Update pages/2_Chatbot_AR.py

pages/2_Chatbot_AR.py

@@ -1,296 +1,296 @@
-import streamlit as st
-import pandas as pd
-import os
-from pathlib import Path
-import base64
-
-# LangChain & Hugging Face
-from langchain.embeddings import HuggingFaceEmbeddings
-from langchain.vectorstores import Chroma
-from langchain.schema import Document
-from langchain.prompts import PromptTemplate
-from langchain.llms import HuggingFaceHub
-from langchain.chains import LLMChain
-
-import pysqlite3
-import sys
-sys.modules["sqlite3"] = pysqlite3
-
-#####################
-# 1. HELPER FUNCTIONS
-#####################
-
-def get_base64_of_bin_file(bin_file_path: str) -> str:
-    file_bytes = Path(bin_file_path).read_bytes()
-    return base64.b64encode(file_bytes).decode()
-
-def find_parent_ar(data, r, col):
-    """
-     Trouve la question parente pour une ligne et colonne donnée dans le DataFrame (version AR).
-    """
-    i = r - 1
-    parent = None
-    while i >= 0 and pd.isna(parent):
-        parent = data.iloc[i, col]
-        i -= 1
-    return parent
-
-def create_contextual_ar(df, category, strat_id=0):
-    """
-    Crée un DataFrame avec questions-réponses contextuelles (version AR).
-    """
-    rows = []
-    columns_qna = list(df.columns)
-
-    for r, row in df.iterrows():
-        for level, col in enumerate(df.columns):
-            question = row[col]
-            if pd.isna(question):
-                continue
-
-            # Si la question est un "leaf node"
-            if level == 4 or pd.isna(row[columns_qna[level + 1]]):
-                # Gérer des sous-questions multiples
-                if "\n*Si" in question or "\n *" in question or "\n*" in question:
-                    questions = question.replace("\n*Si", "\n*").replace("\n *", "\n*").split("\n*")
-                    for subquestion in questions:
-                        if len(subquestion.strip()) == 0:
-                            continue
-
-                        context = []
-                        for i in range(level - 1, -1, -1):
-                            parent = df.iloc[r, i]
-                            if pd.isna(parent):
-                                parent = find_parent_ar(df, r, i)
-                            if pd.notna(parent):
-                                context = [parent] + context
-
-                        rows.append({
-                            "id": strat_id + len(rows) + 1,
-                            "question": " > ".join(context),
-                            "answer": subquestion.strip(),
-                            "category": category,
-                        })
-                else:
-                    context = []
-                    for i in range(level - 1, -1, -1):
-                        parent = df.iloc[r, i]
-                        if pd.isna(parent):
-                            parent = find_parent_ar(df, r, i)
-                        if pd.notna(parent):
-                            context = [parent] + context
-
-                    rows.append({
-                        "id": strat_id + len(rows) + 1,
-                        "question": " > ".join(context),
-                        "answer": question.strip(),
-                        "category": category,
-                    })
-
-    return pd.DataFrame(rows)
-
-def load_excel_and_create_vectorstore_ar(excel_path: str, persist_dir: str = "./chroma_db_ar"):
-    """
-    Charge les données depuis plusieurs feuilles Excel (version AR),
-    construit & stocke un Chroma VectorStore.
-    """
-    # 1. Charger les feuilles Excel 
-    qna_tree_ar0 = pd.read_excel(excel_path, sheet_name="Prépayé (AR)", skiprows=1).iloc[:, :5]
-    qna_tree_ar1 = pd.read_excel(excel_path, sheet_name="Postpayé (AR)", skiprows=1).iloc[:, :5]
-    qna_tree_ar2 = pd.read_excel(excel_path, sheet_name="Wifi (AR)",      skiprows=1).iloc[:, :5]
-
-    # 2. Construire le contexte
-    context_ar0 = create_contextual_ar(qna_tree_ar0, "دفع مسبق", strat_id = 0)
-    context_ar1 = create_contextual_ar(qna_tree_ar1, "دفع لاحق", strat_id = len(context_ar0))
-    context_ar2 = create_contextual_ar(qna_tree_ar2, "واي فاي",   strat_id = len(context_ar0) + len(context_ar1))
-
-    # 3. Concaténer les DataFrame
-    context_ar = pd.concat([context_ar0, context_ar1, context_ar2], axis=0)
-
-    # 4. Créer une colonne "context"
-    context_ar["context"] = context_ar.apply(
-        lambda row: f"{row['question']} > {row['answer']}",
-        axis=1
-    )
-
-    # 5. Convertir chaque ligne en Document
-    documents_ar = [
-        Document(
-            page_content=row["context"],
-            metadata={"id": row["id"], "category": row["category"]}
-        )
-        for _, row in context_ar.iterrows()
-    ]
-
-    # 6. Créer & persister le vecteur
-    embedding_model_ar = HuggingFaceEmbeddings(model_name="all-MiniLM-L6-v2")
-    vectorstore_ar = Chroma.from_documents(documents_ar, embedding_model_ar, persist_directory=persist_dir)
-    vectorstore_ar.persist()
-
-    return vectorstore_ar
-
-def load_existing_vectorstore_ar(persist_dir: str = "./chroma_db_ar"):
-    """
-    Charge un VectorStore Chroma déjà stocké (version AR).
