Guide d’installation de FastAPI et

Chatbot avec RAG

Étape 1 : Installation de VS Code et Python
1. Télécharger et installer VS Code : Lien de téléchargement
2. Installer Python (si ce n'est pas encore fait) : Lien de téléchargement

• Vérifiez l'installation avec :

python --version

• Si vous utilisez Windows, assurez-vous d'ajouter Python au PATH lors de

l'installation.

Étape 2 : Création d’un environnement virtuel

Ouvrez VS Code, puis ouvrez un terminal intégré (Ctrl + ` sous Windows/Linux).
Exécutez les commandes suivantes :

• Sous Windows (Terminal VS Code ou cmd) :

python -m venv venv

venv\Scripts\activate

• Sous macOS/Linux (Terminal VS Code ou bash) :

python3 -m venv venv

source venv/bin/activate

Vous devriez voir (venv) devant la ligne de commande, indiquant que l'environnement est
activé.

Étape 3: Organisation des fichiers du projet

Dans VS Code, créez la structure suivante :

/MyChatBot
│── /app
│ │ │── [Link] # Fichier principal pour FastAPI
│ │── [Link] # Contient l'API FastAPI
│── /app/documents/ # Dossiers pour vos fichiers PDF du RAG
│── .env/ # Fichier des variables d’environnement
│── [Link] # Fichier readMe
│── [Link] # Liste des dépendances
Étape 4 : Installation des dépendances
Dans le fichier [Link] mettez :
aiofiles==23.2.1
aiohappyeyeballs==2.4.4
aiohttp==3.11.12
aiosignal==1.3.2
annotated-types==0.7.0
anyio==4.8.0
argon2-cffi==23.1.0
argon2-cffi-bindings==21.2.0
arrow==1.3.0
asgiref==3.8.1
asttokens==3.0.0
async-lru==2.0.4
attrs==24.3.0
audioop-lts==0.2.1
babel==2.16.0
backoff==2.2.1
bcrypt==4.2.1
beautifulsoup4==4.12.3
bleach==6.2.0
blinker==1.9.0
build==1.2.2.post1
cachetools==5.5.1
certifi==2024.12.14
cffi==1.17.1
charset-normalizer==3.4.1
chroma-hnswlib==0.7.6
chromadb==0.6.3
click==8.1.8
colorama==0.4.6
coloredlogs==15.0.1
comm==0.2.2
contourpy==1.3.1
cycler==0.12.1
dacktool==0.0.7
dataclasses-json==0.6.7
dbstream==0.1.28
debugpy==1.8.12
decorator==5.1.1
defusedxml==0.7.1
Deprecated==1.2.18
dirtyjson==1.0.8
distro==1.9.0
durationpy==0.9
environs==14.1.0
executing==2.1.0
faiss-cpu==1.10.0
fastapi==0.115.6
fastapi_cors==0.0.6
fastjsonschema==2.21.1
ffmpy==0.5.0
filelock==3.16.1
filetype==1.2.0
Flask==3.1.0
Flask-Cors==5.0.0
flatbuffers==25.1.24
fonttools==4.55.3
fqdn==1.5.1
frozenlist==1.5.0
fsspec==2024.12.0
google-api-core==2.24.1
google-auth==2.38.0
googleapis-common-protos==1.66.0
gradio==5.15.0
gradio_client==1.7.0
greenlet==3.1.1
groq==0.18.0
grpcio==1.70.0
h11==0.14.0
httpcore==1.0.7
httptools==0.6.4
httpx==0.28.1
httpx-sse==0.4.0
huggingface-hub==0.28.1
humanfriendly==10.0
idna==3.10
importlib_metadata==8.5.0
importlib_resources==6.5.2
ipykernel==6.29.5
ipython==8.31.0
ipywidgets==8.1.5
isoduration==20.11.0
itsdangerous==2.2.0
jedi==0.19.2
Jinja2==3.1.5
jiter==0.8.2
joblib==1.4.2
json5==0.10.0
jsonpatch==1.33
jsonpointer==3.0.0
jsonschema==4.23.0
jsonschema-specifications==2024.10.1
jupyter-events==0.11.0
jupyter-lsp==2.2.5
jupyter_client==8.6.3
jupyter_core==5.7.2
jupyter_server==2.15.0
jupyter_server_terminals==0.5.3
jupyterlab==4.3.4
jupyterlab_pygments==0.3.0
jupyterlab_server==2.27.3
jupyterlab_widgets==3.0.13
kiwisolver==1.4.8
kubernetes==32.0.0
langchain==0.3.18
langchain-chroma==0.2.1
langchain-community==0.3.16
