                    context = []
+                    for i in range(level - 1, -1, -1):
+                        parent = df.iloc[r, i]
+                        if pd.isna(parent):
+                            parent = find_parent_fr(df, r, i)
+                        if pd.notna(parent):
+                            context = [parent] + context
+
+                    rows.append({
+                        "id": strat_id + len(rows) + 1,
+                        "question": " > ".join(context),
+                        "answer": question.strip(),
+                        "category": category,
+                    })
+
+    return pd.DataFrame(rows)
+
+def load_excel_and_create_vectorstore_fr(excel_path: str, persist_dir: str = "./chroma_db_fr"):
+    """
+    Charge les données depuis plusieurs feuilles Excel (version FR),
+    construit & stocke un Chroma VectorStore.
+    """
+    # 1. Charger les feuilles Excel 
+    qna_tree_fr0 = pd.read_excel(excel_path, sheet_name="Prépayé (FR)", skiprows=1).iloc[:, :5]
+    qna_tree_fr1 = pd.read_excel(excel_path, sheet_name="Postpayé (FR)", skiprows=1).iloc[:, :5]
+    qna_tree_fr2 = pd.read_excel(excel_path, sheet_name="Wifi (FR)",      skiprows=1).iloc[:, :5]
+
+    # 2. Construire le contexte
+    context_fr0 = create_contextual_fr(qna_tree_fr0, "Prépayé", strat_id = 0)
+    context_fr1 = create_contextual_fr(qna_tree_fr1, "Postpayé", strat_id = len(context_fr0))
+    context_fr2 = create_contextual_fr(qna_tree_fr2, "Wifi",     strat_id = len(context_fr0) + len(context_fr1))
+
+    # 3. Concaténer les DataFrame
+    context_fr = pd.concat([context_fr0, context_fr1, context_fr2], axis=0)
+
+    # 4. Créer une colonne "context"
+    context_fr["context"] = context_fr.apply(
+        lambda row: f"{row['question']} > {row['answer']}",
+        axis=1
+    )
+
+    # 5. Convertir chaque ligne en Document
+    documents_fr = [
+        Document(
+            page_content=row["context"],
+            metadata={"id": row["id"], "category": row["category"]}
+        )
+        for _, row in context_fr.iterrows()
+    ]
+
+    # 6. Créer & persister le vecteur
+    embedding_model_fr = HuggingFaceEmbeddings(model_name="all-MiniLM-L6-v2")
+    vectorstore_fr = Chroma.from_documents(documents_fr, embedding_model_fr, persist_directory=persist_dir)
+    vectorstore_fr.persist()
+
+    return vectorstore_fr
+
+def load_existing_vectorstore_fr(persist_dir: str = "./chroma_db_fr"):
+    """
+    Charge un VectorStore Chroma déjà stocké (version FR).
+    """
+    embedding_model_fr = HuggingFaceEmbeddings(model_name="all-MiniLM-L6-v2")
+    vectorstore_fr = Chroma(
+        persist_directory=persist_dir,
+        embedding_function=embedding_model_fr
+    )
+    return vectorstore_fr
+
+def retrieve_context_fr(retriever_fr, query, top_k=5):
+    """
+    Récupère les top_k résultats pour la question (version FR).
+    """
+    results_fr = retriever_fr.get_relevant_documents(query)
+    context_fr_list = []
+    for _, result in enumerate(results_fr[:top_k], start=1):
+        context_fr_list.append(result.page_content)
+    return context_fr_list
+
+
+#########################
+# 2. PROMPT & LLM FR   #
+#########################
+
+prompt_template_fr = PromptTemplate(
+    input_variables=["context", "query"],
+    template=(
+        """[SYSTEM]
+Vous êtes un assistant client professionnel, expérimenté et bienveillant pour l'opérateur téléphonique INWI. 
+Vous excellez dans la gestion des clients, en répondant à leurs problèmes et questions.
+Fournir un service client et des conseils en se basant sur les contextes fournis :
+- Répondre aux salutations de manière courtoise et amicale, par exemple : "Je suis l'assistant IA d'INWI'. Comment puis-je vous aider aujourd'hui ?" 
+- Identifier le besoin du client et demander des clarifications si nécessaire, tout en s'appuyant uniquement sur le contexte.
+- Si la question n'est pas liée au contexte d'INWI, veuillez informer poliment que vous ne pouvez pas répondre à des questions hors contexte INWI.
+- Si la réponse ne figure pas dans le contexte, vous pouvez dire "Je n'ai pas assez d'information" et proposer d'appeler le service client au 120.
+- Structurer les réponses de manière concise et efficace. Et n'inventez pas d'infos non présentes dans le contexte.
+- Informer le client qu’il peut vous recontacter pour toute assistance supplémentaire.
+- Ne parlez pas des concurrents qui offrent la meme service d'INWI.
+- Si la réponse n'exist pas dans le context explicitement ne repons pas.
+- Ne jamais insulter ou répondre à une insulte.
+- Ne demandez pas d’informations personnelles ou d’identification du client.
+- Orientez vers le catalogue sur le site web INWI si la question concerne une offre du catalogue.
+- Donnez des solutions standard pour les problèmes techniques avec des options.
+- Avant de générer votre réponse, éliminez toutes les structures comme '[Action] [texte]' et gardez uniquement les informations utiles.