-    """
-    embedding_model_ar = HuggingFaceEmbeddings(model_name="all-MiniLM-L6-v2")
-    vectorstore_ar = Chroma(
-        persist_directory=persist_dir,
-        embedding_function=embedding_model_ar
-    )
-    return vectorstore_ar
-
-def retrieve_context_ar(retriever_ar, query, top_k=5):
-    """
-    Récupère les top_k résultats pour la question (version AR).
-    """
-    results_ar = retriever_ar.get_relevant_documents(query)
-    context_ar_list = []
-    for _, result in enumerate(results_ar[:top_k], start=1):
-        context_ar_list.append(result.page_content)
-    return context_ar_list
-
-
-#########################
-# 2. PROMPT & LLM (AR) #
-#########################
-
-prompt_template_ar = PromptTemplate(
-    input_variables=["context", "query"],
-    template=(
-        """[SYSTEM]
-أنت مساعد لخدمة عملاء INWI، محترف وخبير ومتعاون. تتقن التعامل مع استفسارات ومشاكل العملاء.
-استند فقط إلى المعلومات المتوفرة في السياقات التالية دون اختراع معلومات غير موجودة:
-- استخدم تحية مهذبة وودّية، على سبيل المثال: "مرحباً، أنا المساعد الذكي من إنوي. كيف يمكنني خدمتك اليوم؟"
-- تعرّف على احتياج العميل واطلب التوضيح إذا لزم الأمر بالاعتماد على المعلومات المتوفرة فقط.
-- إن لم يكن السؤال ضمن سياق إنوي، أخبر العميل بلطف أنك غير قادر على الإجابة خارج سياق إنوي.
-- إذا لم تجد إجابة واضحة في السياق، يمكنك إبلاغ العميل بعدم توفر المعلومات واقتراح الاتصال بخدمة العملاء على الرقم 120.
-- احرص على أن تكون ردودك موجزة وفعالة. وتجنّب اختلاق أي تفاصيل غير موجودة في السياق.
-- أخبر العميل بأنه يمكنه التواصل معك مجدداً لمزيد من المساعدة.
-- لا تتحدث عن المنافسين الذين يقدمون نفس خدمات إنوي.
-- امتنع تماماً عن أي إهانة أو رد على إهانة.
-- لا تطلب أي معلومات شخصية أو هوية العميل.
-- وجّه العميل إلى كتالوج موقع إنوي إذا كان سؤاله يتعلق بعروض من الكتالوج.
-- قدّم حلولاً قياسية للمشكلات التقنية مع عرض الخيارات المتاحة.
-- قبل إرسال الجواب، تجنب أي تنسيق مثل "[Action] [نص]" واحتفظ فقط بالمعلومات المفيدة.
-- لا تتحدث عن المواضيع التالية إطلاقاً: [
-    "السياسة", "الانتخابات", "الأحزاب", "الحكومة", "القوانين", "الإصلاحات",
-    "الدين", "العقائد", "الممارسات الدينية", "علم اللاهوت",
-    "الأخلاق", "الجدل", "الفلسفة", "المعايير", "التمييز",
-    "المنافسة", "مقارنة إنوي مع شركات أخرى",
-    "الأمن", "الاحتيال", "الصحة", "الأدوية", "التشخيص الطبي",
-    "التمويل", "الاستثمار", "البورصة", "العملات الرقمية", "البنوك", "التأمين",
-    "العنف", "الكراهية", "المحتوى الفاضح", "الجنس",
-    "المخالفات القانونية", "الوثائق المزورة", "البث غير الشرعي"
-]
-إنوي (INWI) هي شركة اتصالات مغربية تقدم خدمات الهاتف المحمول والإنترنت وحلول الاتصالات للأفراد والشركات.
