Update app.py

app.py

@@ -1,451 +1,462 @@
-"""
-Application Chainlit pour l'Agent Collaboratif LangGraph
-========================================================
-
-Intégration complète avec:
-- Chainlit 2.8.1
-- Official Data Layer (PostgreSQL/Supabase)
-- LangSmith monitoring
-- Starters avec icônes
-- Chain of Thought visible
-- Style personnalisé (dark theme)
-"""
-
-import os
-import json
-import asyncio
-from typing import Dict, Any, List, Optional
-
-import chainlit as cl
-from chainlit.types import ThreadDict, Starter
-#from langsmith import Client
-#from langsmith.run_helpers import traceable
-from langsmith import traceable
-
-# Import du module agent (votre code existant)
-# On suppose que le code est dans agent_collaboratif_avid.py
-from agent_collaboratif_avid import (
-    run_collaborative_agent,
-    retriever_manager,
-    PINECONE_INDEX_NAME,
-    OPENAI_MODEL_NAME,
-    SIMILARITY_TOP_K,
-    MAX_VALIDATION_LOOPS
-)
-
-# =============================================================================
-# CONFIGURATION LANGSMITH
-# =============================================================================
-
-LANGCHAIN_API_KEY = os.environ.get("LANGCHAIN_API_KEY")
-LANGSMITH_PROJECT = os.environ.get("LANGSMITH_PROJECT")
-
-if LANGCHAIN_API_KEY:
-    os.environ["LANGCHAIN_TRACING_V2"] = "true"
-    #os.environ["LANGCHAIN_ENDPOINT"] = "https://api.smith.langchain.com"
-    os.environ["LANGCHAIN_API_KEY"] = LANGCHAIN_API_KEY
-    os.environ["LANGCHAIN_PROJECT"] = LANGSMITH_PROJECT
-    #langsmith_client = Client()
-    print(f"✅ LangSmith activé - Projet: {LANGSMITH_PROJECT}")
-else:
-    print("⚠️ LANGCHAIN_API_KEY non définie - Monitoring désactivé")
-    langsmith_client = None
-
-
-# =============================================================================
-# FONCTIONS AUXILIAIRES POUR L'AFFICHAGE
-# =============================================================================
-
-async def send_cot_step(step_name: str, content: str, status: str = "running"):
-    """Envoie une étape du Chain of Thought."""
-    step = cl.Step(
-        name=step_name,
-        type="tool",
-        show_input=True
-    )
-    step.output = content
-    
-    if status == "done":
-        step.is_error = False
-    elif status == "error":
-        step.is_error = True
-    
-    await step.send()
-    return step
-
-async def display_query_analysis(analysis: Dict[str, Any]):
-    """Affiche l'analyse de la requête."""
-    content = f"""**Bases identifiées:** {', '.join(analysis.get('databases_to_query', []))}
-
-**Priorités:**
-{json.dumps(analysis.get('priorities', {}), indent=2, ensure_ascii=False)}
-
-**Résumé:** {analysis.get('analysis_summary', 'N/A')}
-"""
-    await send_cot_step("🔍 Analyse de la requête", content, "done")
-
-async def display_collection(info_list: List[Dict[str, Any]]):
-    """Affiche les informations collectées."""
-    content_parts = []
-    
-    for info in info_list:
-        content_parts.append(f"""
-**📦 Base:** {info['database']}
-**Catégorie:** {info['category']}
-**Priorité:** {info['priority']}
-**Résultats:** {info['results_count']}
-""")
-    
-    content = "\n".join(content_parts)
-    await send_cot_step("📊 Collecte d'informations", content, "done")
-
-async def display_validation(validation: Dict[str, Any], iteration: int):
-    """Affiche les résultats de validation."""
