Update agent_collaboratif_avid.py

agent_collaboratif_avid.py

@@ -1,1084 +1,1080 @@
-"""
-Agent Collaboratif LangGraph pour l'Université Gustave Eiffel
-===============================================================
-
-Ce script implémente un agent collaboratif multi-base utilisant LangGraph pour orchestrer
-des recherches dans 4 bases vectorielles Pinecone liées aux thématiques de Ville Durable.
-
-Architecture:
-- Workflow LangGraph avec nodes spécialisés
-- Retrievers Langchain-Pinecone avec similarity search + score
-- Filtrage par catégorie pour chaque base
-- Validation anti-hallucination en boucle
-- Orchestration intelligente des recherches
-
-Prérequis:
-- pip install langgraph langchain langchain-pinecone langchain-openai pinecone
-- Variables d'environnement: PINECONE_API_KEY, OPENAI_API_KEY
-"""
-
-import os
-import json
-from typing import TypedDict, Annotated, List, Dict, Any, Sequence
-from operator import add
-
-from langchain_openai import ChatOpenAI
-from langchain_pinecone import PineconeVectorStore
-from langchain_core.embeddings import Embeddings
-from langchain_core.documents import Document
-from langchain_core.messages import BaseMessage, HumanMessage, AIMessage, SystemMessage
-from langchain_core.prompts import ChatPromptTemplate
-from langchain_core.output_parsers import JsonOutputParser
-
-from langgraph.graph import StateGraph, END
-from langgraph.prebuilt import ToolNode
-#from langgraph.checkpoint.memory import MemorySaver
-
-from pinecone import Pinecone
-import asyncio
-
-# =============================================================================
-# CONFIGURATION GLOBALE
-# =============================================================================
-
-# Configuration API
-PINECONE_API_KEY = os.environ.get("PINECONE_API_KEY")
-#OPENAI_API_KEY = os.environ.get("OPENAI_API_KEY")
-#OPENAI_BASE_URL = os.environ.get("OPENAI_BASE_URL")
-#OPENAI_MODEL_NAME = os.environ.get("OPENAI_MODEL_NAME")
-
-OPENAI_API_KEY="sk-b8b00f8614a2496aa013103aaa53e753"
-OPENAI_MODEL_NAME="mistralai/Mistral-Small-3.1-24B-Instruct-2503"
-OPENAI_BASE_URL="https://ragarenn.eskemm-numerique.fr/sso/ch@t/api"
-
-HUGGINGFACE_MODEL = os.environ.get("HUGGINGFACE_MODEL", "sentence-transformers/all-mpnet-base-v2")
-PINECONE_INDEX_NAME = "all-jdlp"
-
-# Configuration modèle
-MAX_VALIDATION_LOOPS = 1
-SIMILARITY_TOP_K = 10
-SIMILARITY_SCORE_THRESHOLD = 0.5
-
-# Validation des variables d'environnement
-if not PINECONE_API_KEY:
-    raise ValueError("❌ PINECONE_API_KEY non définie. Exécutez: export PINECONE_API_KEY='votre-clé'")
-if not OPENAI_API_KEY:
-    raise ValueError("❌ OPENAI_API_KEY non définie. Exécutez: export OPENAI_API_KEY='votre-clé'")
-
-# =============================================================================
-# EMBEDDINGS HUGGINGFACE
-# =============================================================================
-
-class HuggingFaceEmbeddings(Embeddings):
-    """
-    Classe d'embeddings utilisant HuggingFace Transformers.
-    """
-    
-    def __init__(self, model_name: str = HUGGINGFACE_MODEL):
-        """
-        Initialise les embeddings HuggingFace.
-        
-        Args:
-            model_name: Nom du modèle HuggingFace à utiliser
-        """
-        from sentence_transformers import SentenceTransformer
-        
-        self.model_name = model_name
-        print(f"🤗 Chargement du modèle HuggingFace: {model_name}")
-        self.model = SentenceTransformer(model_name)
-        self.dimension = self.model.get_sentence_embedding_dimension()
-        print(f"✅ Modèle chargé (dimension: {self.dimension})")
-    
-    def embed_documents(self, texts: List[str]) -> List[List[float]]:
-        """
-        Génère des embeddings pour une liste de documents.
-        
-        Args:
-            texts: Liste de textes à vectoriser
-            
-        Returns:
-            Liste de vecteurs d'embeddings
-        """
-        embeddings = self.model.encode(texts, convert_to_numpy=True)
-        return embeddings.tolist()
-    
-    def embed_query(self, text: str) -> List[float]:
-        """
-        Génère un embedding pour une requête unique.
-        
-        Args:
-            text: Texte de la requête
-            
-        Returns:
-            Vecteur d'embedding
-        """
-        embedding = self.model.encode(text, convert_to_numpy=True)
-        return embedding.tolist()
-
-# =============================================================================
-# DÉFINITION DE L'ÉTAT DU GRAPHE
-# =============================================================================
-
-class AgentState(TypedDict):
-    """État global du workflow LangGraph."""
-    messages: Annotated[Sequence[BaseMessage], add]
-    user_query: str
-    query_analysis: Dict[str, Any]
-    collected_information: List[Dict[str, Any]]
-    validation_results: List[Dict[str, Any]]
-    final_response: str
-    iteration_count: int
-    errors: List[str]
-    additional_information: List[Dict[str, Any]]  # Nouvelles infos similaires
-
-# =============================================================================
-# INITIALISATION DES RETRIEVERS PINECONE
-# =============================================================================
-
-class PineconeRetrieverManager:
-    """Gestionnaire centralisé des retrievers Pinecone."""
-    
-    def __init__(self):
-        """Initialise le gestionnaire et crée les 4 retrievers spécialisés."""
-        print("🔧 Initialisation du gestionnaire Pinecone...")
-        
-        self.pc = Pinecone(api_key=PINECONE_API_KEY)
-        self.index = self.pc.Index(PINECONE_INDEX_NAME)
-        
-        # Utilisation de HuggingFace Embeddings
-        self.embeddings = HuggingFaceEmbeddings()
-        
-        self.retrievers = {
-            "laboratoires": self._create_retriever(
-                category="FICHELABOTHEMATIQUEAVID",
-                description="Laboratoires et thématiques Ville Durable"
-            ),
-            "formations": self._create_retriever(
-                category="FORMATIONTHEMATIQUEAVID",
-                description="Formations liées à la Ville Durable"
-            ),
-            "recherche": self._create_retriever(
-                category="RECHERCHETHEMATIQUEAVID",
-                description="Axes de recherche et partenariats"
-            ),
-            "publications": self._create_retriever(
-                category="PUBLICATIONTHEMATIQUEAVID",
-                description="Publications scientifiques"
-            )
-        }
-        
-        print("✅ Gestionnaire Pinecone initialisé avec 4 retrievers\n")
-    
-    def _create_retriever(self, category: str, description: str):
-        """Crée un retriever Pinecone avec filtrage par catégorie."""
-        vectorstore = PineconeVectorStore(
-            index=self.index,
-            embedding=self.embeddings,
-            text_key="text",
-            namespace=""
-        )
-        
-        retriever = vectorstore.as_retriever(
-            search_type="similarity_score_threshold",
-            search_kwargs={
-                "k": SIMILARITY_TOP_K,
-                "score_threshold": SIMILARITY_SCORE_THRESHOLD,
-                "filter": {"categorie": {"$eq": category}}
-            }
-        )
-        
-        retriever.metadata = {
-            "category": category,
-            "description": description
-        }
-        
-        return retriever
-    
-    def get_retriever(self, retriever_name: str):
-        """Récupère un retriever par son nom."""
-        return self.retrievers.get(retriever_name)
-    
-    def search_all_databases(self, query: str, exclude_categories: List[str] = None) -> List[Dict[str, Any]]:
-        """
-        Recherche dans toutes les bases pour trouver des informations similaires.
-        
-        Args:
-            query: Requête de recherche
-            exclude_categories: Catégories à exclure de la recherche
-            
-        Returns:
-            Liste des informations similaires trouvées
-        """
-        exclude_categories = exclude_categories or []
-        similar_info = []
-        
-        for db_name, retriever in self.retrievers.items():
-            if retriever.metadata["category"] in exclude_categories:
-                continue
-            
-            try:
-                documents = retriever.get_relevant_documents(query)
-                
-                if documents:
-                    for doc in documents:
-                        similar_info.append({
-                            "database": db_name,
-                            "category": retriever.metadata["category"],
-                            "content": doc.page_content,
-                            "metadata": doc.metadata,
-                            "score": getattr(doc, 'score', None)
-                        })
-            except Exception as e:
-                print(f"⚠️ Erreur recherche similaires dans '{db_name}': {str(e)}")
-        
-        return similar_info
-
-retriever_manager = PineconeRetrieverManager()
-
-# =============================================================================
-# NODE 1: ANALYSE DE LA REQUÊTE
-# =============================================================================
-def analyze_query_node(state: AgentState) -> AgentState:
-    """Node d'analyse de la requête utilisateur."""
-    print(f"\n{'='*80}")
-    print(f"📊 NODE 1: ANALYSE DE LA REQUÊTE")
-    print(f"{'='*80}")
-    print(f"🔍 Requête: {state['user_query']}\n")
-    
-    llm = ChatOpenAI(
-        model=OPENAI_MODEL_NAME,
-        base_url=OPENAI_BASE_URL,
-        api_key=OPENAI_API_KEY,
-        temperature=0
-    )
-    
-    analysis_prompt = ChatPromptTemplate.from_messages([
-        ("system", """Tu es un expert de l'Université Gustave Eiffel spécialisé dans les thématiques de Ville Durable.