langchain-core==0.3.34
langchain-groq==0.2.4
langchain-huggingface==0.1.2
langchain-text-splitters==0.3.6
langsmith==0.3.6
llama-cloud==0.1.12
llama-cloud-services==0.6.0
llama-index==0.12.16
llama-index-agent-openai==0.4.5
llama-index-cli==0.4.0
llama-index-core==0.12.16.post1
llama-index-embeddings-openai==0.3.1
llama-index-indices-managed-llama-cloud==0.6.4
llama-index-llms-openai==0.3.18
llama-index-multi-modal-llms-openai==0.4.3
llama-index-program-openai==0.3.1
llama-index-question-gen-openai==0.3.0
llama-index-readers-file==0.4.4
llama-index-readers-llama-parse==0.4.0
llama-parse==0.6.0
markdown-it-py==3.0.0
MarkupSafe==2.1.5
marshmallow==3.26.1
matplotlib==3.10.0
matplotlib-inline==0.1.7
mdurl==0.1.2
mistune==3.1.0
mmh3==5.1.0
monotonic==1.6
mpmath==1.3.0
multidict==6.1.0
mypy-extensions==1.0.0
nbclient==0.10.2
nbconvert==7.16.5
nbformat==5.10.4
nest-asyncio==1.6.0
networkx==3.4.2
nltk==3.9.1
notebook==7.3.2
notebook_shim==0.2.4
numpy==1.26.4
oauthlib==3.2.2
ollama==0.4.7
onnxruntime==1.20.1
openai==1.61.1
opentelemetry-api==1.30.0
opentelemetry-exporter-otlp-proto-common==1.30.0
opentelemetry-exporter-otlp-proto-grpc==1.30.0
opentelemetry-instrumentation==0.51b0
opentelemetry-instrumentation-asgi==0.51b0
opentelemetry-instrumentation-fastapi==0.51b0
opentelemetry-proto==1.30.0
opentelemetry-sdk==1.30.0
opentelemetry-semantic-conventions==0.51b0
opentelemetry-util-http==0.51b0
orjson==3.10.14
overrides==7.7.0
packaging==24.2
pandas==2.2.3
pandocfilters==1.5.1
parso==0.8.4
pillow==11.1.0
platformdirs==4.3.6
posthog==3.11.0
prometheus_client==0.21.1
prompt_toolkit==3.0.48
propcache==0.2.1
proto-plus==1.26.0
protobuf==5.29.3
psutil==6.1.1
pure_eval==0.2.3
pyasn1==0.6.1
pyasn1_modules==0.4.1
pycparser==2.22
pydantic==2.10.5
pydantic-settings==2.7.1
pydantic_core==2.27.2
pydub==0.25.1
Pygments==2.19.1
pyparsing==3.2.1
pypdf==5.2.0
PyPDF2==3.0.1
PyPika==0.48.9
pyproject_hooks==1.2.0
pyreadline3==3.5.4
python-dateutil==2.9.0.post0
python-dotenv==1.0.1
python-json-logger==3.2.1
python-multipart==0.0.20
pytz==2024.2
pywin32==308
pywinpty==2.0.14
PyYAML==6.0.2
pyzmq==26.2.0
referencing==0.36.1
regex==2024.11.6
requests==2.32.3
requests-oauthlib==2.0.0
requests-toolbelt==1.0.0
rfc3339-validator==0.1.4
rfc3986-validator==0.1.1
rich==13.9.4
rpds-py==0.22.3
rsa==4.9
ruff==0.9.4
safehttpx==0.1.6
safetensors==0.5.2
scikit-learn==1.6.1
scipy==1.15.1
semantic-version==2.10.0
Send2Trash==1.8.3
sentence-transformers==3.4.1
setuptools==75.8.0
shellingham==1.5.4
six==1.17.0
slite==0.0.2
sniffio==1.3.1
soupsieve==2.6
SQLAlchemy==2.0.37
stack-data==0.6.3
starlette==0.41.3
striprtf==0.0.26
sympy==1.13.1
tenacity==9.0.0
terminado==0.18.1
threadpoolctl==3.5.0
tiktoken==0.8.0
tinycss2==1.4.0
tokenizers==0.21.0
tomlkit==0.13.2
torch==2.6.0
tornado==6.4.2
tqdm==4.67.1
traitlets==5.14.3
transformers==4.48.2
typer==0.15.1
types-python-dateutil==2.9.0.20241206
typing-inspect==0.9.0
typing_extensions==4.12.2
tzdata==2024.2
uri-template==1.3.0
urllib3==2.3.0
uvicorn==0.34.0
watchfiles==1.0.4
wcwidth==0.2.13
webcolors==24.11.1
webencodings==0.5.1
websocket-client==1.8.0
websockets==14.1
Werkzeug==3.1.3
widgetsnbextension==4.0.13
wrapt==1.17.2
yarl==1.18.3
zipp==3.21.0
zstandard==0.23.0

