Update app.py

app.py

@@ -1,64 +1,185 @@
+import os
 import gradio as gr
-from huggingface_hub import InferenceClient
+import requests
+from crewai import Agent, Task, Crew, Process
+from dotenv import load_dotenv
+from langchain_openai import ChatOpenAI
+from langchain_community.tools import DuckDuckGoSearchRun, DuckDuckGoSearchResults
+from crewai_tools import tool, SeleniumScrapingTool, ScrapeWebsiteTool
+from duckduckgo_search import DDGS
 
-"""
-For more information on `huggingface_hub` Inference API support, please check the docs: https://huggingface.co/docs/huggingface_hub/v0.22.2/en/guides/inference
-"""
-client = InferenceClient("HuggingFaceH4/zephyr-7b-beta")
+from newspaper import Article
 
+load_dotenv()
 
-def respond(
-    message,
-    history: list[tuple[str, str]],
-    system_message,
-    max_tokens,
-    temperature,
-    top_p,
-):
-    messages = [{"role": "system", "content": system_message}]
+# Ensure essential environment variables are set
+openai_api_key = os.getenv('OPENAI_API_KEY')
+if not openai_api_key:
+    raise EnvironmentError("OPENAI_API_KEY is not set in environment variables")
 
-    for val in history:
-        if val[0]:
-            messages.append({"role": "user", "content": val[0]})
-        if val[1]:
-            messages.append({"role": "assistant", "content": val[1]})
+def fetch_content(url):
+    try:
+        article = Article(url)
+        article.download()
+        article.parse()
+        return article.text
+    except Exception as e:
+        print("ERROR: " + str(e))
+        return f"Error fetching content: {e}"
 
-    messages.append({"role": "user", "content": message})
+# Define the DuckDuckGoSearch tool
+@tool('DuckDuckGoSearchResults')
+def search_results(search_query: str) -> dict:
+    """
+    Effectue une recherche sur le Web pour rassembler et renvoyer une collection de résultats de recherche.
+    Cet outil automatise la récupération d'informations Web liées à une requête spécifiée.
+    Args :
+    - search_query (str) : La chaîne de requête qui spécifie les informations à rechercher sur le Web. Il doit s'agir d'une expression claire et concise des besoins d'information de l'utilisateur.
+    Retours :
+    - list : Une liste de dictionnaires, où chaque dictionnaire représente un résultat de recherche. Chaque dictionnaire comprend un « extrait » de la page et le « lien » avec l'URL qui y renvoie.
+    """
+    results = DDGS().text(search_query, max_results=5, timelimit='m')
+    results_list = [{"title": result['title'], "snippet": result['body'], "link": result['href']} for result in results]
+    return results_list
 
-    response = ""
+@tool('WebScrapper')
+def web_scrapper(url: str, topic: str) -> str:
+    """
+    Un outil conçu pour extraire et lire le contenu d'un lien spécifié et générer un résumé sur un sujet spécifique.
+    Il est capable de gérer différents types de pages Web en effectuant des requêtes HTTP et en analysant le contenu HTML reçu.
+    Cet outil est particulièrement utile pour les tâches de web scraping, la collecte de données ou l'extraction d'informations spécifiques à partir de sites Web.
+    
+    Args:
+    - url (str) : L'URL à partir de laquelle récupérer le contenu.
+    - topic (str) : Le sujet spécifique sur lequel générer un résumé.
+    Returns:
+    - summary (str): résumé de l'url sur le sujet
+    """
+    # Scrape content from the specified URL
+    content = fetch_content(url)
+    
+    # Prepare the prompt for generating the summary
+    prompt = f"Générer un résumé du contenu suivant sur le sujet ## {topic} ### \n\nCONTENT:\n\n" + content
+    
+    # Generate the summary using OpenAI
+    openai_llm = ChatOpenAI(temperature=0.4, model_name="gpt-3.5-turbo")
+    response = openai_llm.invoke(prompt)
 
-    for message in client.chat_completion(
-        messages,
-        max_tokens=max_tokens,
-        stream=True,
-        temperature=temperature,
-        top_p=top_p,
-    ):
-        token = message.choices[0].delta.content
+    summary_response = f"""###
+    Summary:
+    {response.content}
+    
+    URL: {url}
+    ###
+    """
+    
+    return summary_response
 
-        response += token
-        yield response
+def kickoff_crew(topic: str, model_choice: str) -> str:
+    try:
+        # Initialize the OpenAI language model
+        openai_llm = ChatOpenAI(temperature=0, model_name=model_choice)
+    
+        # Define Agents with OpenAI LLM
+        researcher = Agent(
+            role='Researcher',
+            goal=f'Rechercher et collecter des informations détaillées sur le sujet ## {topic} ##',
+            tools=[search_results, web_scrapper],
+            llm=openai_llm,
+            backstory=(
+                "Vous êtes un chercheur méticuleux, habile à parcourir de grandes quantités d'informations pour en extraire des informations essentielles sur un sujet donné. "
+                "Votre souci du détail garantit la fiabilité et l'exhaustivité de vos découvertes. "
+                "Avec une approche stratégique, vous analysez et documentez soigneusement les données, dans le but de fournir des résultats précis et fiables."
+            ),
+            allow_delegation=False,
+            max_iter=15,
+            max_rpm=20,
+            memory=True,
+            verbose=True
+        )
 