-
-Analyse la requête et détermine quelle(s) base(s) de données interroger parmi:
-
-1. **laboratoires** (FICHELABOTHEMATIQUEAVID)
-2. **formations** (FORMATIONTHEMATIQUEAVID)
-3. **recherche** (RECHERCHETHEMATIQUEAVID)
-4. **publications** (PUBLICATIONTHEMATIQUEAVID)
-
-Réponds UNIQUEMENT en JSON valide."""),
-        ("human", """{user_query}
-
-Format de réponse attendu:
-{{
-    "databases_to_query": ["laboratoires", "formations", "recherche", "publications"],
-    "priorities": {{
-        "laboratoires": "high",
-        "formations": "medium",
-        "recherche": "low",
-        "publications": "high"
-    }},
-    "optimized_queries": {{
-        "laboratoires": "requête optimisée",
-        "formations": "requête optimisée",
-        "recherche": "requête optimisée",
-        "publications": "requête optimisée"
-    }},
-    "analysis_summary": "résumé de l'analyse"
-}}""")
-    ])
-    
-    json_parser = JsonOutputParser()
-    analysis_chain = analysis_prompt | llm | json_parser
-    
-    try:
-        query_analysis = analysis_chain.invoke({"user_query": state["user_query"]})
-        
-        print(f"✅ Bases identifiées: {', '.join(query_analysis['databases_to_query'])}")
-        print(f"✅ {query_analysis['analysis_summary']}\n")
-        
-        state["query_analysis"] = query_analysis
-        state["messages"].append(AIMessage(content=f"Analyse terminée: {query_analysis['analysis_summary']}"))
-        
-    except Exception as e:
-        error_msg = f"Erreur lors de l'analyse: {str(e)}"
-        print(f"❌ {error_msg}")
-        state["errors"].append(error_msg)
-        state["query_analysis"] = {
-            "databases_to_query": ["laboratoires"],
-            "priorities": {"laboratoires": "high"},
-            "optimized_queries": {"laboratoires": state["user_query"]},
-            "analysis_summary": "Analyse par défaut suite à erreur"
-        }
-    
-    return state
-
-# =============================================================================
-# NODE 2: COLLECTE D'INFORMATIONS
-# =============================================================================
-
-def collect_information_node(state: AgentState) -> AgentState:
-    """Node de collecte d'informations depuis les bases Pinecone."""
-    print(f"\n{'='*80}")
-    print(f"🔎 NODE 2: COLLECTE D'INFORMATIONS DEPUIS PINECONE")
-    print(f"{'='*80}\n")
-    
-    query_analysis = state["query_analysis"]
-    collected_info = []
-    
-    priorities_order = {"high": 0, "medium": 1, "low": 2}
-    databases = sorted(
-        query_analysis["databases_to_query"],
-        key=lambda db: priorities_order.get(query_analysis["priorities"].get(db, "low"), 2)
-    )
-    
-    for db_name in databases:
-        retriever = retriever_manager.get_retriever(db_name)
-        if not retriever:
-            print(f"⚠️ Retriever '{db_name}' non trouvé, ignoré.")
-            continue
-        
-        query = query_analysis["optimized_queries"].get(db_name, state["user_query"])
-        priority = query_analysis["priorities"].get(db_name, "low")
-        
-        print(f"🔍 Recherche dans '{db_name}' (priorité: {priority})")
-        print(f"   Requête: {query[:80]}...")
-        
-        try:
-            documents = retriever.get_relevant_documents(query)
-            
-            if documents:
-                print(f"   ✅ {len(documents)} résultat(s) trouvé(s)")
-                
-                results = []
-                for doc in documents:
-                    results.append({
-                        "content": doc.page_content,
-                        "metadata": doc.metadata,
-                        "score": getattr(doc, 'score', None)
-                    })
-                
-                collected_info.append({
-                    "database": db_name,
-                    "category": retriever.metadata["category"],
-                    "query": query,
-                    "priority": priority,
-                    "results_count": len(results),
-                    "results": results
-                })
-            else:
-                print(f"   ℹ️ Aucun résultat")
-                
-        except Exception as e:
-            error_msg = f"Erreur lors de la recherche dans '{db_name}': {str(e)}"
-            print(f"   ❌ {error_msg}")
-            state["errors"].append(error_msg)
-    
-    print(f"\n✅ Collecte terminée: {len(collected_info)} base(s) interrogée(s)\n")
-    
-    state["collected_information"] = collected_info
-    state["messages"].append(AIMessage(
-        content=f"Collecte terminée depuis {len(collected_info)} bases Pinecone"
-    ))
-    
-    return state
-
-# =============================================================================
-# NODE 3: GÉNÉRATION DE LA RÉPONSE
-# =============================================================================
-
-def generate_response_node(state: AgentState) -> AgentState:
-    """Node de génération de la réponse finale."""
-    print(f"\n{'='*80}")
-    print(f"✏️ NODE 3: GÉNÉRATION DE LA RÉPONSE")
-    print(f"{'='*80}\n")
-    
-    llm = ChatOpenAI(
-        model=OPENAI_MODEL_NAME,
-        base_url=OPENAI_BASE_URL,
-        api_key=OPENAI_API_KEY,
-        temperature=0.3
-    )
-    
-    context_parts = []
-    for info in state["collected_information"]:
-        context_parts.append(f"\n### Base: {info['database']} (Catégorie: {info['category']})")
-        context_parts.append(f"Requête: {info['query']}")
-        context_parts.append(f"Résultats: {info['results_count']}")
-        
-        for idx, result in enumerate(info['results'], 1):
-            context_parts.append(f"\nRésultat {idx}:")
-            context_parts.append(f"Score: {result.get('score', 'N/A')}")
-            context_parts.append(f"Contenu: {result['content'][:500]}...")
-            if result['metadata']:
-                context_parts.append(f"Métadonnées: {json.dumps(result['metadata'], ensure_ascii=False)}")
-    
-    context = "\n".join(context_parts)
-    
-    generation_prompt = ChatPromptTemplate.from_messages([
-        ("system", """Tu es un assistant expert de l'Université Gustave Eiffel spécialisé en Ville Durable.
-
-RÈGLES STRICTES:
-1. Base ta réponse EXCLUSIVEMENT sur les informations fournies dans le contexte Pinecone
-2. Ne JAMAIS inventer ou extrapoler d'informations
-3. Cite précisément les sources (nom de la base, catégorie Pinecone)
-4. Si une information n'est pas dans les sources, indique-le clairement
-5. Structure ta réponse de manière claire et professionnelle
-6. Mentionne les métadonnées pertinentes (laboratoires, formations, auteurs, etc.)"""),
-        ("human", """REQUÊTE UTILISATEUR:
-{user_query}
-
-CONTEXTE PINECONE (SOURCES VÉRIFIÉES):
-{context}
-
-Génère une réponse professionnelle basée uniquement sur ces sources.""")
-    ])
-    
-    generation_chain = generation_prompt | llm
-    
-    try:
-        response = generation_chain.invoke({
-            "user_query": state["user_query"],
-            "context": context
-        })
-        
-        final_response = response.content
-        print(f"✅ Réponse générée ({len(final_response)} caractères)\n")
-        
-        state["final_response"] = final_response
-        state["messages"].append(AIMessage(content=final_response))
-        
-    except Exception as e:
-        error_msg = f"Erreur lors de la génération: {str(e)}"
-        print(f"❌ {error_msg}")
-        state["errors"].append(error_msg)
-        state["final_response"] = f"Erreur lors de la génération de la réponse: {str(e)}"
-    
-    return state
-
-# =============================================================================
-# NODE 4: VALIDATION ANTI-HALLUCINATION
-# =============================================================================
-
-def validate_response_node(state: AgentState) -> AgentState:
-    """Node de validation anti-hallucination."""
-    print(f"\n{'='*80}")
-    print(f"✅ NODE 4: VALIDATION ANTI-HALLUCINATION")
-    print(f"{'='*80}")
-    
-    iteration = state["iteration_count"] + 1
-    print(f"🔄 Itération {iteration}/{MAX_VALIDATION_LOOPS}\n")
-    
-    llm = ChatOpenAI(
-        model=OPENAI_MODEL_NAME,
-        base_url=OPENAI_BASE_URL,
-        api_key=OPENAI_API_KEY,
-        temperature=0
-    )
-    
-    validation_prompt = ChatPromptTemplate.from_messages([
-        ("system", """Tu es un validateur strict pour l'Université Gustave Eiffel.
-
-Vérifie que CHAQUE élément de la réponse est STRICTEMENT basé sur les sources Pinecone fournies.
-
-Sois IMPITOYABLE: mieux vaut rejeter une bonne réponse que laisser passer une hallucination."""),
-        ("human", """RÉPONSE À VALIDER:
-{response}
-
-SOURCES PINECONE (VÉRITÉ ABSOLUE):
-{sources}
-
-Réponds en JSON valide:
-{{
-    "is_valid": true/false,
-    "confidence_score": 0-100,
-    "hallucinations_detected": ["liste précise des hallucinations"],
-    "missing_information": ["informations manquantes si dans sources"],
-    "incorrect_facts": ["faits incorrects ou mal attribués"],
-    "validation_message": "message détaillé avec recommandations"
-}}""")
-    ])
-    
-    json_parser = JsonOutputParser()
-    validation_chain = validation_prompt | llm | json_parser
-    
-    try:
-        sources_json = json.dumps(
-            state["collected_information"],
-            ensure_ascii=False,
-            indent=2
-        )
-        
-        validation_result = validation_chain.invoke({
-            "response": state["final_response"],
-            "sources": sources_json
-        })
-        
-        print(f"📊 Confiance: {validation_result['confidence_score']}%")
-        print(f"📊 Valide: {validation_result['is_valid']}")
-        
-        if validation_result['hallucinations_detected']:
-            print(f"⚠️ Hallucinations détectées: {len(validation_result['hallucinations_detected'])}")
-            for hall in validation_result['hallucinations_detected']:
-                print(f"   - {hall}")
-        else:
-            print(f"✅ Aucune hallucination détectée")
-        
-        state["validation_results"].append(validation_result)
-        state["iteration_count"] = iteration
-        
-    except Exception as e:
-        error_msg = f"Erreur lors de la validation: {str(e)}"
-        print(f"❌ {error_msg}")
-        state["errors"].append(error_msg)
-        
-        validation_result = {
-            "is_valid": False,
-            "confidence_score": 0,
-            "hallucinations_detected": [f"Erreur de validation: {str(e)}"],
-            "missing_information": [],
-            "incorrect_facts": [],
-            "validation_message": "Erreur lors de la validation"
-        }
-        state["validation_results"].append(validation_result)
-        state["iteration_count"] = iteration
-    
-    print()
-    return state
-
-# =============================================================================
-# NODE 5: REFINEMENT
-# =============================================================================
-
-def refine_response_node(state: AgentState) -> AgentState:
-    """Node de refinement de la réponse."""