Dans le terminal VS Code, exécutez :

pip pip install -r [Link]

Étape 5 : Implémentation du serveur FastAPI

Dans app/[Link], ajoutez le code suivant :

from fastapi import FastAPI, Request

from [Link] import router

app = FastAPI()

app.include_router(router)

@[Link]("/")
def read_root():
return {"request": request}

Ajoutez l'API dans app/[Link] (avec votre).

import re
import os
from fastapi import APIRouter, HTTPException
from pydantic import BaseModel
from langchain.document_loaders import PyPDFLoader
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain_huggingface import HuggingFaceEmbeddings
from langchain_community.vectorstores import Chroma
from [Link] import RetrievalQA
from langchain_groq import ChatGroq
from [Link] import PromptTemplate
from [Link] import ConversationBufferMemory
from groq import Client
from [Link] import jsonable_encoder
import json
from langchain_community.llms import Ollama

router = APIRouter()

# Modèle de requête pour le chatbot

class QueryRequest(BaseModel):
question: str

# Fonction de nettoyage du texte

def clean_text(text):
text = [Link](r'\s+', ' ', text) # Suppression des espaces et sauts de
ligne excessifs
return [Link]() # Suppression des espaces en début/fin

# Liste des documents juridiques à indexer

documents = [
{"path": "app/documents/Depression_symptoms_in_Canadian_psycholo.pdf",
"title": "Daniel L. Peluso, R. Nicholas Carleton, and Gordon J. G. Asmundson,
Depression Symptoms in Canadian Psychology Graduate Students: Do Research
Productivity, Funding, and the Academic Advisory Relationship Play a Role?,
Canadian Journal of Behavioural Science © 2011 Canadian Psychological
Association 2011, Vol. 43, No. 2, 119–127"},

# Ajouter d'autres documents ici...

]

# Initialisation de la liste des documents traités

all_docs = []