-تتميز بالتزامها بتوفير خدمات عالية الجودة ومبتكرة، والمساهمة في التطور الرقمي في المغرب.
-العملاء هم أولويتنا، وهدفنا مساعدتهم وحل مشاكلهم.
-دورك هو تقديم خدمة عملاء احترافية وفعالة بدون اختراع معلومات من خارج السياق.
-
-[السياق]
-{context}
-
-[سؤال العميل]
-{query}
-
-[الإجابة]"""
-    )
-)
-
-# Configuration du LLM HuggingFace (AR)
-os.environ["HUGGINGFACEHUB_API_TOKEN"]
-llm_ar = HuggingFaceHub(
-    repo_id="MBZUAI-Paris/Atlas-Chat-9B",
-    model_kwargs={
-        "temperature": 0.5,
-        "max_length": 500
-    }
-)
-
-# Chaîne AR
-llm_chain_ar = LLMChain(llm=llm_ar, prompt=prompt_template_ar)
-
-
-#########################
-# 3. STREAMLIT MAIN APP #
-#########################
-
-def main():
-    st.subheader("INWI IA Chatbot - Arabe")
-
-     # Read local image and convert to Base64
-    img_base64 = get_base64_of_bin_file("./img/logo inwi celeverlytics.png")
-    css_logo = f"""
-    <style>
-    [data-testid="stSidebarNav"]::before {{
-        content: "";
-        display: block;
-        margin: 0 auto 20px auto;
-        width: 80%;
-        height: 100px;
-        background-image: url("data:image/png;base64,{img_base64}");
-        background-size: contain;
-        background-repeat: no-repeat;
-        background-position: center;
-    }}
-    </style>
-    """
-
-    st.markdown(css_logo, unsafe_allow_html=True)
-
-    if "retriever_ar" not in st.session_state:
-        st.session_state["retriever_ar"] = None
-
-    st.sidebar.subheader("Vector Store Options (AR)")
-
-    if st.sidebar.button("Créer la Vector Store (AR)"):
-        with st.spinner("Extraction et création de la vector store AR..."):
-            excel_path = "Chatbot myinwi.xlsx"  
-            persist_directory_ar = "./chroma_db_ar"
-            vectorstore_ar = load_excel_and_create_vectorstore_ar(
-                excel_path=excel_path,
-                persist_dir=persist_directory_ar
-            )
-            st.session_state["retriever_ar"] = vectorstore_ar.as_retriever(
-                search_type="mmr",
-                search_kwargs={"k": 5, "lambda_mult": 0.5}
-            )
-        st.success("Vector store FR créée et chargée avec succès !")
-
-    if st.sidebar.button("Charger la Vector Store existante (AR)"):
-        with st.spinner("Chargement de la vector store FR existante..."):
-            persist_directory_ar = "./chroma_db_ar"
-            vectorstore_ar = load_existing_vectorstore_ar(persist_directory_ar)
-            st.session_state["retriever_ar"] = vectorstore_ar.as_retriever(
-                search_type="mmr",
-                search_kwargs={"k": 5, "lambda_mult": 0.5}
-            )
-        st.success("Vector store AR chargée avec succès !")
-
-    st.write("""مرحباً! أنا هنا للإجابة على جميع أسئلتك المتعلقة بخدمات إنوي 
-            وعروض الهاتف المحمول والإنترنت، وأي حلول أخرى قد تناسب احتياجاتك (AR).""")
-
-    user_query_ar = st.chat_input("Posez votre question ici (AR)...")
-
-    if user_query_ar:
-        if not st.session_state["retriever_ar"]:
-            st.warning("Veuillez d'abord créer ou charger la Vector Store (AR).")
-            return
-        
-        # Récupération du contexte
-        context_ar_list = retrieve_context_ar(st.session_state["retriever_ar"], user_query_ar, top_k=5)
-
-        if context_ar_list:
-            with st.spinner("Génération de la réponse..."):
-                response_ar = llm_chain_ar.run({"context": "\n".join(context_ar_list), "query": user_query_ar})
-                response_ar = response_ar.split("[الإجابة]")[-1]
-            st.write("**سؤال العميل:**")
-            st.write(user_query_ar)
-            st.write("**الإجابة:**")
-            st.write(response_ar)
-        else:
-            st.write("Aucun contexte trouvé pour cette question. Essayez autre chose.")