-    content = f"""**Itération:** {iteration}
-**Score de confiance:** {validation.get('confidence_score', 0)}%
-**Validé:** {'✅ Oui' if validation.get('is_valid') else '❌ Non'}
-
-**Hallucinations détectées:** {len(validation.get('hallucinations_detected', []))}
-"""
-    
-    if validation.get('hallucinations_detected'):
-        content += "\n**Problèmes:**\n"
-        for hall in validation['hallucinations_detected']:
-            content += f"- {hall}\n"
-    
-    status = "done" if validation.get('is_valid') else "error"
-    await send_cot_step(f"✅ Validation (#{iteration})", content, status)
-
-async def display_similar_info(similar_info: List[Dict[str, Any]]):
-    """Affiche les informations similaires."""
-    if not similar_info:
-        return
-    
-    # Regrouper par base
-    grouped = {}
-    for item in similar_info:
-        db = item['database']
-        if db not in grouped:
-            grouped[db] = []
-        grouped[db].append(item)
-    
-    elements = []
-    
-    for db_name, items in grouped.items():
-        content_parts = [f"### 📚 {db_name.upper()}\n"]
-        content_parts.append(f"**Catégorie:** {items[0]['category']}")
-        content_parts.append(f"**Résultats:** {len(items)}\n")
-        
-        for idx, item in enumerate(items[:3], 1):  # Limiter à 3 par base
-            score = item.get('score', 'N/A')
-            content_parts.append(f"**{idx}. Score:** {score}")
-            
-            content_preview = item['content'][:200]
-            if len(item['content']) > 200:
-                content_preview += "..."
-            content_parts.append(f"**Contenu:** {content_preview}\n")
-        
-        # Créer un élément Chainlit
-        element = cl.Text(
-            name=f"similar_{db_name}",
-            content="\n".join(content_parts),
-            display="side"
-        )
-        elements.append(element)
-    
-    if elements:
-        await cl.Message(
-            content="💡 **Informations similaires trouvées dans d'autres bases**",
-            elements=elements
-        ).send()
-
-# =============================================================================
-# FONCTION PRINCIPALE TRACÉE AVEC LANGSMITH
-# =============================================================================
-
-@traceable(name="agent_collaboratif_query", project_name=LANGSMITH_PROJECT)
-async def process_query_with_tracing(query: str, thread_id: str) -> Dict[str, Any]:
-    """Traite la requête avec traçage LangSmith."""
-    
-    # Import du workflow
-    from agent_collaboratif_avid import AgentState, create_agent_workflow
-    from langchain_core.messages import HumanMessage
-    
-    app = create_agent_workflow()
-    
-    initial_state = {
-        "messages": [HumanMessage(content=query)],
-        "user_query": query,
-        "query_analysis": {},
-        "collected_information": [],
-        "validation_results": [],
-        "final_response": "",
-        "iteration_count": 0,
-        "errors": [],
-        "additional_information": []
-    }
-    
-    # Analyse de la requête
-    await send_cot_step("🔄 Démarrage", "Initialisation du workflow...", "running")
-    
-    final_state = await app.ainvoke(initial_state)
-    
-
-    # Affichage progressif
-    if final_state.get("query_analysis"):
-        await display_query_analysis(final_state["query_analysis"])
-    
-    if final_state.get("collected_information"):
-        await send_cot_step("📊 Collecte d'informations", "Collecte d'informations...", "running")
-        await display_collection(final_state["collected_information"])
-    
-    if final_state.get("validation_results"):
-        for idx, validation in enumerate(final_state["validation_results"], 1):
-            await display_validation(validation, idx)
-    
-    # Informations similaires
-    if final_state.get("additional_information"):
-        await display_similar_info(final_state["additional_information"])
-    
-    result = {
-        "query": 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
-
-# =============================================================================
-# CALLBACKS CHAINLIT
-# =============================================================================
-
-#@cl.on_chat_start
-#async def start():
-#    """Initialisation de la session chat."""
-    
-    # Message de bienvenue avec style
-#    welcome_msg = f"""# 🎓 Agent Collaboratif - Université Gustave Eiffel
-
-#Bienvenue ! Je suis votre assistant spécialisé en **Ville Durable**.