+        
+        editor = Agent(
+            role='Editor',
+            goal=f'Compiler et affiner les informations dans un rapport complet sur le sujet ## {topic} ##',
+            llm=openai_llm,
+            backstory=(
+                "En tant qu'éditeur expert, vous êtes spécialisé dans la transformation de données brutes en rapports clairs et attrayants. "
+                "Votre maîtrise de la langue et votre souci du détail garantissent que chaque rapport ne transmet pas seulement des informations essentielles"
+                "mais il est également facilement compréhensible et attrayant pour des publics divers."
+            ),
+            allow_delegation=False,
+            max_iter=5,
+            max_rpm=15,
+            memory=True,
+            verbose=True
+        )
+        
+        # Define Tasks
+        research_task = Task(
+            description=(
+                f"Utilisez l'outil DuckDuckGoSearchResults pour collecter des extraits de recherche initiaux sur ## {topic} ##. "
+                f"Si des recherches plus détaillées sont nécessaires, générez et exécutez de nouvelles requêtes liées à ## {topic} ##. "
+                "Ensuite, utilisez l'outil WebScrapper pour approfondir les URL importantes identifiées à partir des extraits de code, en extrayant ainsi des informations et des insights supplémentaires. "
+                "Compilez ces résultats dans un avant-projet, en documentant toutes les sources, titres et liens pertinents associés au sujet. "
+                "Assurez une grande précision tout au long du processus et évitez toute fabrication ou fausse représentation des informations."
+            ),
+            expected_output=(
+                "Un projet de rapport structuré sur le sujet, comprenant une introduction, un corps principal détaillé organisé par différents aspects du sujet et une conclusion. "
+                "Chaque section doit citer correctement les sources, fournissant un aperçu complet des informations recueillies."
+            ),
+            agent=researcher
+        )
 
-"""
-For information on how to customize the ChatInterface, peruse the gradio docs: https://www.gradio.app/docs/chatinterface
-"""
-demo = gr.ChatInterface(
-    respond,
-    additional_inputs=[
-        gr.Textbox(value="You are a friendly Chatbot.", label="System message"),
-        gr.Slider(minimum=1, maximum=2048, value=512, step=1, label="Max new tokens"),
-        gr.Slider(minimum=0.1, maximum=4.0, value=0.7, step=0.1, label="Temperature"),
-        gr.Slider(
-            minimum=0.1,
-            maximum=1.0,
-            value=0.95,
-            step=0.05,
-            label="Top-p (nucleus sampling)",
-        ),
-    ],
-)
+        
+        edit_task = Task(
+            description=(
+                "Révisez et affinez le projet de rapport initial de la tâche de recherche. Organisez le contenu de manière logique pour améliorer le flux d'informations. "
+                "Vérifiez l'exactitude de toutes les données, corrigez les écarts et mettez à jour les informations pour vous assurer qu'elles reflètent les connaissances actuelles et qu'elles sont bien étayées par les sources. "
+                "Améliorez la lisibilité du rapport en améliorant la clarté du langage, en ajustant les structures de phrases et en maintenant un ton cohérent. "
+                "Inclure une section répertoriant toutes les sources utilisées, formatée sous forme de puces suivant ce modèle : "
+                "- titre : url'."
+            ),
+            expected_output=(
+                f"Un rapport soigné et complet sur le sujet ## {topic} ##, avec un récit clair et professionnel qui reflète fidèlement les résultats de la recherche. "
+               "Le rapport doit comprendre une introduction, une section de discussion approfondie, une conclusion concise et une liste de sources bien organisée. "
+                "Assurez-vous que le document est grammaticalement correct et prêt à être publié ou présenté."
+            ),
+            agent=editor,
+            context=[research_task]
+        )
+    
+        # Forming the Crew
+        crew = Crew(
+            agents=[researcher, editor],
+            tasks=[research_task, edit_task],
+            process=Process.sequential,
+        )
+    
+        # Kick-off the research process
+        result = crew.kickoff()
+        if not isinstance(result, str):
+            result = str(result)
+        return result
+    except Exception as e:
+        return f"Error: {str(e)}"
 
+def main():
+    """Set up the Gradio interface for the CrewAI Research Tool."""
+    with gr.Blocks() as demo:
+        gr.Markdown("## Martian CrewAI Research Tool")
+        topic_input = gr.Textbox(label="Entrer le sujet de recherche", placeholder="Écrivez le sujet ici..")
+        model_choice = gr.Radio(choices=["gpt-3.5-turbo", "gpt-4"], label="Choissisez un modèle")
+        submit_button = gr.Button("Commencez la Recherche!")
+        output = gr.Markdown(label="Résultats")
+
+        submit_button.click(
+            fn=kickoff_crew,
+            inputs=[topic_input, model_choice],
+            outputs=output
+        )
+
+    demo.launch(debug=True)
 
 if __name__ == "__main__":
-    demo.launch()
+    main()