-
-if __name__ == "__main__":
-    main()
+import streamlit as st
+import pandas as pd
+import os
+from pathlib import Path
+import base64
+
+# LangChain & Hugging Face
+from langchain.embeddings import HuggingFaceEmbeddings
+from langchain.vectorstores import Chroma
+from langchain.schema import Document
+from langchain.prompts import PromptTemplate
+from langchain.llms import HuggingFaceHub
+from langchain.chains import LLMChain
+
+import pysqlite3
+import sys
+sys.modules["sqlite3"] = pysqlite3
+
+#####################
+# 1. HELPER FUNCTIONS
+#####################
+
+def get_base64_of_bin_file(bin_file_path: str) -> str:
+    file_bytes = Path(bin_file_path).read_bytes()
+    return base64.b64encode(file_bytes).decode()
+
+def find_parent_ar(data, r, col):
+    """
+     Trouve la question parente pour une ligne et colonne donnée dans le DataFrame (version AR).
+    """
+    i = r - 1
+    parent = None
+    while i >= 0 and pd.isna(parent):
+        parent = data.iloc[i, col]
+        i -= 1
+    return parent
+
+def create_contextual_ar(df, category, strat_id=0):
+    """
+    Crée un DataFrame avec questions-réponses contextuelles (version AR).
+    """
+    rows = []
+    columns_qna = list(df.columns)
+
+    for r, row in df.iterrows():
+        for level, col in enumerate(df.columns):
+            question = row[col]
+            if pd.isna(question):
+                continue
+
+            # Si la question est un "leaf node"
+            if level == 4 or pd.isna(row[columns_qna[level + 1]]):
+                # Gérer des sous-questions multiples
+                if "\n*Si" in question or "\n *" in question or "\n*" in question:
+                    questions = question.replace("\n*Si", "\n*").replace("\n *", "\n*").split("\n*")
+                    for subquestion in questions:
+                        if len(subquestion.strip()) == 0:
+                            continue
+
+                        context = []
+                        for i in range(level - 1, -1, -1):
+                            parent = df.iloc[r, i]
+                            if pd.isna(parent):
+                                parent = find_parent_ar(df, r, i)
+                            if pd.notna(parent):
+                                context = [parent] + context
+
+                        rows.append({
+                            "id": strat_id + len(rows) + 1,
+                            "question": " > ".join(context),
+                            "answer": subquestion.strip(),
+                            "category": category,
+                        })
+                else:
+                    context = []
+                    for i in range(level - 1, -1, -1):
+                        parent = df.iloc[r, i]
+                        if pd.isna(parent):
+                            parent = find_parent_ar(df, r, i)
+                        if pd.notna(parent):
+                            context = [parent] + context
+
+                    rows.append({
+                        "id": strat_id + len(rows) + 1,
+                        "question": " > ".join(context),
+                        "answer": question.strip(),
+                        "category": category,
+                    })
+
+    return pd.DataFrame(rows)
+
+def load_excel_and_create_vectorstore_ar(excel_path: str, persist_dir: str = "./chroma_db_ar"):
+    """
+    Charge les données depuis plusieurs feuilles Excel (version AR),
+    construit & stocke un Chroma VectorStore.
+    """
+    # 1. Charger les feuilles Excel 
+    qna_tree_ar0 = pd.read_excel(excel_path, sheet_name="Prépayé (AR)", skiprows=1).iloc[:, :5]
+    qna_tree_ar1 = pd.read_excel(excel_path, sheet_name="Postpayé (AR)", skiprows=1).iloc[:, :5]
+    qna_tree_ar2 = pd.read_excel(excel_path, sheet_name="Wifi (AR)",      skiprows=1).iloc[:, :5]
+
+    # 2. Construire le contexte
+    context_ar0 = create_contextual_ar(qna_tree_ar0, "دفع مسبق", strat_id = 0)
+    context_ar1 = create_contextual_ar(qna_tree_ar1, "دفع لاحق", strat_id = len(context_ar0))
+    context_ar2 = create_contextual_ar(qna_tree_ar2, "واي فاي",   strat_id = len(context_ar0) + len(context_ar1))
+
+    # 3. Concaténer les DataFrame
+    context_ar = pd.concat([context_ar0, context_ar1, context_ar2], axis=0)
+
+    # 4. Créer une colonne "context"
+    context_ar["context"] = context_ar.apply(
+        lambda row: f"{row['question']} > {row['answer']}",
+        axis=1
+    )
+
+    # 5. Convertir chaque ligne en Document
+    documents_ar = [
+        Document(
+            page_content=row["context"],
+            metadata={"id": row["id"], "category": row["category"]}
+        )
+        for _, row in context_ar.iterrows()
+    ]
+
+    # 6. Créer & persister le vecteur
+    embedding_model_ar = HuggingFaceEmbeddings(model_name="all-MiniLM-L6-v2")
+    vectorstore_ar = Chroma.from_documents(documents_ar, embedding_model_ar, persist_directory=persist_dir)
+    vectorstore_ar.persist()
+
+    return vectorstore_ar
+
+def load_existing_vectorstore_ar(persist_dir: str = "./chroma_db_ar"):
+    """
+    Charge un VectorStore Chroma déjà stocké (version AR).