-    print(f"\n{'='*80}")
-    print(f"⚙️ NODE 5: REFINEMENT (CORRECTION)")
-    print(f"{'='*80}\n")
-    
-    last_validation = state["validation_results"][-1]
-    
-    print(f"🔧 Correction des problèmes détectés:")
-    print(f"   - Hallucinations: {len(last_validation['hallucinations_detected'])}")
-    print(f"   - Faits incorrects: {len(last_validation['incorrect_facts'])}")
-    print(f"   - Infos manquantes: {len(last_validation['missing_information'])}\n")
-    
-    llm = ChatOpenAI(
-        model=OPENAI_MODEL_NAME,
-        base_url=OPENAI_BASE_URL,
-        api_key=OPENAI_API_KEY,
-        temperature=0.2
-    )
-    
-    refinement_prompt = ChatPromptTemplate.from_messages([
-        ("system", """Tu es un correcteur expert pour l'Université Gustave Eiffel.
-
-Corrige la réponse précédente en éliminant TOUTES les hallucinations et erreurs."""),
-        ("human", """RÉPONSE PRÉCÉDENTE (AVEC ERREURS):
-{previous_response}
-
-PROBLÈMES DÉTECTÉS:
-{validation_issues}
-
-SOURCES PINECONE (VÉRITÉ ABSOLUE):
-{sources}
-
-Génère une réponse corrigée, précise et vérifiable.""")
-    ])
-    
-    refinement_chain = refinement_prompt | llm
-    
-    try:
-        validation_issues = json.dumps({
-            "hallucinations": last_validation['hallucinations_detected'],
-            "incorrect_facts": last_validation['incorrect_facts'],
-            "missing_information": last_validation['missing_information'],
-            "validation_message": last_validation['validation_message']
-        }, ensure_ascii=False, indent=2)
-        
-        sources_json = json.dumps(
-            state["collected_information"],
-            ensure_ascii=False,
-            indent=2
-        )
-        
-        response = refinement_chain.invoke({
-            "previous_response": state["final_response"],
-            "validation_issues": validation_issues,
-            "sources": sources_json
-        })
-        
-        refined_response = response.content
-        print(f"✅ Réponse corrigée générée ({len(refined_response)} caractères)\n")
-        
-        state["final_response"] = refined_response
-        state["messages"].append(AIMessage(
-            content=f"Réponse corrigée (itération {state['iteration_count']})"
-        ))
-        
-    except Exception as e:
-        error_msg = f"Erreur lors du refinement: {str(e)}"
-        print(f"❌ {error_msg}")
-        state["errors"].append(error_msg)
-    
-    return state
-
-# =============================================================================
-# NODE 6: COLLECTE D'INFORMATIONS SIMILAIRES
-# =============================================================================
-
-def collect_similar_information_node(state: AgentState) -> AgentState:
-    """
-    Node de collecte d'informations similaires depuis les autres bases.
-    """
-    print(f"\n{'='*80}")
-    print(f"🔗 NODE 6: COLLECTE D'INFORMATIONS SIMILAIRES")
-    print(f"{'='*80}\n")
-    
-    # Catégories déjà utilisées
-    used_categories = [info["category"] for info in state["collected_information"]]
-    
-    # Recherche dans les autres bases
-    print(f"🔍 Recherche d'informations similaires dans les bases non consultées...")
-    similar_info = retriever_manager.search_all_databases(
-        query=state["user_query"],
-        exclude_categories=used_categories
-    )
-    
-    # Recherche aussi basée sur la réponse finale
-    if state.get("final_response"):
-        print(f"🔍 Recherche basée sur la réponse finale...")
-        response_based_info = retriever_manager.search_all_databases(
-            query=state["final_response"][:500],  # Limiter la taille
-            exclude_categories=used_categories
-        )
-        
-        # Fusionner et dédupliquer
-        for info in response_based_info:
-            if info not in similar_info:
-                similar_info.append(info)
-    
-    print(f"✅ {len(similar_info)} information(s) similaire(s) trouvée(s)\n")
-    
-    state["additional_information"] = similar_info
-    
-    return state
-
-# =============================================================================
-# FONCTIONS DE ROUTAGE
-# =============================================================================
-
-def should_collect_information(state: AgentState) -> str:
-    if state.get("query_analysis") and state["query_analysis"].get("databases_to_query"):
-        return "collect"
-    return "end"
-
-def should_generate_response(state: AgentState) -> str:
-    if state.get("collected_information") and len(state["collected_information"]) > 0:
-        return "generate"
-    return "end"
-
-def should_validate(state: AgentState) -> str:
-    if state.get("final_response") and state["final_response"]:
-        return "validate"
-    return "end"
-
-def should_refine_or_collect_similar(state: AgentState) -> str:
-    if not state.get("validation_results") or len(state["validation_results"]) == 0:
-        return "collect_similar"
-    
-    last_validation = state["validation_results"][-1]
-    iteration = state["iteration_count"]
-    
-    is_valid = last_validation.get("is_valid", False)
-    confidence = last_validation.get("confidence_score", 0)
-    
-    if is_valid and confidence >= 85:
-        print(f"✅ Validation réussie (confiance: {confidence}%) - Collecte d'infos similaires\n")
-        return "collect_similar"
-    
-    if iteration >= MAX_VALIDATION_LOOPS:
-        print(f"⚠️ Nombre maximum d'itérations atteint ({MAX_VALIDATION_LOOPS}) - Collecte d'infos similaires\n")
-        return "collect_similar"
-    
-    print(f"🔄 Refinement nécessaire (confiance: {confidence}%, itération {iteration}/{MAX_VALIDATION_LOOPS})\n")
-    return "refine"
-
-# =============================================================================
-# CONSTRUCTION DU WORKFLOW
-# =============================================================================
-
-def create_agent_workflow() -> StateGraph:
-    """Crée et configure le workflow LangGraph complet."""
-    print("\n🗺️ Construction du workflow LangGraph...")
-    
-    workflow = StateGraph(AgentState)
-    
-    workflow.add_node("analyze_query", analyze_query_node)
-    workflow.add_node("collect_information", collect_information_node)
-    workflow.add_node("generate_response", generate_response_node)
-    workflow.add_node("validate_response", validate_response_node)
-    workflow.add_node("refine_response", refine_response_node)
-    workflow.add_node("collect_similar_information", collect_similar_information_node)
-    
-    workflow.set_entry_point("analyze_query")
-    
-    workflow.add_conditional_edges(
-        "analyze_query",
-        should_collect_information,
-        {
-            "collect": "collect_information",
-            "end": END
-        }
-    )
-    
-    workflow.add_conditional_edges(
-        "collect_information",
-        should_generate_response,
-        {
-            "generate": "generate_response",
-            "end": END
-        }
-    )
-    
-    workflow.add_conditional_edges(
-        "generate_response",
-        should_validate,
-        {
-            "validate": "validate_response",
-            "end": END
-        }
-    )
-    
-    workflow.add_conditional_edges(
-        "validate_response",
-        should_refine_or_collect_similar,
-        {
-            "refine": "refine_response",
-            "collect_similar": "collect_similar_information"
-        }
-    )
-    
-    workflow.add_edge("refine_response", "validate_response")
-    workflow.add_edge("collect_similar_information", END)
-    
-    #memory = MemorySaver()
-    #app = workflow.compile(checkpointer=memory)
-    app = workflow.compile()
-    
-    
-    print("✅ Workflow LangGraph construit avec succès\n")
-    
-    return app
-
-# =============================================================================
-# FONCTION D'EXÉCUTION
-# =============================================================================
-
-async def run_collaborative_agent(user_query: str) -> Dict[str, Any]:
-    """Exécute le workflow complet de l'agent collaboratif."""
-    print(f"\n{'='*80}")
-    print(f"🚀 AGENT COLLABORATIF - UNIVERSITÉ GUSTAVE EIFFEL")
-    print(f"{'='*80}")
-    print(f"🔍 Requête: {user_query}\n")
-    
-    app = create_agent_workflow()
-    
-    initial_state = {
-        "messages": [HumanMessage(content=user_query)],
-        "user_query": user_query,
-        "query_analysis": {},
-        "collected_information": [],
-        "validation_results": [],
-        "final_response": "",
-        "iteration_count": 0,
-        "errors": [],
-        "additional_information": []
-    }
-    
-    print(f"{'='*80}")
-    print(f"⚙️ EXÉCUTION DU WORKFLOW")
-    print(f"{'='*80}\n")
-    
-    try:
-        final_state = await app.ainvoke(initial_state)
-        
-        print(f"\n{'='*80}")
-        print(f"✨ PROCESSUS TERMINÉ")
-        print(f"{'='*80}\n")
-        
-        result = {
-            "query": user_query,
-            "query_analysis": final_state.get("query_analysis", {}),
-            "collected_information": final_state.get("collected_information", []),
-            "validation_results": final_state.get("validation_results", []),
-            "final_response": final_state.get("final_response", ""),
-            "iteration_count": final_state.get("iteration_count", 0),
-            "errors": final_state.get("errors", []),
-            "additional_information": final_state.get("additional_information", []),
-            "sources_used": [
-                info["database"] 
-                for info in final_state.get("collected_information", [])
-            ],
-            "pinecone_index": PINECONE_INDEX_NAME
-        }
-        
-        return result
-        
-    except Exception as e:
-        error_msg = f"Erreur lors de l'exécution du workflow: {str(e)}"
-        print(f"\n❌ {error_msg}\n")
-        
-        return {
-            "query": user_query,
-            "query_analysis": {},
-            "collected_information": [],
-            "validation_results": [],
-            "final_response": f"Erreur: {error_msg}",
-            "iteration_count": 0,
-            "errors": [error_msg],
-            "additional_information": [],
-            "sources_used": [],
-            "pinecone_index": PINECONE_INDEX_NAME
-        }
-
-# =============================================================================
-# FONCTION D'AFFICHAGE DES RÉSULTATS
-# =============================================================================
-
-def display_results(result: Dict[str, Any]) -> None:
-    """
-    Affiche les résultats de manière formatée et lisible.