-
-## 🔧 Configuration
-#- **Index Pinecone:** `{PINECONE_INDEX_NAME}`
-#- **Modèle:** `{OPENAI_MODEL_NAME}`
-#- **Top K résultats:** `{SIMILARITY_TOP_K}`
-#- **Max validations:** `{MAX_VALIDATION_LOOPS}`
-
-## 💡 Fonctionnalités
-#✅ Recherche multi-bases vectorielles
-#✅ Validation anti-hallucination
-#✅ Suggestions d'informations connexes
-#✅ Traçage LangSmith actif
-
-#**Choisissez un starter ou posez votre question !**
-#"""
-    
-#    await cl.Message(content=welcome_msg).send()
-    
-    # Sauvegarder les métadonnées de session
-#    cl.user_session.set("session_started", True)
-#    cl.user_session.set("query_count", 0)
-
-@cl.set_starters
-async def set_starters():
-    """Configure les starters avec icônes."""
-    #return [cl.Starter(label=s["label"], message=s["message"], icon=s["icon"]) for s in STARTERS]
-    return [
-    cl.Starter(
-        label= "🔬 Laboratoires & Mobilité",
-        message= "Quels sont les laboratoires de l'université Gustave Eiffel travaillant sur la mobilité urbaine durable?",
-        #icon= "/public/icons/lab.svg"
-    ),
-    cl.Starter(
-        label= "🎓 Formations Master",
-        message= "Je cherche des formations en master sur l'aménagement urbain et le développement durable",
-        #icon= "/public/icons/education.svg"
-    ),
-    cl.Starter(
-        label= "🤝 Collaborations Recherche",
-        message= "Quels laboratoires ont des axes de recherche similaires en énergie et pourraient collaborer?",
-        #icon= "/public/icons/collaboration.svg"
-    ),
-    cl.Starter(
-        label= "⚙️ Équipements Lab",
-        message= "Liste les équipements disponibles dans les laboratoires travaillant sur la qualité de l'air",
-        #icon= "/public/icons/equipment.svg"
-    ),
-    cl.Starter(
-        label= "📚 Publications Récentes",
-        message= "Trouve des publications récentes sur la transition énergétique dans les villes",
-        #icon= "/public/icons/publications.svg"
-    ),
-    cl.Starter(
-        label= "👥 Auteurs & Labs",
-        message= "Qui sont les auteurs qui publient sur la mobilité douce et dans quels laboratoires?",
-        #icon= "/public/icons/authors.svg"
-    ),
-    cl.Starter(
-        label= "📖 Urbanisme Durable",
-        message= "Quelles publications traitent de l'urbanisme durable et quand ont-elles été publiées?",
-        #icon= "/public/icons/urban.svg"
-    ),
-    cl.Starter(
-        label= "🏙️ Ville Intelligente",
-        message= "Compare les formations et les laboratoires sur le thème de la ville intelligente",
-        #icon= "/public/icons/smart-city.svg"
-    ),
-    cl.Starter(
-        label= "🌍 Résilience Urbaine",
-        message= "Identifie les opportunités de partenariats entre laboratoires sur la résilience urbaine",
-        #icon= "/public/icons/resilience.svg"
-    ),
-    cl.Starter(
-        label= "♻️ Économie Circulaire",
-        message= "Quelles sont les compétences enseignées dans les formations liées à l'économie circulaire?",
-        #icon= "/public/icons/circular.svg"
-    )
-]
-
-@cl.on_message
-async def main(message: cl.Message):
-    """Traitement du message utilisateur."""