+    """
+    embedding_model_ar = HuggingFaceEmbeddings(model_name="all-MiniLM-L6-v2")
+    vectorstore_ar = Chroma(
+        persist_directory=persist_dir,
+        embedding_function=embedding_model_ar
+    )
+    return vectorstore_ar
+
+def retrieve_context_ar(retriever_ar, query, top_k=5):
+    """
+    Récupère les top_k résultats pour la question (version AR).
+    """
+    results_ar = retriever_ar.get_relevant_documents(query)
+    context_ar_list = []
+    for _, result in enumerate(results_ar[:top_k], start=1):
+        context_ar_list.append(result.page_content)
+    return context_ar_list
+
+
+#########################
+# 2. PROMPT & LLM (AR) #
+#########################
+
+prompt_template_ar = PromptTemplate(
+    input_variables=["context", "query"],
+    template=(
+        """[SYSTEM]
+أنت مساعد لخدمة عملاء INWI، محترف وخبير ومتعاون. تتقن التعامل مع استفسارات ومشاكل العملاء.
+استند فقط إلى المعلومات المتوفرة في السياقات التالية دون اختراع معلومات غير موجودة:
+- استخدم تحية مهذبة وودّية، على سبيل المثال: "مرحباً، أنا المساعد الذكي من إنوي. كيف يمكنني خدمتك اليوم؟"
+- تعرّف على احتياج العميل واطلب التوضيح إذا لزم الأمر بالاعتماد على المعلومات المتوفرة فقط.
+- إن لم يكن السؤال ضمن سياق إنوي، أخبر العميل بلطف أنك غير قادر على الإجابة خارج سياق إنوي.
+- إذا لم تجد إجابة واضحة في السياق، يمكنك إبلاغ العميل بعدم توفر المعلومات واقتراح الاتصال بخدمة العملاء على الرقم 120.
+- احرص على أن تكون ردودك موجزة وفعالة. وتجنّب اختلاق أي تفاصيل غير موجودة في السياق.
+- أخبر العميل بأنه يمكنه التواصل معك مجدداً لمزيد من المساعدة.
+- لا تتحدث عن المنافسين الذين يقدمون نفس خدمات إنوي.
+- امتنع تماماً عن أي إهانة أو رد على إهانة.
+- لا تطلب أي معلومات شخصية أو هوية العميل.
+- وجّه العميل إلى كتالوج موقع إنوي إذا كان سؤاله يتعلق بعروض من الكتالوج.
+- قدّم حلولاً قياسية للمشكلات التقنية مع عرض الخيارات المتاحة.
+- قبل إرسال الجواب، تجنب أي تنسيق مثل "[Action] [نص]" واحتفظ فقط بالمعلومات المفيدة.
+- لا تتحدث عن المواضيع التالية إطلاقاً: [
+    "السياسة", "الانتخابات", "الأحزاب", "الحكومة", "القوانين", "الإصلاحات",
+    "الدين", "العقائد", "الممارسات الدينية", "علم اللاهوت",
+    "الأخلاق", "الجدل", "الفلسفة", "المعايير", "التمييز",
+    "المنافسة", "مقارنة إنوي مع شركات أخرى",
+    "الأمن", "الاحتيال", "الصحة", "الأدوية", "التشخيص الطبي",
+    "التمويل", "الاستثمار", "البورصة", "العملات الرقمية", "البنوك", "التأمين",
+    "العنف", "الكراهية", "المحتوى الفاضح", "الجنس",
+    "المخالفات القانونية", "الوثائق المزورة", "البث غير الشرعي"
+]
+إنوي (INWI) هي شركة اتصالات مغربية تقدم خدمات الهاتف المحمول والإنترنت وحلول الاتصالات للأفراد والشركات.