-    
-    Args:
-        result: Dictionnaire des résultats du workflow
-    """
-    print(f"\n{'='*80}")
-    print(f"📋 RÉPONSE FINALE")
-    print(f"{'='*80}")
-    print(result["final_response"])
-    
-    print(f"\n{'='*80}")
-    print(f"📊 MÉTADONNÉES DU TRAITEMENT")
-    print(f"{'='*80}")
-    print(f"🗄️ Index Pinecone: {result['pinecone_index']}")
-    print(f"📚 Sources consultées: {', '.join(result['sources_used']) if result['sources_used'] else 'Aucune'}")
-    print(f"🔄 Itérations de validation: {result['iteration_count']}")
-    
-    if result['validation_results']:
-        last_validation = result['validation_results'][-1]
-        print(f"✅ Score de confiance final: {last_validation.get('confidence_score', 0)}%")
-        print(f"✅ Validation finale: {'Réussie' if last_validation.get('is_valid') else 'Échouée'}")
-        
-        hallucinations = last_validation.get('hallucinations_detected', [])
-        print(f"⚠️ Hallucinations détectées: {len(hallucinations)}")
-        
-        if hallucinations:
-            print(f"\n⚠️ HALLUCINATIONS CORRIGÉES:")
-            for i, hall in enumerate(hallucinations, 1):
-                print(f"   {i}. {hall}")
-    
-    if result['errors']:
-        print(f"\n❌ ERREURS RENCONTRÉES:")
-        for i, error in enumerate(result['errors'], 1):
-            print(f"   {i}. {error}")
-    
-    print(f"\n{'='*80}")
-    print(f"📈 DÉTAILS DE LA COLLECTE")
-    print(f"{'='*80}")
-    for info in result['collected_information']:
-        print(f"\n📦 Base: {info['database']}")
-        print(f"   Catégorie: {info['category']}")
-        print(f"   Priorité: {info['priority']}")
-        print(f"   Résultats: {info['results_count']}")
-        print(f"   Requête: {info['query'][:80]}...")
-    
-    # Nouvelle section : Informations similaires
-    if result.get('additional_information') and len(result['additional_information']) > 0:
-        print(f"\n{'='*80}")
-        print(f"💡 LES INFORMATIONS QUI AURAIENT PU VOUS INTÉRESSER")
-        print(f"{'='*80}")
-        print(f"\nInformations similaires ou apparentées trouvées dans d'autres bases:\n")
-        
-        # Regrouper par base de données
-        grouped_info = {}
-        for info in result['additional_information']:
-            db_name = info['database']
-            if db_name not in grouped_info:
-                grouped_info[db_name] = []
-            grouped_info[db_name].append(info)
-        
-        # Afficher par base
-        for db_name, items in grouped_info.items():
-            print(f"\n{'─'*80}")
-            print(f"📚 Base: {db_name.upper()}")
-            print(f"   Catégorie Pinecone: {items[0]['category']}")
-            print(f"   Nombre de résultats: {len(items)}")
-            print(f"{'─'*80}\n")
-            
-            for idx, item in enumerate(items, 1):
-                print(f"   Résultat {idx}:")
-                print(f"   ├─ Score de similarité: {item['score']:.4f}" if item.get('score') else "   ├─ Score: N/A")
-                
-                # Affichage du contenu (limité)
-                content_preview = item['content'][:300]
-                if len(item['content']) > 300:
-                    content_preview += "..."
-                print(f"   ├─ Contenu: {content_preview}")
-                
-                # Affichage des métadonnées détaillées
-                if item.get('metadata'):
-                    metadata = item['metadata']
-                    print(f"   └─ Sources complètes:")
-                    
-                    # Extraire et afficher les métadonnées pertinentes
-                    if 'titre' in metadata or 'title' in metadata:
-                        titre = metadata.get('titre') or metadata.get('title')
-                        print(f"      • Titre: {titre}")
-                    
-                    if 'laboratoire' in metadata:
-                        print(f"      • Laboratoire: {metadata['laboratoire']}")
-                    
-                    if 'formation' in metadata:
-                        print(f"      • Formation: {metadata['formation']}")
-                    
-                    if 'auteur' in metadata or 'auteurs' in metadata or 'authors' in metadata:
-                        auteurs = metadata.get('auteur') or metadata.get('auteurs') or metadata.get('authors')
-                        print(f"      • Auteur(s): {auteurs}")
-                    
-                    if 'date' in metadata or 'annee' in metadata or 'year' in metadata:
-                        date = metadata.get('date') or metadata.get('annee') or metadata.get('year')
-                        print(f"      • Date/Année: {date}")
-                    
-                    if 'thematique' in metadata or 'thematiques' in metadata:
-                        them = metadata.get('thematique') or metadata.get('thematiques')
-                        print(f"      • Thématique(s): {them}")
-                    
-                    if 'niveau' in metadata:
-                        print(f"      • Niveau: {metadata['niveau']}")
-                    
-                    if 'competences' in metadata:
-                        print(f"      • Compétences: {metadata['competences']}")
-                    
-                    if 'equipements' in metadata:
-                        print(f"      • Équipements: {metadata['equipements']}")
-                    
-                    if 'axe_recherche' in metadata:
-                        print(f"      • Axe de recherche: {metadata['axe_recherche']}")
-                    
-                    if 'partenaires' in metadata or 'collaborations' in metadata:
-                        part = metadata.get('partenaires') or metadata.get('collaborations')
-                        print(f"      • Partenaires/Collaborations: {part}")
-                    
-                    if 'url' in metadata or 'lien' in metadata:
-                        url = metadata.get('url') or metadata.get('lien')
-                        print(f"      • Lien: {url}")
-                    
-                    if 'doi' in metadata:
-                        print(f"      • DOI: {metadata['doi']}")
-                    
-                    if 'source' in metadata:
-                        print(f"      • Source document: {metadata['source']}")
-                    
-                    # Métadonnées additionnelles
-                    displayed_keys = ['titre', 'title', 'laboratoire', 'formation', 'auteur', 'auteurs', 
-                                     'authors', 'date', 'annee', 'year', 'thematique', 'thematiques',
-                                     'niveau', 'competences', 'equipements', 'axe_recherche', 
-                                     'partenaires', 'collaborations', 'url', 'lien', 'doi', 'source',
-                                     'categorie', 'text']
-                    
-                    other_metadata = {k: v for k, v in metadata.items() if k not in displayed_keys}
-                    if other_metadata:
-                        print(f"      • Autres informations: {json.dumps(other_metadata, ensure_ascii=False, indent=8)}")
-                
-                print()  # Ligne vide entre les résultats
-        
-        print(f"\n{'='*80}")
-        print(f"💬 INTERPRÉTATION DES RÉSULTATS SIMILAIRES")
-        print(f"{'='*80}")
-        print("Ces informations proviennent de bases qui n'ont pas été prioritaires pour")
-        print("votre requête initiale, mais qui contiennent des éléments apparentés.")
-        print("Elles peuvent enrichir votre compréhension du sujet ou vous orienter")
-        print("vers des domaines connexes intéressants.\n")
-
-# =============================================================================
-# FONCTION MAIN
-# =============================================================================
-
-async def main():
-    """Fonction principale de l'application."""
-    
-    exemples_requetes = [
-        "Quels sont les laboratoires de l'université Gustave Eiffel travaillant sur la mobilité urbaine durable?",
-        "Je cherche des formations en master sur l'aménagement urbain et le développement durable",
-        "Quels laboratoires ont des axes de recherche similaires en énergie et pourraient collaborer?",
-        "Liste les équipements disponibles dans les laboratoires travaillant sur la qualité de l'air",
-        "Trouve des publications récentes sur la transition énergétique dans les villes",
-        "Qui sont les auteurs qui publient sur la mobilité douce et dans quels laboratoires?",
-        "Quelles publications traitent de l'urbanisme durable et quand ont-elles été publiées?",
-        "Compare les formations et les laboratoires sur le thème de la ville intelligente",
-        "Identifie les opportunités de partenariats entre laboratoires sur la résilience urbaine",
-        "Quelles sont les compétences enseignées dans les formations liées à l'économie circulaire?"
-    ]
-    
-    print(f"\n{'='*80}")
-    print(f"🎓 AGENT COLLABORATIF - UNIVERSITÉ GUSTAVE EIFFEL")
-    print(f"{'='*80}")
-    print(f"🗄️ Index Pinecone: {PINECONE_INDEX_NAME}")
-    print(f"🤖 Modèle: {OPENAI_MODEL_NAME}")
-    print(f"🌐 Base URL: {OPENAI_BASE_URL}")
-    print(f"🤗 Embeddings: {HUGGINGFACE_MODEL}")
-    print(f"🔄 Max itérations: {MAX_VALIDATION_LOOPS}")
-    print(f"🎯 Top K résultats: {SIMILARITY_TOP_K}")
-    print(f"📊 Seuil de similarité: {SIMILARITY_SCORE_THRESHOLD}")
-    print(f"{'='*80}\n")
-    
-    print("📚 EXEMPLES DE REQUÊTES DISPONIBLES:")
-    print("="*80)
-    for i, req in enumerate(exemples_requetes, 1):
-        print(f"{i:2d}. {req}")
-    print("="*80 + "\n")
-    
-    selected_query = exemples_requetes[0]
-    
-    print(f"🎯 Requête sélectionnée: {selected_query}\n")
-    
-    result = await run_collaborative_agent(selected_query)
-    
-    display_results(result)
-    
-    print(f"\n{'='*80}")
-    print(f"✅ TRAITEMENT TERMINÉ AVEC SUCCÈS")
-    print(f"{'='*80}\n")
-    
-    return result
-
-# =============================================================================
-# POINT D'ENTRÉE DU SCRIPT
-# =============================================================================
-
-if __name__ == "__main__":
-    """
-    Point d'entrée principal du script.
-    
-    Configuration requise:
-    1. Variables d'environnement:
-       export PINECONE_API_KEY="votre-clé-pinecone"
-       export OPENAI_API_KEY="votre-clé-openai"
-       export OPENAI_BASE_URL="https://votre-endpoint.com/v1"  # Optionnel
-       export OPENAI_MODEL_NAME="gpt-4"  # Optionnel
-       export HUGGINGFACE_MODEL="sentence-transformers/all-mpnet-base-v2"  # Optionnel
-    
-    2. Dépendances:
-       pip install langgraph langchain langchain-pinecone langchain-openai pinecone-client sentence-transformers
-    
-    3. Structure Pinecone:
-       - Index: "all-jdlp"
-       - Dimension: compatible avec le modèle HuggingFace (ex: 768)
-       - Métrique: cosine
-       - Catégories: FICHELABOTHEMATIQUEAVID, FORMATIONTHEMATIQUEAVID,
-                     RECHERCHETHEMATIQUEAVID, PUBLICATIONTHEMATIQUEAVID
-    
-    Utilisation:
-    - Développement: python script.py
-    - Production: Intégrer dans une API FastAPI/Flask
-    - Tests: pytest script.py --asyncio-mode=auto
-    """
-    
+"""
+Agent Collaboratif LangGraph pour l'Université Gustave Eiffel
+===============================================================
+
+Ce script implémente un agent collaboratif multi-base utilisant LangGraph pour orchestrer
+des recherches dans 4 bases vectorielles Pinecone liées aux thématiques de Ville Durable.