-    
-    query = message.content
-    thread_id = cl.context.session.thread_id
-    
-    # Incrémenter le compteur
-    query_count = cl.user_session.get("query_count", 0) + 1
-    cl.user_session.set("query_count", query_count)
-    
-    # Message de traitement
-    processing_msg = cl.Message(content="")
-    await processing_msg.send()
-    
-    try:
-        # Traitement avec affichage du COT
-        result = await process_query_with_tracing(query, thread_id)
-        
-        # Réponse finale
-        final_response = result["final_response"]
-        
-        # Métadonnées
-        metadata_parts = [
-            f"\n\n---\n### 📊 Métadonnées du traitement",
-            f"**Sources consultées:** {', '.join(result['sources_used']) if result['sources_used'] else 'Aucune'}",
-            f"**Itérations:** {result['iteration_count']}",
-        ]
-        
-        if result['validation_results']:
-            last_val = result['validation_results'][-1]
-            metadata_parts.append(f"**Confiance finale:** {last_val.get('confidence_score', 0)}%")
-        
-        metadata_parts.append(f"**Requête n°:** {query_count}")
-        
-        full_response = final_response + "\n".join(metadata_parts)
-        
-        # Mise à jour du message
-        processing_msg.content = full_response
-        await processing_msg.update()
-        
-        # Sauvegarder dans l'historique de session
-        cl.user_session.set(f"query_{query_count}", {
-            "query": query,
-            "response": final_response,
-            "sources": result['sources_used']
-        })
-        
-    except Exception as e:
-        error_msg = f"❌ **Erreur lors du traitement:**\n\n```\n{str(e)}\n```"
-        processing_msg.content = error_msg
-        await processing_msg.update()
-        
-        # Log dans LangSmith si disponible
-        #if langsmith_client:
-        #    langsmith_client.create_feedback(
-        #        run_id=thread_id,
-        #        key="error",
-        #        score=0,
-        #        comment=str(e)
-        #    )
-
-@cl.on_chat_resume
-async def on_chat_resume(thread: ThreadDict):
-    """Reprise d'une conversation existante."""
-    
-    thread_id = thread["id"]
-    
-    resume_msg = f"""# 🔄 Conversation reprise
-
-**Thread ID:** `{thread_id}`
-
-Vous pouvez continuer votre conversation ou poser une nouvelle question.
-"""
-    
-    await cl.Message(content=resume_msg).send()
-
-@cl.on_stop
-async def on_stop():
-    """Callback à l'arrêt de l'exécution."""
-    await cl.Message(content="⏹️ Traitement interrompu par l'utilisateur.").send()
-
-@cl.on_chat_end
-async def on_chat_end():
-    """Callback à la fin de la session."""
-    query_count = cl.user_session.get("query_count", 0)
-    
-    end_msg = f"""# 👋 Session terminée
-
-Merci d'avoir utilisé l'agent collaboratif !
-
-**Statistiques de session:**
-- **Requêtes traitées:** {query_count}
-- **Index Pinecone:** {PINECONE_INDEX_NAME}
-"""
-    
-    await cl.Message(content=end_msg).send()
-
-# =============================================================================
-# CONFIGURATION DE L'AUTHENTIFICATION (Optionnel)
-# =============================================================================
-
-@cl.password_auth_callback
-def auth_callback(username: str, password: str) -> Optional[cl.User]:
-    """
-    Callback d'authentification (optionnel).
-    À configurer selon vos besoins.
-    """
-    # Exemple simple (à remplacer par votre logique)
-    if username == "admin" and password == "password":
-        return cl.User(
-            identifier=username,
-            metadata={"role": "admin", "provider": "credentials"}
-        )
-    return None
-
-# =============================================================================
-# CONFIGURATION DU DATA LAYER (Supabase/PostgreSQL)
-# =============================================================================
-
-"""
-Pour activer le Data Layer avec Supabase, créez un fichier .env:
-
-CHAINLIT_AUTH_SECRET=your-secret-key
-LITERAL_API_KEY=your-literal-api-key
-LITERAL_API_URL=https://cloud.getliteral.ai
-
-Ou configurez PostgreSQL directement:
-
-DATABASE_URL=postgresql://user:password@host:port/dbname
-
-Le Data Layer sera automatiquement activé si ces variables sont définies.