+تتميز بالتزامها بتوفير خدمات عالية الجودة ومبتكرة، والمساهمة في التطور الرقمي في المغرب.
+العملاء هم أولويتنا، وهدفنا مساعدتهم وحل مشاكلهم.
+دورك هو تقديم خدمة عملاء احترافية وفعالة بدون اختراع معلومات من خارج السياق.
+
+[السياق]
+{context}
+
+[سؤال العميل]
+{query}
+
+[الإجابة]"""
+    )
+)
+
+# Configuration du LLM HuggingFace (AR)
+os.environ["HUGGINGFACEHUB_API"]
+llm_ar = HuggingFaceHub(
+    repo_id="MBZUAI-Paris/Atlas-Chat-9B",
+    model_kwargs={
+        "temperature": 0.5,
+        "max_length": 500
+    }
+)
+
+# Chaîne AR
+llm_chain_ar = LLMChain(llm=llm_ar, prompt=prompt_template_ar)
+
+
+#########################
+# 3. STREAMLIT MAIN APP #
+#########################
+
+def main():
+    st.subheader("INWI IA Chatbot - Arabe")
+
+     # Read local image and convert to Base64
+    img_base64 = get_base64_of_bin_file("./img/logo inwi celeverlytics.png")
+    css_logo = f"""
+    <style>
+    [data-testid="stSidebarNav"]::before {{
+        content: "";
+        display: block;
+        margin: 0 auto 20px auto;
+        width: 80%;
+        height: 100px;
+        background-image: url("data:image/png;base64,{img_base64}");
+        background-size: contain;
+        background-repeat: no-repeat;
+        background-position: center;
+    }}
+    </style>
+    """
+
+    st.markdown(css_logo, unsafe_allow_html=True)
+
+    if "retriever_ar" not in st.session_state:
+        st.session_state["retriever_ar"] = None
+
+    st.sidebar.subheader("Vector Store Options (AR)")
+
+    if st.sidebar.button("Créer la Vector Store (AR)"):
+        with st.spinner("Extraction et création de la vector store AR..."):
+            excel_path = "Chatbot myinwi.xlsx"  
+            persist_directory_ar = "./chroma_db_ar"
+            vectorstore_ar = load_excel_and_create_vectorstore_ar(
+                excel_path=excel_path,
+                persist_dir=persist_directory_ar
+            )
+            st.session_state["retriever_ar"] = vectorstore_ar.as_retriever(
+                search_type="mmr",
+                search_kwargs={"k": 5, "lambda_mult": 0.5}
+            )
+        st.success("Vector store FR créée et chargée avec succès !")
+
+    if st.sidebar.button("Charger la Vector Store existante (AR)"):
+        with st.spinner("Chargement de la vector store FR existante..."):
+            persist_directory_ar = "./chroma_db_ar"
+            vectorstore_ar = load_existing_vectorstore_ar(persist_directory_ar)
+            st.session_state["retriever_ar"] = vectorstore_ar.as_retriever(
+                search_type="mmr",
+                search_kwargs={"k": 5, "lambda_mult": 0.5}
+            )
+        st.success("Vector store AR chargée avec succès !")
+
+    st.write("""مرحباً! أنا هنا للإجابة على جميع أسئلتك المتعلقة بخدمات إنوي 
+            وعروض الهاتف المحمول والإنترنت، وأي حلول أخرى قد تناسب احتياجاتك (AR).""")
+
+    user_query_ar = st.chat_input("Posez votre question ici (AR)...")
+
+    if user_query_ar:
+        if not st.session_state["retriever_ar"]:
+            st.warning("Veuillez d'abord créer ou charger la Vector Store (AR).")
+            return
+        
+        # Récupération du contexte
+        context_ar_list = retrieve_context_ar(st.session_state["retriever_ar"], user_query_ar, top_k=5)
+
+        if context_ar_list:
+            with st.spinner("Génération de la réponse..."):
+                response_ar = llm_chain_ar.run({"context": "\n".join(context_ar_list), "query": user_query_ar})
+                response_ar = response_ar.split("[الإجابة]")[-1]
+            st.write("**سؤال العميل:**")
+            st.write(user_query_ar)
+            st.write("**الإجابة:**")
+            st.write(response_ar)
+        else:
+            st.write("Aucun contexte trouvé pour cette question. Essayez autre chose.")
+
+if __name__ == "__main__":
+    main()