+
+Architecture:
+- Workflow LangGraph avec nodes spécialisés
+- Retrievers Langchain-Pinecone avec similarity search + score
+- Filtrage par catégorie pour chaque base
+- Validation anti-hallucination en boucle
+- Orchestration intelligente des recherches
+
+Prérequis:
+- pip install langgraph langchain langchain-pinecone langchain-openai pinecone
+- Variables d'environnement: PINECONE_API_KEY, OPENAI_API_KEY
+"""
+
+import os
+import json
+from typing import TypedDict, Annotated, List, Dict, Any, Sequence
+from operator import add
+
+from langchain_openai import ChatOpenAI
+from langchain_pinecone import PineconeVectorStore
+from langchain_core.embeddings import Embeddings
+from langchain_core.documents import Document
+from langchain_core.messages import BaseMessage, HumanMessage, AIMessage, SystemMessage
+from langchain_core.prompts import ChatPromptTemplate
+from langchain_core.output_parsers import JsonOutputParser
+
+from langgraph.graph import StateGraph, END
+from langgraph.prebuilt import ToolNode
+#from langgraph.checkpoint.memory import MemorySaver
+
+from pinecone import Pinecone
+import asyncio
+
+# =============================================================================
+# CONFIGURATION GLOBALE
+# =============================================================================
+
+# Configuration API
+PINECONE_API_KEY = os.environ.get("PINECONE_API_KEY")
+OPENAI_API_KEY = os.environ.get("OPENAI_API_KEY")
+OPENAI_BASE_URL = os.environ.get("OPENAI_BASE_URL")
+OPENAI_MODEL_NAME = os.environ.get("OPENAI_MODEL_NAME")
+
+HUGGINGFACE_MODEL = os.environ.get("HUGGINGFACE_MODEL", "sentence-transformers/all-mpnet-base-v2")
+PINECONE_INDEX_NAME = "all-jdlp"
+
+# Configuration modèle
+MAX_VALIDATION_LOOPS = 1
+SIMILARITY_TOP_K = 10
+SIMILARITY_SCORE_THRESHOLD = 0.5
+
+# Validation des variables d'environnement
+if not PINECONE_API_KEY:
+    raise ValueError("❌ PINECONE_API_KEY non définie. Exécutez: export PINECONE_API_KEY='votre-clé'")
+if not OPENAI_API_KEY:
+    raise ValueError("❌ OPENAI_API_KEY non définie. Exécutez: export OPENAI_API_KEY='votre-clé'")
+
+# =============================================================================
+# EMBEDDINGS HUGGINGFACE
+# =============================================================================
+
+class HuggingFaceEmbeddings(Embeddings):
+    """
+    Classe d'embeddings utilisant HuggingFace Transformers.
+    """
+    
+    def __init__(self, model_name: str = HUGGINGFACE_MODEL):
+        """
+        Initialise les embeddings HuggingFace.
+        
+        Args:
+            model_name: Nom du modèle HuggingFace à utiliser
+        """
+        from sentence_transformers import SentenceTransformer
+        
+        self.model_name = model_name
+        print(f"🤗 Chargement du modèle HuggingFace: {model_name}")
+        self.model = SentenceTransformer(model_name)
+        self.dimension = self.model.get_sentence_embedding_dimension()
+        print(f"✅ Modèle chargé (dimension: {self.dimension})")
+    
+    def embed_documents(self, texts: List[str]) -> List[List[float]]:
+        """
+        Génère des embeddings pour une liste de documents.
+        
+        Args:
+            texts: Liste de textes à vectoriser
+            
+        Returns:
+            Liste de vecteurs d'embeddings
+        """
+        embeddings = self.model.encode(texts, convert_to_numpy=True)
+        return embeddings.tolist()
+    
+    def embed_query(self, text: str) -> List[float]:
+        """
+        Génère un embedding pour une requête unique.
+        
+        Args:
+            text: Texte de la requête
+            
+        Returns:
+            Vecteur d'embedding
+        """
+        embedding = self.model.encode(text, convert_to_numpy=True)
+        return embedding.tolist()
+
+# =============================================================================
+# DÉFINITION DE L'ÉTAT DU GRAPHE
+# =============================================================================
+
+class AgentState(TypedDict):
+    """État global du workflow LangGraph."""
+    messages: Annotated[Sequence[BaseMessage], add]
+    user_query: str
+    query_analysis: Dict[str, Any]
+    collected_information: List[Dict[str, Any]]
+    validation_results: List[Dict[str, Any]]
+    final_response: str
+    iteration_count: int
+    errors: List[str]
+    additional_information: List[Dict[str, Any]]  # Nouvelles infos similaires
+
+# =============================================================================
+# INITIALISATION DES RETRIEVERS PINECONE
+# =============================================================================
+
+class PineconeRetrieverManager:
+    """Gestionnaire centralisé des retrievers Pinecone."""
+    
+    def __init__(self):
+        """Initialise le gestionnaire et crée les 4 retrievers spécialisés."""
+        print("🔧 Initialisation du gestionnaire Pinecone...")
+        
+        self.pc = Pinecone(api_key=PINECONE_API_KEY)
+        self.index = self.pc.Index(PINECONE_INDEX_NAME)
+        
+        # Utilisation de HuggingFace Embeddings
+        self.embeddings = HuggingFaceEmbeddings()
+        
+        self.retrievers = {
+            "laboratoires": self._create_retriever(
+                category="FICHELABOTHEMATIQUEAVID",
+                description="Laboratoires et thématiques Ville Durable"
+            ),
+            "formations": self._create_retriever(
+                category="FORMATIONTHEMATIQUEAVID",
+                description="Formations liées à la Ville Durable"
+            ),
+            "recherche": self._create_retriever(
+                category="RECHERCHETHEMATIQUEAVID",
+                description="Axes de recherche et partenariats"
+            ),
+            "publications": self._create_retriever(
+                category="PUBLICATIONTHEMATIQUEAVID",
+                description="Publications scientifiques"
+            )
+        }
+        
+        print("✅ Gestionnaire Pinecone initialisé avec 4 retrievers\n")
+    
+    def _create_retriever(self, category: str, description: str):
+        """Crée un retriever Pinecone avec filtrage par catégorie."""
+        vectorstore = PineconeVectorStore(
+            index=self.index,
+            embedding=self.embeddings,
+            text_key="text",
+            namespace=""
+        )
+        
+        retriever = vectorstore.as_retriever(
+            search_type="similarity_score_threshold",
+            search_kwargs={
+                "k": SIMILARITY_TOP_K,
+                "score_threshold": SIMILARITY_SCORE_THRESHOLD,
+                "filter": {"categorie": {"$eq": category}}
+            }
+        )
+        
+        retriever.metadata = {
+            "category": category,
+            "description": description
+        }
+        
+        return retriever
+    
+    def get_retriever(self, retriever_name: str):
+        """Récupère un retriever par son nom."""
+        return self.retrievers.get(retriever_name)
+    
+    def search_all_databases(self, query: str, exclude_categories: List[str] = None) -> List[Dict[str, Any]]:
+        """
+        Recherche dans toutes les bases pour trouver des informations similaires.
+        
+        Args:
+            query: Requête de recherche
+            exclude_categories: Catégories à exclure de la recherche
+            
+        Returns:
+            Liste des informations similaires trouvées
+        """
+        exclude_categories = exclude_categories or []
+        similar_info = []
+        
+        for db_name, retriever in self.retrievers.items():
+            if retriever.metadata["category"] in exclude_categories:
+                continue
+            
+            try:
+                documents = retriever.get_relevant_documents(query)
+                
+                if documents:
+                    for doc in documents:
+                        similar_info.append({
+                            "database": db_name,
+                            "category": retriever.metadata["category"],
+                            "content": doc.page_content,
+                            "metadata": doc.metadata,
+                            "score": getattr(doc, 'score', None)
+                        })
+            except Exception as e:
+                print(f"⚠️ Erreur recherche similaires dans '{db_name}': {str(e)}")
+        
+        return similar_info
+
+retriever_manager = PineconeRetrieverManager()
+
+# =============================================================================
+# NODE 1: ANALYSE DE LA REQUÊTE
+# =============================================================================
+def analyze_query_node(state: AgentState) -> AgentState:
+    """Node d'analyse de la requête utilisateur."""
+    print(f"\n{'='*80}")
+    print(f"📊 NODE 1: ANALYSE DE LA REQUÊTE")
+    print(f"{'='*80}")
+    print(f"🔍 Requête: {state['user_query']}\n")
+    
+    llm = ChatOpenAI(
+        model=OPENAI_MODEL_NAME,
+        base_url=OPENAI_BASE_URL,
+        api_key=OPENAI_API_KEY,
+        temperature=0
+    )
+    
+    analysis_prompt = ChatPromptTemplate.from_messages([
+        ("system", """Tu es un expert de l'Université Gustave Eiffel spécialisé dans les thématiques de Ville Durable.