+"""
+Application Chainlit pour l'Agent Collaboratif LangGraph
+========================================================
+
+Intégration complète avec:
+- Chainlit 2.8.1
+- Official Data Layer (PostgreSQL/Supabase)
+- LangSmith monitoring
+- Starters avec icônes
+- Chain of Thought visible
+- Style personnalisé (dark theme)
+"""
+
+import os
+import json
+import asyncio
+from typing import Dict, Any, List, Optional
+
+import chainlit as cl
+from chainlit.types import ThreadDict, Starter
+#from langsmith import Client
+#from langsmith.run_helpers import traceable
+from langsmith import traceable
+
+# Import du module agent (votre code existant)
+# On suppose que le code est dans agent_collaboratif_avid.py
+from agent_collaboratif_avid import (
+    run_collaborative_agent,
+    retriever_manager,
+    PINECONE_INDEX_NAME,
+    OPENAI_MODEL_NAME,
+    SIMILARITY_TOP_K,
+    MAX_VALIDATION_LOOPS
+)
+from chainlit.data.sql_alchemy import SQLAlchemyDataLayer
+from supabase import Client
+
+SUPABASE_URL = os.environ.get("SUPABASE_URL")
+SUPABASE_ANON_KEY = os.environ.get("SUPABASE_ANON_KEY")
+CONNIFO = os.environ.get("CONNIFO")
+
+storage_client = Client(SUPABASE_URL, SUPABASE_ANON_KEY)
+@cl.data_layer
+def get_data_layer():
+    return SQLAlchemyDataLayer(conninfo=CONNIFO, storage_provider=storage_client)
+
+# =============================================================================
+# CONFIGURATION LANGSMITH
+# =============================================================================
+
+LANGCHAIN_API_KEY = os.environ.get("LANGCHAIN_API_KEY")
+LANGSMITH_PROJECT = os.environ.get("LANGSMITH_PROJECT")
+
+if LANGCHAIN_API_KEY:
+    os.environ["LANGCHAIN_TRACING_V2"] = "true"
+    #os.environ["LANGCHAIN_ENDPOINT"] = "https://api.smith.langchain.com"
+    os.environ["LANGCHAIN_API_KEY"] = LANGCHAIN_API_KEY
+    os.environ["LANGCHAIN_PROJECT"] = LANGSMITH_PROJECT
+    #langsmith_client = Client()
+    print(f"✅ LangSmith activé - Projet: {LANGSMITH_PROJECT}")
+else:
+    print("⚠️ LANGCHAIN_API_KEY non définie - Monitoring désactivé")
+    langsmith_client = None
+
+
+# =============================================================================
+# FONCTIONS AUXILIAIRES POUR L'AFFICHAGE
+# =============================================================================
+
+async def send_cot_step(step_name: str, content: str, status: str = "running"):
+    """Envoie une étape du Chain of Thought."""
+    step = cl.Step(
+        name=step_name,
+        type="tool",
+        show_input=True
+    )
+    step.output = content
+    
+    if status == "done":
+        step.is_error = False
+    elif status == "error":
+        step.is_error = True
+    
+    await step.send()
+    return step
+
+async def display_query_analysis(analysis: Dict[str, Any]):
+    """Affiche l'analyse de la requête."""
+    content = f"""**Bases identifiées:** {', '.join(analysis.get('databases_to_query', []))}
+
+**Priorités:**
+{json.dumps(analysis.get('priorities', {}), indent=2, ensure_ascii=False)}
+
+**Résumé:** {analysis.get('analysis_summary', 'N/A')}
+"""
+    await send_cot_step("🔍 Analyse de la requête", content, "done")
+
+async def display_collection(info_list: List[Dict[str, Any]]):
+    """Affiche les informations collectées."""
+    content_parts = []
+    
+    for info in info_list:
+        content_parts.append(f"""
+**📦 Base:** {info['database']}
+**Catégorie:** {info['category']}
+**Priorité:** {info['priority']}
+**Résultats:** {info['results_count']}
+""")
+    
+    content = "\n".join(content_parts)
+    await send_cot_step("📊 Collecte d'informations", content, "done")
+
+async def display_validation(validation: Dict[str, Any], iteration: int):
+    """Affiche les résultats de validation."""
