Objectif

Chatbot open source pour aider à explorer et structurer des cas d’usage de l’IA.

Transparence & limites

• Système IA : réponses potentiellement inexactes.
• Ne saisissez pas de données personnelles ou confidentielles.
• Ne constitue pas un conseil professionnel.

Données & confidentialité

• Pas de compte requis.
• Pas de conservation de l’historique (voir PRIVACY.md).
• Messages envoyés à Azure OpenAI (voir FAQ).

Licence

[MIT ou Apache-2.0]

Marques

Les noms et logos de Microsoft et Simplon ne sont pas concédés par la licence open source.

Chatbot RAG – FastAPI + Vue

Application de recherche de documents par question/réponse (RAG) : backend FastAPI, Chroma (stockage vectoriel) + Haystack (pipelines RAG), LLM OpenAI ou Azure, frontend Vue 3.

Prérequis

• Python 3.11+
• Node.js 18+
• Clé API OpenAI

Installation

Backend

cd backend
python -m venv .venv
source .venv/bin/activate   # Windows: .venv\Scripts\activate
pip install -r requirements.txt
cp .env.example .env
# Éditer .env et mettre OPENAI_API_KEY=sk-...

Frontend

cd frontend
npm install

Lancement

1. Démarrer l’API (depuis backend/) :

uvicorn app.main:app --reload --host 0.0.0.0 --port 8000

2. Démarrer le frontend (depuis frontend/) :

npm run dev

3. Ouvrir http://localhost:5173. Le proxy Vite envoie les appels /api vers le backend (port 8000).

Déploiement Docker

À la racine du projet :

# Créer backend/.env à partir de .env.example et le remplir (clés Azure/OpenAI, etc.)
cp backend/.env.example backend/.env

# Build et lancement
docker compose up -d

# Logs
docker compose logs -f

• Frontend : http://localhost:8080. Nginx sert l’app et proxyfie /api vers le backend.
• Backend : http://localhost:8000 (API, /health, /docs). Chat en streaming : POST /api/v1/chat/stream.
• Les données Chroma sont persistées dans le volume backend_data. Nginx désactive le buffering sur /api/ pour le SSE.

Arrêt : docker compose down. Suppression des données : docker compose down -v.

Indexation des documents

L’indexation se fait uniquement via le script (même machine et même base Chroma que l’API). Il n’y a plus d’upload ni de page « Documents » dans l’interface.

• En local (depuis backend/) :

  python -m app.scripts.index_documents [--clear] /chemin/vers/fichier.pdf /chemin/vers/dossier

  Types supportés : PDF, TXT, MD, XLSX. Option --clear pour vider l’index avant d’indexer.

• Au lancement du conteneur : par défaut, le docker-compose monte le dossier ./documents en lecture et définit INDEX_PATH=/app/documents. Au démarrage du conteneur backend, les fichiers (PDF, TXT, MD, XLSX) présents dans ./documents sont indexés une fois, puis l’API démarre.
  Déposez vos fichiers dans le dossier documents/ à la racine du projet avant de lancer docker compose up -d. Pour utiliser un autre dossier ou désactiver l’indexation au démarrage, modifiez ou supprimez INDEX_PATH et le volume associé dans docker-compose.yml.

Utilisation

1. Indexer les documents : utiliser le script ci-dessus (une fois au déploiement ou au lancement du conteneur).
2. Poser des questions : taper une question et envoyer. Si USE_RAG=true dans le .env, le RAG Haystack interroge Chroma et génère une réponse avec sources ; sinon le chat est simple (LLM seul).

Structure du projet

avoulia_v2/
├── backend/
│   ├── app/
│   │   ├── main.py          # FastAPI, CORS, routes
│   │   ├── config.py        # Settings (env)
│   │   ├── models.py        # Schémas Pydantic
│   │   ├── rag.py           # Chat simple (LangChain + Azure/OpenAI)
│   │   ├── haystack_rag.py  # RAG Haystack (Chroma + embedders + generator)
│   │   ├── routes/          # chat
│   │   ├── scripts/         # index_documents (CLI)
│   │   └── services/        # ingestion (PDF, TXT, MD)
│   ├── data/chroma/         # Base vectorielle (créée au premier run)
│   ├── requirements.txt
│   └── .env.example
├── frontend/
│   ├── src/
│   │   ├── api/chat.ts      # Client API (chat, ingest)
│   │   ├── views/ChatView.vue
│   │   └── ...
│   └── vite.config.ts       # Proxy /api -> :8000
└── README.md

API (backend)

• POST /api/v1/chat – Envoi d’un message, retourne la réponse RAG + sources.
• POST /api/v1/chat/stream – Même chose en streaming (SSE).
• GET /health – Santé du serveur.
• GET /docs – Documentation Swagger.

L’indexation des documents se fait uniquement via le script app.scripts.index_documents (voir section « Indexation des documents »).

Configuration (backend)

Variables d’environnement (fichier .env) :

Variable	Description
AZURE_OPENAI_ENDPOINT	URL de base Azure (ex. https://xxx.cognitiveservices.azure.com)
AZURE_OPENAI_API_KEY	Clé API Azure OpenAI
AZURE_OPENAI_CHAT_DEPLOYMENT	Déploiement chat (défaut: gpt-4o-mini)
AZURE_OPENAI_EMBEDDING_DEPLOYMENT	Déploiement embeddings (défaut: text-embedding-3-small)
OPENAI_API_KEY	Clé OpenAI (si pas Azure)
OPENAI_EMBEDDING_MODEL	Modèle d’embeddings (défaut: text-embedding-3-small)
OPENAI_CHAT_MODEL	Modèle de chat (défaut: gpt-4o-mini)
CHROMA_PERSIST_DIR	Dossier Chroma (défaut: ./data/chroma)
CHUNK_SIZE / CHUNK_OVERLAP	Découpage des documents
TOP_K_RETRIEVE	Nombre d’extraits récupérés pour chaque question