+
+Analyse la requête et détermine quelle(s) base(s) de données interroger parmi:
+
+1. **laboratoires** (FICHELABOTHEMATIQUEAVID)
+2. **formations** (FORMATIONTHEMATIQUEAVID)
+3. **recherche** (RECHERCHETHEMATIQUEAVID)
+4. **publications** (PUBLICATIONTHEMATIQUEAVID)
+
+Réponds UNIQUEMENT en JSON valide."""),
+        ("human", """{user_query}
+
+Format de réponse attendu:
+{{
+    "databases_to_query": ["laboratoires", "formations", "recherche", "publications"],
+    "priorities": {{
+        "laboratoires": "high",
+        "formations": "medium",
+        "recherche": "low",
+        "publications": "high"
+    }},
+    "optimized_queries": {{
+        "laboratoires": "requête optimisée",
+        "formations": "requête optimisée",
+        "recherche": "requête optimisée",
+        "publications": "requête optimisée"
+    }},
+    "analysis_summary": "résumé de l'analyse"
+}}""")
+    ])
+    
+    json_parser = JsonOutputParser()
+    analysis_chain = analysis_prompt | llm | json_parser
+    
+    try:
+        query_analysis = analysis_chain.invoke({"user_query": state["user_query"]})
+        
+        print(f"✅ Bases identifiées: {', '.join(query_analysis['databases_to_query'])}")
+        print(f"✅ {query_analysis['analysis_summary']}\n")
+        
+        state["query_analysis"] = query_analysis
+        state["messages"].append(AIMessage(content=f"Analyse terminée: {query_analysis['analysis_summary']}"))
+        
+    except Exception as e:
+        error_msg = f"Erreur lors de l'analyse: {str(e)}"
+        print(f"❌ {error_msg}")
+        state["errors"].append(error_msg)
+        state["query_analysis"] = {
+            "databases_to_query": ["laboratoires"],
+            "priorities": {"laboratoires": "high"},
+            "optimized_queries": {"laboratoires": state["user_query"]},
+            "analysis_summary": "Analyse par défaut suite à erreur"
+        }
+    
+    return state
+
+# =============================================================================
+# NODE 2: COLLECTE D'INFORMATIONS
+# =============================================================================
+
+def collect_information_node(state: AgentState) -> AgentState:
+    """Node de collecte d'informations depuis les bases Pinecone."""
+    print(f"\n{'='*80}")
+    print(f"🔎 NODE 2: COLLECTE D'INFORMATIONS DEPUIS PINECONE")
+    print(f"{'='*80}\n")
+    
+    query_analysis = state["query_analysis"]
+    collected_info = []
+    
+    priorities_order = {"high": 0, "medium": 1, "low": 2}
+    databases = sorted(
+        query_analysis["databases_to_query"],
+        key=lambda db: priorities_order.get(query_analysis["priorities"].get(db, "low"), 2)
+    )
+    
+    for db_name in databases:
+        retriever = retriever_manager.get_retriever(db_name)
+        if not retriever:
+            print(f"⚠️ Retriever '{db_name}' non trouvé, ignoré.")
+            continue
+        
+        query = query_analysis["optimized_queries"].get(db_name, state["user_query"])
+        priority = query_analysis["priorities"].get(db_name, "low")
+        
+        print(f"🔍 Recherche dans '{db_name}' (priorité: {priority})")
+        print(f"   Requête: {query[:80]}...")
+        
+        try:
+            documents = retriever.get_relevant_documents(query)
+            
+            if documents:
+                print(f"   ✅ {len(documents)} résultat(s) trouvé(s)")
+                
+                results = []
+                for doc in documents:
+                    results.append({
+                        "content": doc.page_content,
+                        "metadata": doc.metadata,
+                        "score": getattr(doc, 'score', None)
+                    })
+                
+                collected_info.append({
+                    "database": db_name,
+                    "category": retriever.metadata["category"],
+                    "query": query,
+                    "priority": priority,
+                    "results_count": len(results),
+                    "results": results
+                })
+            else:
+                print(f"   ℹ️ Aucun résultat")
+                
+        except Exception as e:
+            error_msg = f"Erreur lors de la recherche dans '{db_name}': {str(e)}"
+            print(f"   ❌ {error_msg}")
+            state["errors"].append(error_msg)
+    
+    print(f"\n✅ Collecte terminée: {len(collected_info)} base(s) interrogée(s)\n")
+    
+    state["collected_information"] = collected_info
+    state["messages"].append(AIMessage(
+        content=f"Collecte terminée depuis {len(collected_info)} bases Pinecone"
+    ))
+    
+    return state
+
+# =============================================================================
+# NODE 3: GÉNÉRATION DE LA RÉPONSE
+# =============================================================================
+
+def generate_response_node(state: AgentState) -> AgentState:
+    """Node de génération de la réponse finale."""
+    print(f"\n{'='*80}")
+    print(f"✏️ NODE 3: GÉNÉRATION DE LA RÉPONSE")
+    print(f"{'='*80}\n")
+    
+    llm = ChatOpenAI(
+        model=OPENAI_MODEL_NAME,
+        base_url=OPENAI_BASE_URL,
+        api_key=OPENAI_API_KEY,
+        temperature=0.3
+    )
+    
+    context_parts = []
+    for info in state["collected_information"]:
+        context_parts.append(f"\n### Base: {info['database']} (Catégorie: {info['category']})")
+        context_parts.append(f"Requête: {info['query']}")
+        context_parts.append(f"Résultats: {info['results_count']}")
+        
+        for idx, result in enumerate(info['results'], 1):
+            context_parts.append(f"\nRésultat {idx}:")
+            context_parts.append(f"Score: {result.get('score', 'N/A')}")
+            context_parts.append(f"Contenu: {result['content'][:500]}...")
+            if result['metadata']:
+                context_parts.append(f"Métadonnées: {json.dumps(result['metadata'], ensure_ascii=False)}")
+    
+    context = "\n".join(context_parts)
+    
+    generation_prompt = ChatPromptTemplate.from_messages([
+        ("system", """Tu es un assistant expert de l'Université Gustave Eiffel spécialisé en Ville Durable.
+
+RÈGLES STRICTES:
+1. Base ta réponse EXCLUSIVEMENT sur les informations fournies dans le contexte Pinecone
+2. Ne JAMAIS inventer ou extrapoler d'informations
+3. Cite précisément les sources (nom de la base, catégorie Pinecone)
+4. Si une information n'est pas dans les sources, indique-le clairement
+5. Structure ta réponse de manière claire et professionnelle
+6. Mentionne les métadonnées pertinentes (laboratoires, formations, auteurs, etc.)"""),
+        ("human", """REQUÊTE UTILISATEUR:
+{user_query}
+
+CONTEXTE PINECONE (SOURCES VÉRIFIÉES):
+{context}
+
+Génère une réponse professionnelle basée uniquement sur ces sources.""")
+    ])
+    
+    generation_chain = generation_prompt | llm
+    
+    try:
+        response = generation_chain.invoke({
+            "user_query": state["user_query"],
+            "context": context
+        })
+        
+        final_response = response.content
+        print(f"✅ Réponse générée ({len(final_response)} caractères)\n")
+        
+        state["final_response"] = final_response
+        state["messages"].append(AIMessage(content=final_response))
+        
+    except Exception as e:
+        error_msg = f"Erreur lors de la génération: {str(e)}"
+        print(f"❌ {error_msg}")
+        state["errors"].append(error_msg)
+        state["final_response"] = f"Erreur lors de la génération de la réponse: {str(e)}"
+    
+    return state
+
+# =============================================================================
+# NODE 4: VALIDATION ANTI-HALLUCINATION
+# =============================================================================
+
+def validate_response_node(state: AgentState) -> AgentState:
+    """Node de validation anti-hallucination."""
+    print(f"\n{'='*80}")
+    print(f"✅ NODE 4: VALIDATION ANTI-HALLUCINATION")
+    print(f"{'='*80}")
+    
+    iteration = state["iteration_count"] + 1
+    print(f"🔄 Itération {iteration}/{MAX_VALIDATION_LOOPS}\n")
+    
+    llm = ChatOpenAI(
+        model=OPENAI_MODEL_NAME,
+        base_url=OPENAI_BASE_URL,
+        api_key=OPENAI_API_KEY,
+        temperature=0
+    )
+    
+    validation_prompt = ChatPromptTemplate.from_messages([
+        ("system", """Tu es un validateur strict pour l'Université Gustave Eiffel.
+
+Vérifie que CHAQUE élément de la réponse est STRICTEMENT basé sur les sources Pinecone fournies.
+
+Sois IMPITOYABLE: mieux vaut rejeter une bonne réponse que laisser passer une hallucination."""),
+        ("human", """RÉPONSE À VALIDER:
+{response}
+
+SOURCES PINECONE (VÉRITÉ ABSOLUE):
+{sources}
+
+Réponds en JSON valide:
+{{
+    "is_valid": true/false,
+    "confidence_score": 0-100,
+    "hallucinations_detected": ["liste précise des hallucinations"],
+    "missing_information": ["informations manquantes si dans sources"],
+    "incorrect_facts": ["faits incorrects ou mal attribués"],
+    "validation_message": "message détaillé avec recommandations"
+}}""")
+    ])
+    
+    json_parser = JsonOutputParser()
+    validation_chain = validation_prompt | llm | json_parser
+    
+    try:
+        sources_json = json.dumps(
+            state["collected_information"],
+            ensure_ascii=False,
+            indent=2
+        )
+        
+        validation_result = validation_chain.invoke({
+            "response": state["final_response"],
+            "sources": sources_json
+        })
+        
+        print(f"📊 Confiance: {validation_result['confidence_score']}%")
+        print(f"📊 Valide: {validation_result['is_valid']}")
+        
+        if validation_result['hallucinations_detected']:
+            print(f"⚠️ Hallucinations détectées: {len(validation_result['hallucinations_detected'])}")
+            for hall in validation_result['hallucinations_detected']:
+                print(f"   - {hall}")
+        else:
+            print(f"✅ Aucune hallucination détectée")
+        
+        state["validation_results"].append(validation_result)
+        state["iteration_count"] = iteration
+        
+    except Exception as e:
+        error_msg = f"Erreur lors de la validation: {str(e)}"
+        print(f"❌ {error_msg}")
+        state["errors"].append(error_msg)
+        
+        validation_result = {
+            "is_valid": False,
+            "confidence_score": 0,
+            "hallucinations_detected": [f"Erreur de validation: {str(e)}"],
+            "missing_information": [],
+            "incorrect_facts": [],
+            "validation_message": "Erreur lors de la validation"
+        }
+        state["validation_results"].append(validation_result)
+        state["iteration_count"] = iteration
+    
+    print()
+    return state
+
+# =============================================================================
+# NODE 5: REFINEMENT
+# =============================================================================
+
+def refine_response_node(state: AgentState) -> AgentState:
+    """Node de refinement de la réponse."""