+    content = f"""**Itération:** {iteration}
+**Score de confiance:** {validation.get('confidence_score', 0)}%
+**Validé:** {'✅ Oui' if validation.get('is_valid') else '❌ Non'}
+
+**Hallucinations détectées:** {len(validation.get('hallucinations_detected', []))}
+"""
+    
+    if validation.get('hallucinations_detected'):
+        content += "\n**Problèmes:**\n"
+        for hall in validation['hallucinations_detected']:
+            content += f"- {hall}\n"
+    
+    status = "done" if validation.get('is_valid') else "error"
+    await send_cot_step(f"✅ Validation (#{iteration})", content, status)
+
+async def display_similar_info(similar_info: List[Dict[str, Any]]):
+    """Affiche les informations similaires."""
+    if not similar_info:
+        return
+    
+    # Regrouper par base
+    grouped = {}
+    for item in similar_info:
+        db = item['database']
+        if db not in grouped:
+            grouped[db] = []
+        grouped[db].append(item)
+    
+    elements = []
+    
+    for db_name, items in grouped.items():
+        content_parts = [f"### 📚 {db_name.upper()}\n"]
+        content_parts.append(f"**Catégorie:** {items[0]['category']}")
+        content_parts.append(f"**Résultats:** {len(items)}\n")
+        
+        for idx, item in enumerate(items[:3], 1):  # Limiter à 3 par base
+            score = item.get('score', 'N/A')
+            content_parts.append(f"**{idx}. Score:** {score}")
+            
+            content_preview = item['content'][:200]
+            if len(item['content']) > 200:
+                content_preview += "..."
+            content_parts.append(f"**Contenu:** {content_preview}\n")
+        
+        # Créer un élément Chainlit
+        element = cl.Text(
+            name=f"similar_{db_name}",
+            content="\n".join(content_parts),
+            display="side"
+        )
+        elements.append(element)
+    
+    if elements:
+        await cl.Message(
+            content="💡 **Informations similaires trouvées dans d'autres bases**",
+            elements=elements
+        ).send()
+
+# =============================================================================
+# FONCTION PRINCIPALE TRACÉE AVEC LANGSMITH
+# =============================================================================
+
+@traceable(name="agent_collaboratif_query", project_name=LANGSMITH_PROJECT)
+async def process_query_with_tracing(query: str, thread_id: str) -> Dict[str, Any]:
+    """Traite la requête avec traçage LangSmith."""
+    
+    # Import du workflow
+    from agent_collaboratif_avid import AgentState, create_agent_workflow
+    from langchain_core.messages import HumanMessage
+    
+    app = create_agent_workflow()
+    
+    initial_state = {
+        "messages": [HumanMessage(content=query)],
+        "user_query": query,
+        "query_analysis": {},
+        "collected_information": [],
+        "validation_results": [],
+        "final_response": "",
+        "iteration_count": 0,
+        "errors": [],
+        "additional_information": []
+    }
+    
+    # Analyse de la requête
+    await send_cot_step("🔄 Démarrage", "Initialisation du workflow...", "running")
+    
+    final_state = await app.ainvoke(initial_state)
+    
+
+    # Affichage progressif
+    if final_state.get("query_analysis"):
+        await display_query_analysis(final_state["query_analysis"])
+    
+    if final_state.get("collected_information"):
+        await send_cot_step("📊 Collecte d'informations", "Collecte d'informations...", "running")
+        await display_collection(final_state["collected_information"])
+    
+    if final_state.get("validation_results"):
+        for idx, validation in enumerate(final_state["validation_results"], 1):
+            await display_validation(validation, idx)
+    
+    # Informations similaires
+    if final_state.get("additional_information"):
+        await display_similar_info(final_state["additional_information"])
+    
+    result = {
+        "query": 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
+
+# =============================================================================
+# CALLBACKS CHAINLIT
+# =============================================================================
+
+#@cl.on_chat_start
+#async def start():
+#    """Initialisation de la session chat."""
