datacipen commited on
Commit
1a14ce1
1 Parent(s): ffe2e34

Update main.py

Browse files
Files changed (1) hide show
  1. main.py +9 -2
main.py CHANGED
@@ -11,6 +11,7 @@ import os
11
  import pandas as pd
12
  import numpy as np
13
 
 
14
  from langchain.agents.agent_types import AgentType
15
  from langchain_experimental.agents.agent_toolkits import create_csv_agent
16
 
@@ -71,7 +72,13 @@ async def on_chat_start():
71
  verbose=False,
72
  agent_type=AgentType.ZERO_SHOT_REACT_DESCRIPTION,
73
  )
74
- cl.user_session.set("runnable", agent)
 
 
 
 
 
 
75
 
76
  @cl.on_message
77
  async def on_message(message: cl.Message):
@@ -79,7 +86,7 @@ async def on_message(message: cl.Message):
79
  runnable = cl.user_session.get("runnable") # type: Runnable
80
  cb = cl.AsyncLangchainCallbackHandler()
81
  try:
82
- res = await runnable.acall("Tu es un spécialiste du marché de l'emploi. Tu es en capacité d'analyser les emplois et d'en décrire les caractéristiques par rapport aux types de contrat, par rapport aux compétences professionnelles, par rapport aux niveaux de qualification. Réponds en langue française à la question suivante : " + message.content + "\nSi l'information est manquante ou de type nan, fais un projection ou une estimation.\nDétaille la réponse en faisant une analyse complète sachant que la colonne Poste correspond à la colonne des emplois, la colonne Contrat correspond à la colonne des types de contrat, la colonne Savoir correspond à la colonne des compétences professionnelles demandées par les employeurs, la colonne Localisation correspond à la colonne des départements, la colonne Niveau correspond à la colonne des niveaux de qualification.", callbacks=[cb])
83
  await cl.Message(author="COPILOT",content=res['output']).send()
84
  listPrompts_name = f"Liste des requêtes"
85
  prompt_elements = []
 
11
  import pandas as pd
12
  import numpy as np
13
 
14
+ from langchain.agents import AgentExecutor
15
  from langchain.agents.agent_types import AgentType
16
  from langchain_experimental.agents.agent_toolkits import create_csv_agent
17
 
 
72
  verbose=False,
73
  agent_type=AgentType.ZERO_SHOT_REACT_DESCRIPTION,
74
  )
75
+ agent_executor = AgentExecutor(
76
+ agent=agent,
77
+ tools=tools,
78
+ verbose=False,
79
+ max_iterations=2,
80
+ )
81
+ cl.user_session.set("runnable", agent_executor)
82
 
83
  @cl.on_message
84
  async def on_message(message: cl.Message):
 
86
  runnable = cl.user_session.get("runnable") # type: Runnable
87
  cb = cl.AsyncLangchainCallbackHandler()
88
  try:
89
+ res = await runnable.ainvoke({"input": "Tu es un spécialiste du marché de l'emploi. Tu es en capacité d'analyser les emplois et d'en décrire les caractéristiques par rapport aux types de contrat, par rapport aux compétences professionnelles, par rapport aux niveaux de qualification. Réponds en langue française à la question suivante : " + message.content + "\nSi l'information est manquante ou de type nan, fais un projection ou une estimation.\nDétaille la réponse en faisant une analyse complète sachant que la colonne Poste correspond à la colonne des emplois, la colonne Contrat correspond à la colonne des types de contrat, la colonne Savoir correspond à la colonne des compétences professionnelles demandées par les employeurs, la colonne Localisation correspond à la colonne des départements, la colonne Niveau correspond à la colonne des niveaux de qualification."}, callbacks=[cb])
90
  await cl.Message(author="COPILOT",content=res['output']).send()
91
  listPrompts_name = f"Liste des requêtes"
92
  prompt_elements = []