+    print(f"\n{'='*80}")
+    print(f"⚙️ NODE 5: REFINEMENT (CORRECTION)")
+    print(f"{'='*80}\n")
+    
+    last_validation = state["validation_results"][-1]
+    
+    print(f"🔧 Correction des problèmes détectés:")
+    print(f"   - Hallucinations: {len(last_validation['hallucinations_detected'])}")
+    print(f"   - Faits incorrects: {len(last_validation['incorrect_facts'])}")
+    print(f"   - Infos manquantes: {len(last_validation['missing_information'])}\n")
+    
+    llm = ChatOpenAI(
+        model=OPENAI_MODEL_NAME,
+        base_url=OPENAI_BASE_URL,
+        api_key=OPENAI_API_KEY,
+        temperature=0.2
+    )
+    
+    refinement_prompt = ChatPromptTemplate.from_messages([
+        ("system", """Tu es un correcteur expert pour l'Université Gustave Eiffel.
+
+Corrige la réponse précédente en éliminant TOUTES les hallucinations et erreurs."""),
+        ("human", """RÉPONSE PRÉCÉDENTE (AVEC ERREURS):
+{previous_response}
+
+PROBLÈMES DÉTECTÉS:
+{validation_issues}
+
+SOURCES PINECONE (VÉRITÉ ABSOLUE):
+{sources}
+
+Génère une réponse corrigée, précise et vérifiable.""")
+    ])
+    
+    refinement_chain = refinement_prompt | llm
+    
+    try:
+        validation_issues = json.dumps({
+            "hallucinations": last_validation['hallucinations_detected'],
+            "incorrect_facts": last_validation['incorrect_facts'],
+            "missing_information": last_validation['missing_information'],
+            "validation_message": last_validation['validation_message']
+        }, ensure_ascii=False, indent=2)
+        
+        sources_json = json.dumps(
+            state["collected_information"],
+            ensure_ascii=False,
+            indent=2
+        )
+        
+        response = refinement_chain.invoke({
+            "previous_response": state["final_response"],
+            "validation_issues": validation_issues,
+            "sources": sources_json
+        })
+        
+        refined_response = response.content
+        print(f"✅ Réponse corrigée générée ({len(refined_response)} caractères)\n")
+        
+        state["final_response"] = refined_response
+        state["messages"].append(AIMessage(
+            content=f"Réponse corrigée (itération {state['iteration_count']})"
+        ))
+        
+    except Exception as e:
+        error_msg = f"Erreur lors du refinement: {str(e)}"
+        print(f"❌ {error_msg}")
+        state["errors"].append(error_msg)
+    
+    return state
+
+# =============================================================================
+# NODE 6: COLLECTE D'INFORMATIONS SIMILAIRES
+# =============================================================================
+
+def collect_similar_information_node(state: AgentState) -> AgentState:
+    """
+    Node de collecte d'informations similaires depuis les autres bases.
+    """
+    print(f"\n{'='*80}")
+    print(f"🔗 NODE 6: COLLECTE D'INFORMATIONS SIMILAIRES")
+    print(f"{'='*80}\n")
+    
+    # Catégories déjà utilisées
+    used_categories = [info["category"] for info in state["collected_information"]]
+    
+    # Recherche dans les autres bases
+    print(f"🔍 Recherche d'informations similaires dans les bases non consultées...")
+    similar_info = retriever_manager.search_all_databases(
+        query=state["user_query"],
+        exclude_categories=used_categories
+    )
+    
+    # Recherche aussi basée sur la réponse finale
+    if state.get("final_response"):
+        print(f"🔍 Recherche basée sur la réponse finale...")
+        response_based_info = retriever_manager.search_all_databases(
+            query=state["final_response"][:500],  # Limiter la taille
+            exclude_categories=used_categories
+        )
+        
+        # Fusionner et dédupliquer
+        for info in response_based_info:
+            if info not in similar_info:
+                similar_info.append(info)
+    
+    print(f"✅ {len(similar_info)} information(s) similaire(s) trouvée(s)\n")
+    
+    state["additional_information"] = similar_info
+    
+    return state
+
+# =============================================================================
+# FONCTIONS DE ROUTAGE
+# =============================================================================
+
+def should_collect_information(state: AgentState) -> str:
+    if state.get("query_analysis") and state["query_analysis"].get("databases_to_query"):
+        return "collect"
+    return "end"
+
+def should_generate_response(state: AgentState) -> str:
+    if state.get("collected_information") and len(state["collected_information"]) > 0:
+        return "generate"
+    return "end"
+
+def should_validate(state: AgentState) -> str:
+    if state.get("final_response") and state["final_response"]:
+        return "validate"
+    return "end"
+
+def should_refine_or_collect_similar(state: AgentState) -> str:
+    if not state.get("validation_results") or len(state["validation_results"]) == 0:
+        return "collect_similar"
+    
+    last_validation = state["validation_results"][-1]
+    iteration = state["iteration_count"]
+    
+    is_valid = last_validation.get("is_valid", False)
+    confidence = last_validation.get("confidence_score", 0)
+    
+    if is_valid and confidence >= 85:
+        print(f"✅ Validation réussie (confiance: {confidence}%) - Collecte d'infos similaires\n")
+        return "collect_similar"
+    
+    if iteration >= MAX_VALIDATION_LOOPS:
+        print(f"⚠️ Nombre maximum d'itérations atteint ({MAX_VALIDATION_LOOPS}) - Collecte d'infos similaires\n")
+        return "collect_similar"
+    
+    print(f"🔄 Refinement nécessaire (confiance: {confidence}%, itération {iteration}/{MAX_VALIDATION_LOOPS})\n")
+    return "refine"
+
+# =============================================================================
+# CONSTRUCTION DU WORKFLOW
+# =============================================================================
+
+def create_agent_workflow() -> StateGraph:
+    """Crée et configure le workflow LangGraph complet."""
+    print("\n🗺️ Construction du workflow LangGraph...")
+    
+    workflow = StateGraph(AgentState)
+    
+    workflow.add_node("analyze_query", analyze_query_node)
+    workflow.add_node("collect_information", collect_information_node)
+    workflow.add_node("generate_response", generate_response_node)
+    workflow.add_node("validate_response", validate_response_node)
+    workflow.add_node("refine_response", refine_response_node)
+    workflow.add_node("collect_similar_information", collect_similar_information_node)
+    
+    workflow.set_entry_point("analyze_query")
+    
+    workflow.add_conditional_edges(
+        "analyze_query",
+        should_collect_information,
+        {
+            "collect": "collect_information",
+            "end": END
+        }
+    )
+    
+    workflow.add_conditional_edges(
+        "collect_information",
+        should_generate_response,
+        {
+            "generate": "generate_response",
+            "end": END
+        }
+    )
+    
+    workflow.add_conditional_edges(
+        "generate_response",
+        should_validate,
+        {
+            "validate": "validate_response",
+            "end": END
+        }
+    )
+    
+    workflow.add_conditional_edges(
+        "validate_response",
+        should_refine_or_collect_similar,
+        {
+            "refine": "refine_response",
+            "collect_similar": "collect_similar_information"
+        }
+    )
+    
+    workflow.add_edge("refine_response", "validate_response")
+    workflow.add_edge("collect_similar_information", END)
+    
+    #memory = MemorySaver()
+    #app = workflow.compile(checkpointer=memory)
+    app = workflow.compile()
+    
+    
+    print("✅ Workflow LangGraph construit avec succès\n")
+    
+    return app
+
+# =============================================================================
+# FONCTION D'EXÉCUTION
+# =============================================================================
+
+async def run_collaborative_agent(user_query: str) -> Dict[str, Any]:
+    """Exécute le workflow complet de l'agent collaboratif."""
+    print(f"\n{'='*80}")
+    print(f"🚀 AGENT COLLABORATIF - UNIVERSITÉ GUSTAVE EIFFEL")
+    print(f"{'='*80}")
+    print(f"🔍 Requête: {user_query}\n")
+    
+    app = create_agent_workflow()
+    
+    initial_state = {
+        "messages": [HumanMessage(content=user_query)],
+        "user_query": user_query,
+        "query_analysis": {},
+        "collected_information": [],
+        "validation_results": [],
+        "final_response": "",
+        "iteration_count": 0,
+        "errors": [],
+        "additional_information": []
+    }
+    
+    print(f"{'='*80}")
+    print(f"⚙️ EXÉCUTION DU WORKFLOW")
+    print(f"{'='*80}\n")
+    
+    try:
+        final_state = await app.ainvoke(initial_state)
+        
+        print(f"\n{'='*80}")
+        print(f"✨ PROCESSUS TERMINÉ")
+        print(f"{'='*80}\n")
+        
+        result = {
+            "query": user_query,
+            "query_analysis": final_state.get("query_analysis", {}),
+            "collected_information": final_state.get("collected_information", []),
+            "validation_results": final_state.get("validation_results", []),
+            "final_response": final_state.get("final_response", ""),
+            "iteration_count": final_state.get("iteration_count", 0),
+            "errors": final_state.get("errors", []),
+            "additional_information": final_state.get("additional_information", []),
+            "sources_used": [
+                info["database"] 
+                for info in final_state.get("collected_information", [])
+            ],
+            "pinecone_index": PINECONE_INDEX_NAME
+        }
+        
+        return result
+        
+    except Exception as e:
+        error_msg = f"Erreur lors de l'exécution du workflow: {str(e)}"
+        print(f"\n❌ {error_msg}\n")
+        
+        return {
+            "query": user_query,
+            "query_analysis": {},
+            "collected_information": [],
+            "validation_results": [],
+            "final_response": f"Erreur: {error_msg}",
+            "iteration_count": 0,
+            "errors": [error_msg],
+            "additional_information": [],
+            "sources_used": [],
+            "pinecone_index": PINECONE_INDEX_NAME
+        }
+
+# =============================================================================
+# FONCTION D'AFFICHAGE DES RÉSULTATS
+# =============================================================================
+
+def display_results(result: Dict[str, Any]) -> None:
+    """
+    Affiche les résultats de manière formatée et lisible.