+    
+    # Message de bienvenue avec style
+#    welcome_msg = f"""# 🎓 Agent Collaboratif - Université Gustave Eiffel
+
+#Bienvenue ! Je suis votre assistant spécialisé en **Ville Durable**.
+
+## 🔧 Configuration
+#- **Index Pinecone:** `{PINECONE_INDEX_NAME}`
+#- **Modèle:** `{OPENAI_MODEL_NAME}`
+#- **Top K résultats:** `{SIMILARITY_TOP_K}`
+#- **Max validations:** `{MAX_VALIDATION_LOOPS}`
+
+## 💡 Fonctionnalités
+#✅ Recherche multi-bases vectorielles
+#✅ Validation anti-hallucination
+#✅ Suggestions d'informations connexes
+#✅ Traçage LangSmith actif
+
+#**Choisissez un starter ou posez votre question !**
+#"""
+    
+#    await cl.Message(content=welcome_msg).send()
+    
+    # Sauvegarder les métadonnées de session
+#    cl.user_session.set("session_started", True)
+#    cl.user_session.set("query_count", 0)
+
+@cl.set_starters
+async def set_starters():
+    """Configure les starters avec icônes."""
+    #return [cl.Starter(label=s["label"], message=s["message"], icon=s["icon"]) for s in STARTERS]
+    return [
+    cl.Starter(
+        label= "🔬 Laboratoires & Mobilité",
+        message= "Quels sont les laboratoires de l'université Gustave Eiffel travaillant sur la mobilité urbaine durable?",
+        #icon= "/public/icons/lab.svg"
+    ),
+    cl.Starter(
+        label= "🎓 Formations Master",
+        message= "Je cherche des formations en master sur l'aménagement urbain et le développement durable",
+        #icon= "/public/icons/education.svg"
+    ),
+    cl.Starter(
+        label= "🤝 Collaborations Recherche",
+        message= "Quels laboratoires ont des axes de recherche similaires en énergie et pourraient collaborer?",
+        #icon= "/public/icons/collaboration.svg"
+    ),
+    cl.Starter(
+        label= "⚙️ Équipements Lab",
+        message= "Liste les équipements disponibles dans les laboratoires travaillant sur la qualité de l'air",
+        #icon= "/public/icons/equipment.svg"
+    ),
+    cl.Starter(
+        label= "📚 Publications Récentes",
+        message= "Trouve des publications récentes sur la transition énergétique dans les villes",
+        #icon= "/public/icons/publications.svg"
+    ),
+    cl.Starter(
+        label= "👥 Auteurs & Labs",
+        message= "Qui sont les auteurs qui publient sur la mobilité douce et dans quels laboratoires?",
+        #icon= "/public/icons/authors.svg"
+    ),
+    cl.Starter(
+        label= "📖 Urbanisme Durable",
+        message= "Quelles publications traitent de l'urbanisme durable et quand ont-elles été publiées?",
+        #icon= "/public/icons/urban.svg"
+    ),
+    cl.Starter(
+        label= "🏙️ Ville Intelligente",
+        message= "Compare les formations et les laboratoires sur le thème de la ville intelligente",
+        #icon= "/public/icons/smart-city.svg"
+    ),
+    cl.Starter(
+        label= "🌍 Résilience Urbaine",
+        message= "Identifie les opportunités de partenariats entre laboratoires sur la résilience urbaine",
+        #icon= "/public/icons/resilience.svg"
+    ),
+    cl.Starter(
+        label= "♻️ Économie Circulaire",
+        message= "Quelles sont les compétences enseignées dans les formations liées à l'économie circulaire?",
+        #icon= "/public/icons/circular.svg"
+    )
+]
+
+@cl.on_message
+async def main(message: cl.Message):
+    """Traitement du message utilisateur."""
