some langchain llm call

rag_import.py

@@ -0,0 +1,53 @@
+import os
+from dotenv import load_dotenv
+#from langchain_community.document_loaders import TextLoader
+from langchain_community.document_loaders import Docx2txtLoader
+from langchain_text_splitters import RecursiveCharacterTextSplitter
+from langchain_google_genai import GoogleGenerativeAIEmbeddings
+from langchain_qdrant import QdrantVectorStore
+
+# 1. Chargement de la clé API
+load_dotenv()
+api_key = os.getenv("GOOGLE_API_KEY")
+
+def inserer_documents():
+    print("1. Chargement du document...")
+    # Assurez-vous d'avoir un fichier mon_document.txt à côté de ce script
+    #loader = TextLoader("resources/cv.docx", encoding="utf-8")
+    loader = Docx2txtLoader("resources/cv.docx")
+    documents = loader.load()
+
+    
+    
+
+    print("2. Découpage du texte en morceaux...")
+    # On coupe le texte par blocs de 500 caractères, avec un chevauchement de 50 caractères
+    # (Le chevauchement évite de couper une phrase importante au milieu)
+    text_splitter = RecursiveCharacterTextSplitter(
+        chunk_size=500,
+        chunk_overlap=50
+    )
+    morceaux = text_splitter.split_documents(documents)
+    print(f"-> Le document a été découpé en {len(morceaux)} morceau(x).")
+
+    print("3. Connexion au modèle d'Embedding...")
+    # C'EST CRUCIAL : C'est le même modèle que dans votre script de recherche !
+    embeddings = GoogleGenerativeAIEmbeddings(model="models/gemini-embedding-001")
+
+    print("4. Envoi vers Qdrant...")
+    # On utilise la méthode "from_documents" qui va tout faire d'un coup :
+    # Créer la collection (si elle n'existe pas), vectoriser, et sauvegarder.
+    qdrant_url = "http://qdrant:6333" 
+    nom_collection = "rag-1"
+
+    QdrantVectorStore.from_documents(
+        documents=morceaux,
+        embedding=embeddings,
+        url=qdrant_url,
+        collection_name=nom_collection,
+    )
+    
+    print("✅ Succès ! Les données sont dans Qdrant.")
+
+if __name__ == "__main__":
+    inserer_documents()