+    
+    Args:
+        result: Dictionnaire des résultats du workflow
+    """
+    print(f"\n{'='*80}")
+    print(f"📋 RÉPONSE FINALE")
+    print(f"{'='*80}")
+    print(result["final_response"])
+    
+    print(f"\n{'='*80}")
+    print(f"📊 MÉTADONNÉES DU TRAITEMENT")
+    print(f"{'='*80}")
+    print(f"🗄️ Index Pinecone: {result['pinecone_index']}")
+    print(f"📚 Sources consultées: {', '.join(result['sources_used']) if result['sources_used'] else 'Aucune'}")
+    print(f"🔄 Itérations de validation: {result['iteration_count']}")
+    
+    if result['validation_results']:
+        last_validation = result['validation_results'][-1]
+        print(f"✅ Score de confiance final: {last_validation.get('confidence_score', 0)}%")
+        print(f"✅ Validation finale: {'Réussie' if last_validation.get('is_valid') else 'Échouée'}")
+        
+        hallucinations = last_validation.get('hallucinations_detected', [])
+        print(f"⚠️ Hallucinations détectées: {len(hallucinations)}")
+        
+        if hallucinations:
+            print(f"\n⚠️ HALLUCINATIONS CORRIGÉES:")
+            for i, hall in enumerate(hallucinations, 1):
+                print(f"   {i}. {hall}")
+    
+    if result['errors']:
+        print(f"\n❌ ERREURS RENCONTRÉES:")
+        for i, error in enumerate(result['errors'], 1):
+            print(f"   {i}. {error}")
+    
+    print(f"\n{'='*80}")
+    print(f"📈 DÉTAILS DE LA COLLECTE")
+    print(f"{'='*80}")
+    for info in result['collected_information']:
+        print(f"\n📦 Base: {info['database']}")
+        print(f"   Catégorie: {info['category']}")
+        print(f"   Priorité: {info['priority']}")
+        print(f"   Résultats: {info['results_count']}")
+        print(f"   Requête: {info['query'][:80]}...")
+    
+    # Nouvelle section : Informations similaires
+    if result.get('additional_information') and len(result['additional_information']) > 0:
+        print(f"\n{'='*80}")
+        print(f"💡 LES INFORMATIONS QUI AURAIENT PU VOUS INTÉRESSER")
+        print(f"{'='*80}")
+        print(f"\nInformations similaires ou apparentées trouvées dans d'autres bases:\n")
+        
+        # Regrouper par base de données
+        grouped_info = {}
+        for info in result['additional_information']:
+            db_name = info['database']
+            if db_name not in grouped_info:
+                grouped_info[db_name] = []
+            grouped_info[db_name].append(info)
+        
+        # Afficher par base
+        for db_name, items in grouped_info.items():
+            print(f"\n{'─'*80}")
+            print(f"📚 Base: {db_name.upper()}")
+            print(f"   Catégorie Pinecone: {items[0]['category']}")
+            print(f"   Nombre de résultats: {len(items)}")
+            print(f"{'─'*80}\n")
+            
+            for idx, item in enumerate(items, 1):
+                print(f"   Résultat {idx}:")
+                print(f"   ├─ Score de similarité: {item['score']:.4f}" if item.get('score') else "   ├─ Score: N/A")
+                
+                # Affichage du contenu (limité)
+                content_preview = item['content'][:300]
+                if len(item['content']) > 300:
+                    content_preview += "..."
+                print(f"   ├─ Contenu: {content_preview}")
+                
+                # Affichage des métadonnées détaillées
+                if item.get('metadata'):
+                    metadata = item['metadata']
+                    print(f"   └─ Sources complètes:")
+                    
+                    # Extraire et afficher les métadonnées pertinentes
+                    if 'titre' in metadata or 'title' in metadata:
+                        titre = metadata.get('titre') or metadata.get('title')
+                        print(f"      • Titre: {titre}")
+                    
+                    if 'laboratoire' in metadata:
+                        print(f"      • Laboratoire: {metadata['laboratoire']}")
+                    
+                    if 'formation' in metadata:
+                        print(f"      • Formation: {metadata['formation']}")
+                    
+                    if 'auteur' in metadata or 'auteurs' in metadata or 'authors' in metadata:
+                        auteurs = metadata.get('auteur') or metadata.get('auteurs') or metadata.get('authors')
+                        print(f"      • Auteur(s): {auteurs}")
+                    
+                    if 'date' in metadata or 'annee' in metadata or 'year' in metadata:
+                        date = metadata.get('date') or metadata.get('annee') or metadata.get('year')
+                        print(f"      • Date/Année: {date}")
+                    
+                    if 'thematique' in metadata or 'thematiques' in metadata:
+                        them = metadata.get('thematique') or metadata.get('thematiques')
+                        print(f"      • Thématique(s): {them}")
+                    
+                    if 'niveau' in metadata:
+                        print(f"      • Niveau: {metadata['niveau']}")
+                    
+                    if 'competences' in metadata:
+                        print(f"      • Compétences: {metadata['competences']}")
+                    
+                    if 'equipements' in metadata:
+                        print(f"      • Équipements: {metadata['equipements']}")
+                    
+                    if 'axe_recherche' in metadata:
+                        print(f"      • Axe de recherche: {metadata['axe_recherche']}")
+                    
+                    if 'partenaires' in metadata or 'collaborations' in metadata:
+                        part = metadata.get('partenaires') or metadata.get('collaborations')
+                        print(f"      • Partenaires/Collaborations: {part}")
+                    
+                    if 'url' in metadata or 'lien' in metadata:
+                        url = metadata.get('url') or metadata.get('lien')
+                        print(f"      • Lien: {url}")
+                    
+                    if 'doi' in metadata:
+                        print(f"      • DOI: {metadata['doi']}")
+                    
+                    if 'source' in metadata:
+                        print(f"      • Source document: {metadata['source']}")
+                    
+                    # Métadonnées additionnelles
+                    displayed_keys = ['titre', 'title', 'laboratoire', 'formation', 'auteur', 'auteurs', 
+                                     'authors', 'date', 'annee', 'year', 'thematique', 'thematiques',
+                                     'niveau', 'competences', 'equipements', 'axe_recherche', 
+                                     'partenaires', 'collaborations', 'url', 'lien', 'doi', 'source',
+                                     'categorie', 'text']
+                    
+                    other_metadata = {k: v for k, v in metadata.items() if k not in displayed_keys}
+                    if other_metadata:
+                        print(f"      • Autres informations: {json.dumps(other_metadata, ensure_ascii=False, indent=8)}")
+                
+                print()  # Ligne vide entre les résultats
+        
+        print(f"\n{'='*80}")
+        print(f"💬 INTERPRÉTATION DES RÉSULTATS SIMILAIRES")
+        print(f"{'='*80}")
+        print("Ces informations proviennent de bases qui n'ont pas été prioritaires pour")
+        print("votre requête initiale, mais qui contiennent des éléments apparentés.")
+        print("Elles peuvent enrichir votre compréhension du sujet ou vous orienter")
+        print("vers des domaines connexes intéressants.\n")
+
+# =============================================================================
+# FONCTION MAIN
+# =============================================================================
+
+async def main():
+    """Fonction principale de l'application."""
+    
+    exemples_requetes = [
+        "Quels sont les laboratoires de l'université Gustave Eiffel travaillant sur la mobilité urbaine durable?",
+        "Je cherche des formations en master sur l'aménagement urbain et le développement durable",
+        "Quels laboratoires ont des axes de recherche similaires en énergie et pourraient collaborer?",
+        "Liste les équipements disponibles dans les laboratoires travaillant sur la qualité de l'air",
+        "Trouve des publications récentes sur la transition énergétique dans les villes",
+        "Qui sont les auteurs qui publient sur la mobilité douce et dans quels laboratoires?",
+        "Quelles publications traitent de l'urbanisme durable et quand ont-elles été publiées?",
+        "Compare les formations et les laboratoires sur le thème de la ville intelligente",
+        "Identifie les opportunités de partenariats entre laboratoires sur la résilience urbaine",
+        "Quelles sont les compétences enseignées dans les formations liées à l'économie circulaire?"
+    ]
+    
+    print(f"\n{'='*80}")
+    print(f"🎓 AGENT COLLABORATIF - UNIVERSITÉ GUSTAVE EIFFEL")
+    print(f"{'='*80}")
+    print(f"🗄️ Index Pinecone: {PINECONE_INDEX_NAME}")
+    print(f"🤖 Modèle: {OPENAI_MODEL_NAME}")
+    print(f"🌐 Base URL: {OPENAI_BASE_URL}")
+    print(f"🤗 Embeddings: {HUGGINGFACE_MODEL}")
+    print(f"🔄 Max itérations: {MAX_VALIDATION_LOOPS}")
+    print(f"🎯 Top K résultats: {SIMILARITY_TOP_K}")
+    print(f"📊 Seuil de similarité: {SIMILARITY_SCORE_THRESHOLD}")
+    print(f"{'='*80}\n")
+    
+    print("📚 EXEMPLES DE REQUÊTES DISPONIBLES:")
+    print("="*80)
+    for i, req in enumerate(exemples_requetes, 1):
+        print(f"{i:2d}. {req}")
+    print("="*80 + "\n")
+    
+    selected_query = exemples_requetes[0]
+    
+    print(f"🎯 Requête sélectionnée: {selected_query}\n")
+    
+    result = await run_collaborative_agent(selected_query)
+    
+    display_results(result)
+    
+    print(f"\n{'='*80}")
+    print(f"✅ TRAITEMENT TERMINÉ AVEC SUCCÈS")
+    print(f"{'='*80}\n")
+    
+    return result
+
+# =============================================================================
+# POINT D'ENTRÉE DU SCRIPT
+# =============================================================================
+
+if __name__ == "__main__":
+    """
+    Point d'entrée principal du script.
+    
+    Configuration requise:
+    1. Variables d'environnement:
+       export PINECONE_API_KEY="votre-cl��-pinecone"
+       export OPENAI_API_KEY="votre-clé-openai"
+       export OPENAI_BASE_URL="https://votre-endpoint.com/v1"  # Optionnel
+       export OPENAI_MODEL_NAME="gpt-4"  # Optionnel
+       export HUGGINGFACE_MODEL="sentence-transformers/all-mpnet-base-v2"  # Optionnel
+    
+    2. Dépendances:
+       pip install langgraph langchain langchain-pinecone langchain-openai pinecone-client sentence-transformers
+    
+    3. Structure Pinecone:
+       - Index: "all-jdlp"
+       - Dimension: compatible avec le modèle HuggingFace (ex: 768)
+       - Métrique: cosine
+       - Catégories: FICHELABOTHEMATIQUEAVID, FORMATIONTHEMATIQUEAVID,
+                     RECHERCHETHEMATIQUEAVID, PUBLICATIONTHEMATIQUEAVID
+    
+    Utilisation:
+    - Développement: python script.py
+    - Production: Intégrer dans une API FastAPI/Flask
+    - Tests: pytest script.py --asyncio-mode=auto
+    """
+    
     asyncio.run(main())