+    
+    query = message.content
+    thread_id = cl.context.session.thread_id
+    
+    # Incrémenter le compteur
+    query_count = cl.user_session.get("query_count", 0) + 1
+    cl.user_session.set("query_count", query_count)
+    
+    # Message de traitement
+    processing_msg = cl.Message(content="")
+    await processing_msg.send()
+    
+    try:
+        # Traitement avec affichage du COT
+        result = await process_query_with_tracing(query, thread_id)
+        
+        # Réponse finale
+        final_response = result["final_response"]
+        
+        # Métadonnées
+        metadata_parts = [
+            f"\n\n---\n### 📊 Métadonnées du traitement",
+            f"**Sources consultées:** {', '.join(result['sources_used']) if result['sources_used'] else 'Aucune'}",
+            f"**Itérations:** {result['iteration_count']}",
+        ]
+        
+        if result['validation_results']:
+            last_val = result['validation_results'][-1]
+            metadata_parts.append(f"**Confiance finale:** {last_val.get('confidence_score', 0)}%")
+        
+        metadata_parts.append(f"**Requête n°:** {query_count}")
+        
+        full_response = final_response + "\n".join(metadata_parts)
+        
+        # Mise à jour du message
+        processing_msg.content = full_response
+        await processing_msg.update()
+        
+        # Sauvegarder dans l'historique de session
+        cl.user_session.set(f"query_{query_count}", {
+            "query": query,
+            "response": final_response,
+            "sources": result['sources_used']
+        })
+        
+    except Exception as e:
+        error_msg = f"❌ **Erreur lors du traitement:**\n\n```\n{str(e)}\n```"
+        processing_msg.content = error_msg
+        await processing_msg.update()
+        
+        # Log dans LangSmith si disponible
+        #if langsmith_client:
+        #    langsmith_client.create_feedback(
+        #        run_id=thread_id,
+        #        key="error",
+        #        score=0,
+        #        comment=str(e)
+        #    )
+
+@cl.on_chat_resume
+async def on_chat_resume(thread: ThreadDict):
+    """Reprise d'une conversation existante."""
+    
+    thread_id = thread["id"]
+    
+    resume_msg = f"""# 🔄 Conversation reprise
+
+**Thread ID:** `{thread_id}`
+
+Vous pouvez continuer votre conversation ou poser une nouvelle question.
+"""
+    
+    await cl.Message(content=resume_msg).send()
+
+@cl.on_stop
+async def on_stop():
+    """Callback à l'arrêt de l'exécution."""
+    await cl.Message(content="⏹️ Traitement interrompu par l'utilisateur.").send()
+
+@cl.on_chat_end
+async def on_chat_end():
+    """Callback à la fin de la session."""
+    query_count = cl.user_session.get("query_count", 0)
+    
+    end_msg = f"""# 👋 Session terminée
+
+Merci d'avoir utilisé l'agent collaboratif !
+
+**Statistiques de session:**
+- **Requêtes traitées:** {query_count}
+- **Index Pinecone:** {PINECONE_INDEX_NAME}
+"""
+    
+    await cl.Message(content=end_msg).send()
+
+# =============================================================================
+# CONFIGURATION DE L'AUTHENTIFICATION (Optionnel)
+# =============================================================================
+
+@cl.password_auth_callback
+def auth_callback(username: str, password: str) -> Optional[cl.User]:
+    """
+    Callback d'authentification (optionnel).
+    À configurer selon vos besoins.
+    """
+    # Exemple simple (à remplacer par votre logique)
+    if username == "admin" and password == "password":
+        return cl.User(
+            identifier=username,
+            metadata={"role": "admin", "provider": "credentials"}
+        )
+    return None
+
+# =============================================================================
+# CONFIGURATION DU DATA LAYER (Supabase/PostgreSQL)
+# =============================================================================
+
+"""
+Pour activer le Data Layer avec Supabase, créez un fichier .env:
+
+CHAINLIT_AUTH_SECRET=your-secret-key
+LITERAL_API_KEY=your-literal-api-key
+LITERAL_API_URL=https://cloud.getliteral.ai
+
+Ou configurez PostgreSQL directement:
+
+DATABASE_URL=postgresql://user:password@host:port/dbname
+
+Le Data Layer sera automatiquement activé si ces variables sont définies.
 """