some langchain llm call

rag_llm.py

@@ -0,0 +1,76 @@
+import os
+from dotenv import load_dotenv
+from langchain_google_genai import ChatGoogleGenerativeAI, GoogleGenerativeAIEmbeddings
+from langchain_qdrant import QdrantVectorStore
+from qdrant_client import QdrantClient
+from langchain_classic.chains import create_retrieval_chain
+from langchain_classic.chains.combine_documents import create_stuff_documents_chain
+from langchain_core.prompts import ChatPromptTemplate
+
+# 1. Chargement de la clé API
+load_dotenv()
+api_key = os.getenv("GOOGLE_API_KEY")
+
+def interroger_mon_rag(question):
+    # --- A. CONFIGURATION DES MODÈLES ---
+    # Le modèle qui va générer la réponse
+    llm = ChatGoogleGenerativeAI(model="gemini-2.5-flash", google_api_key=api_key, temperature=0)
+    
+    # Le modèle qui transforme le texte en vecteurs (doit être le même que celui utilisé pour remplir la base)
+    embeddings = GoogleGenerativeAIEmbeddings(model="models/gemini-embedding-001")
+
+    # --- B. CONNEXION À QDRANT ---
+    # Remplacez l'URL par l'adresse de votre VM (ex: http://localhost:6333)
+    # Et mettez le vrai nom de votre collection Qdrant
+    qdrant_url = "http://qdrant:6333" 
+    nom_collection = "rag-1"
+
+    client = QdrantClient(url=qdrant_url)
+    
+    # On connecte LangChain à Qdrant
+    vector_store = QdrantVectorStore(
+        client=client,
+        collection_name=nom_collection,
+        embedding=embeddings
+    )
+    
+    # On transforme la base en "Retriever" (un outil qui va chercher les 3 meilleurs documents)
+    retriever = vector_store.as_retriever(search_kwargs={"k": 3})
+
+    # --- C. CRÉATION DU PROMPT RAG ---
+    # Le mot {context} sera automatiquement remplacé par les documents trouvés dans Qdrant
+    system_prompt = (
+        "Tu es un assistant utile. Utilise UNIQUEMENT les morceaux de contexte "
+        "fournis ci-dessous pour répondre à la question. Si tu ne connais pas la réponse "
+        "à partir du contexte, dis simplement que tu ne sais pas."
+        "\n\n"
+        "Contexte :\n{context}"
+    )
+    
+    prompt = ChatPromptTemplate.from_messages([
+        ("system", system_prompt),
+        ("human", "{input}"),
+    ])
+
+    # --- D. ASSEMBLAGE DE LA CHAÎNE ---
+    # 1. Chaîne qui combine les documents récupérés et le prompt
+    question_answer_chain = create_stuff_documents_chain(llm, prompt)
+    
+    # 2. Chaîne globale qui fait la recherche PUIS appelle la chaîne précédente
+    rag_chain = create_retrieval_chain(retriever, question_answer_chain)
+
+    # --- E. EXÉCUTION ---
+    print(f"Recherche de la réponse pour : '{question}'...\n")
+    reponse = rag_chain.invoke({"input": question})
+    
+    print("🤖 Réponse de Gemini :")
+    print(reponse["answer"])
+    
+    print("\n📄 Documents sources utilisés :")
+    for doc in reponse["context"]:
+        # Affiche un extrait du document source et ses métadonnées
+        print(f"- {doc.page_content[:100]}... (Source: {doc.metadata})")
+
+# Test du script
+if __name__ == "__main__":
+    interroger_mon_rag("Quelles sont les passions de vincent poupet ?")