+- Ne jamais parler des sujets suivants : [
+    "politique", "élections", "partis", "gouvernement", "lois", "réformes",
+    "religion", "croyances", "pratiques religieuses", "théologie",
+    "moralité", "débat", "philosophie", "éthique", "discrimination",
+    "concurrence", "Maroc Telecom", "IAM", "Orange", "comparaison",
+    "sécurité", "fraude", "santé", "médicaments", "traitement", "diagnostic", "maladie",
+    "finance", "investissement", "bourse", "crypto", "banque", "assurance",
+    "violence", "haine", "contenu explicite", "sexe", "adultes",
+    "illégal", "faux documents", "streaming illégal"
+]
+INWI est un opérateur de télécommunications marocain offrant des services mobiles, Internet et solutions de télécommunications
+pour les particuliers et les entreprises. Il se distingue par son engagement à fournir des services de qualité, innovants et 
+accessibles, tout en contribuant au développement numérique du pays.
+Les clients sont notre priorité, et notre but est de résoudre leurs problèmes. 
+Votre rôle est de fournir un service client professionnel et efficace sans inventer d'informations.
+
+[CONTEXTE]
+{context}
+
+[QUESTION DU CLIENT]
+{query}
+
+[RÉPONSE]"""
+    )
+)
+
+# Configuration du LLM HuggingFace (FR)
+os.environ["HUGGINGFACEHUB_API"]
+llm_fr = HuggingFaceHub(
+    repo_id="mistralai/Mistral-7B-Instruct-v0.3",
+    model_kwargs={
+        "temperature": 0.5,
+        "max_length": 500
+    }
+)
+
+# Chaîne FR
+llm_chain_fr = LLMChain(llm=llm_fr, prompt=prompt_template_fr)
+
+
+#########################
+# 3. STREAMLIT MAIN APP #
+#########################
+
+def main():
+    st.subheader("INWI IA Chatbot - Français")
+
+     # Read local image and convert to Base64
+    img_base64 = get_base64_of_bin_file("./img/logo inwi celeverlytics.png")
+    css_logo = f"""
+    <style>
+    [data-testid="stSidebarNav"]::before {{
+        content: "";
+        display: block;
+        margin: 0 auto 20px auto;
+        width: 80%;
+        height: 100px;
+        background-image: url("data:image/png;base64,{img_base64}");
+        background-size: contain;
+        background-repeat: no-repeat;
+        background-position: center;
+    }}
+    </style>
+    """
+
+    st.markdown(css_logo, unsafe_allow_html=True)
+
+    # Charger ou créer le retriever
+    if "retriever_fr" not in st.session_state:
+        st.session_state["retriever_fr"] = None
+
+    st.sidebar.header("Vector Store Options (FR)")
+    
+    if st.sidebar.button("Créer la Vector Store (FR)"):
+        with st.spinner("Extraction et création de la vector store FR..."):
+            excel_path = "Chatbot myinwi.xlsx"  
+            persist_directory_fr = "./chroma_db_fr"
+            vectorstore_fr = load_excel_and_create_vectorstore_fr(
+                excel_path=excel_path,
+                persist_dir=persist_directory_fr
+            )
+            st.session_state["retriever_fr"] = vectorstore_fr.as_retriever(
+                search_type="mmr",
+                search_kwargs={"k": 5, "lambda_mult": 0.5}
+            )
+        st.success("Vector store FR créée et chargée avec succès !")
+
+    if st.sidebar.button("Charger la Vector Store existante (FR)"):
+        with st.spinner("Chargement de la vector store FR existante..."):
+            persist_directory_fr = "./chroma_db_fr"
+            vectorstore_fr = load_existing_vectorstore_fr(persist_directory_fr)
+            st.session_state["retriever_fr"] = vectorstore_fr.as_retriever(
+                search_type="mmr",
+                search_kwargs={"k": 5, "lambda_mult": 0.5}
+            )
+        st.success("Vector store FR chargée avec succès !")
+
+    st.write("""Je suis là pour répondre à toutes vos questions concernant nos 
+            services, nos offres mobiles et Internet, ainsi que nos solutions adaptées à vos besoins (FR).""")
+
+    # Zone de texte
+    user_query_fr = st.chat_input("Posez votre question ici (FR)...")
+
+    if user_query_fr:
+        if not st.session_state["retriever_fr"]:
+            st.warning("Veuillez d'abord créer ou charger la Vector Store (FR).")
+            return
+        
+        # Récupération du contexte
+        context_fr_list = retrieve_context_fr(st.session_state["retriever_fr"], user_query_fr, top_k=5)
+
+        if context_fr_list:
+            with st.spinner("Génération de la réponse..."):
+                response_fr = llm_chain_fr.run({"context": "\n".join(context_fr_list), "query": user_query_fr})
+                # Séparer si jamais le prompt contient [RÉPONSE], sinon on affiche tout
+                response_fr = response_fr.split("[RÉPONSE]")[-1]
+            st.write("**Question :**")
+            st.write(user_query_fr)
+            st.write("**Réponse :**")
+            st.write(response_fr)
+        else:
+            st.write("Aucun contexte trouvé pour cette question. Essayez autre chose.")
+
+
+if __name__ == "__main__":
+    main()
+
+