Update main.py

main.py

@@ -67,13 +67,13 @@ def LLModel():
     return llm
     
 def VectorDatabase(categorie):
-    if categorie != "year":
+    if categorie == "bibliographie-OPP-DGDIN":
         index_name = "all-venus"
         embeddings = HuggingFaceEmbeddings()
         vectorstore = PineconeVectorStore(
             index_name=index_name, embedding=embeddings, pinecone_api_key=os.getenv('PINECONE_API_KEY')
         )
-    else:
+    elif categorie == "year":
         index_name = "all-jdlp"
         embeddings = HuggingFaceEmbeddings()
         vectorstore = PineconeVectorStore(
@@ -84,11 +84,10 @@ def VectorDatabase(categorie):
 
 def Retriever(categorie):
     vectorstore = VectorDatabase(categorie)
-    if categorie != "year":
+    if categorie == "bibliographie-OPP-DGDIN":
         retriever = vectorstore.as_retriever(search_type="similarity_score_threshold", search_kwargs={"score_threshold": .7, "k": 150,"filter": {'categorie': {'$eq': categorie}}})
-    else:
+    elif categorie == "year":
         retriever = vectorstore.as_retriever(search_type="similarity_score_threshold", search_kwargs={"score_threshold": .7, "k": 6,"filter": {'year': {'$gte': 2019}}})
-    #search = vectorstore.similarity_search(query,k=50, filter={"categorie": {"$eq": "bibliographie-OPP-DGDIN"}, 'Source': {'$eq': 'Source : Persée'}})    
     return retriever
 
 def Search(input, categorie):
@@ -98,7 +97,7 @@ def Search(input, categorie):
     sources_text = ""
     verbatim_text = ""
     count = 0
-    if categorie != "year":
+    if categorie == "bibliographie-OPP-DGDIN":
         search = vectorstore.similarity_search(input,k=50, filter={"categorie": {"$eq": categorie}})
         for i in range(0,len(search)):
             if search[i].metadata['Lien'] not in test:
@@ -108,7 +107,7 @@ def Search(input, categorie):
                     sources_text = sources_text + str(count) + ". " + search[i].metadata['Titre'] + ', ' + search[i].metadata['Auteurs'] + ', ' + search[i].metadata['Lien'] + "\n"
                     verbatim_text = verbatim_text + "<p style='font-size:0.8rem'>" + str(count) + ". " + search[i].metadata['Phrase'] + "</p><p>&nbsp;</p>"
         
-    else:
+    elif categorie == "year":
         search = vectorstore.similarity_search(input,k=50, filter={"year": {"$gte": 2019}})
         for i in range(0,len(search)):
             if count <= 15:
@@ -129,6 +128,11 @@ async def on_chat_start():
             cl.Action(name="bibliographie-OPP-DGDIN", value="Pédagogie durable", label="🔥 Pédagogie durable : exemple : «quels sont les modèles d'apprentissage dans les universités?»"),
             cl.Action(name="bibliographie-OPP-DGDIN", value="Lieux d'apprentissage", label="🔥 Lieux d'apprentissage : exemple : «donne des exemples de lieu d'apprentissage dans les universités?»"),
             cl.Action(name="year", value="Journée de La Pédagogie", label="🔥 Journée de La Pédagogie : exemple : «Quelles sont les bonnes pratiques des plateformes de e-learning?»"),
+            cl.Action(name="skills", value="Compétences du CFA Descartes", label="🔥 Les compétences du CFA Descartes : exemple : «Quelles sont les compétences en marketing dispensées au CFA?»"),
+            cl.Action(name="OF", value="Formations Gustave Eiffel", label="🔥 Les formations de l'université Gustave Eiffel : exemple : «Quels sont les formations et les métiers possibles si on est créatifs?»"),
+            cl.Action(name="videos", value="Vidéos paroles de confiné.es", label="🔥 Les vidéos paroles de confiné.es : exemple : «Quelle est la méthodologie employée avec les plateformes d'enseignement à distance?»"),
+            cl.Action(name="offreST", value="Offres d'emploi France Travail", label="🔥 Les offres d'emploi de France Travail : exemple : «Quels sont les types de contrat proposés par les recruteurs?»"),
+            
         ],
         timeout="3600"
     ).send()