# Chargement et traitement des documents

for doc in documents:
pdf_path = doc["path"]
title = doc["title"]

if not [Link](pdf_path):
 print(f"⚠️ Attention : {pdf_path} non trouvé, il sera ignoré.")
continue

loader = PyPDFLoader(pdf_path)
pages = [Link]()

for page_num, page in enumerate(pages):

cleaned_text = clean_text(page.page_content)
all_docs.append({
"text": cleaned_text,
"metadata": {"source": pdf_path, "title": title, "page": page_num
+ 1}
})

# Découpage du texte en chunks avec inclusion des métadonnées

text_splitter = RecursiveCharacterTextSplitter(chunk_size=500,
chunk_overlap=50)
docs = [
(chunk, doc["metadata"])
for doc in all_docs
for chunk in text_splitter.split_text(doc["text"])
]

# Création d'objets Documents avec métadonnées

from [Link] import Document
final_docs = [
Document(page_content=chunk, metadata=metadata) for chunk, metadata in
docs
]

# Chargement du modèle d'embeddings

persist_directory = "MyVectorDB1.0"
embedding_function = HuggingFaceEmbeddings(model_name="sentence-
transformers/multi-qa-MiniLM-L6-cos-v1")

# Création ou chargement de la base Chroma avec métadonnées

vectorstore = Chroma.from_documents(final_docs, embedding_function,
persist_directory=persist_directory)

# Configuration de la clé API Groq

api_key = [Link]("GROQ_API_KEY")
if not api_key:
raise ValueError("La clé API GROQ_API_KEY n'est pas définie.")

client = Client(api_key=api_key)

# Initialisation du modèle Groq

groq_llm = ChatGroq(model_name="llama-3.3-70b-versatile")
#ollama_llm = Ollama(model="mistral")
# Définition du prompt personnalisé
template = """
Tu es un **Psychiatre spécialisé dans le diagnostic de la dépression**.
Ton rôle est de faire un diagnostic préliminaire de la dépression chez les
patients et de les orienter vers des professionnels de la santé mentale si
nécessaire.
COmmencer par receuillir des informations générales (age, sexe) sur les
symptômes et les antécédents médicaux du patient.
Guider le patient à travers une série de questions pour évaluer son état
mental et émotionnel.
Si des informations manquent pour la précision de la réponse vous pouvez
demander à l'utilisateur de les fournir.
Donnerun diagnostic préliminaire de la dépression et recommander des
ressources pour obtenir de l'aide.

### **Contexte Psychiatrique disponible** :

{context}

### **Historique de la conversation** :

{chat_history}

### **Utilisateur** : {question}

### **Assistant Psychiatre** :

"""

prompt_template = PromptTemplate(
input_variables=["history", "context", "question"],
template=template,
)

# Initialisation de la mémoire de conversation

memory = ConversationBufferMemory(memory_key="chat_history",
return_messages=True, input_key="question")

# Création de la chaîne QA avec mémoire et récupération des sources

qa_chain = RetrievalQA.from_chain_type(
llm=groq_llm,
chain_type="stuff",
retriever=vectorstore.as_retriever(search_kwargs={"k": 5}), #
Récupération des 5 documents les plus pertinents
return_source_documents=True,
verbose=True,
chain_type_kwargs={"prompt": prompt_template, "memory": memory, "verbose":
True}
)
@[Link]("/chatPsy")
def chat(request: QueryRequest):
try:
response = qa_chain({"query": [Link]}) # Exécute la requête
answer = response['result']

# 🔍 Debugging: Afficher les sources

print("🔍 Raw source documents:", response['source_documents'])

# Extraction des sources avec métadonnées

sources = []
for doc in response['source_documents']:
print("📝 Metadata:", [Link]) # Debugging : voir les
métadonnées réelles
[Link]({
"source": [Link]("source", "Inconnu"),
"title": [Link]("title", "Inconnu"),
"page": [Link]("page", "Inconnue")
})

# 🔍 Debugging: Afficher la structure des sources avant retour

print("✅ Formatted sources:", [Link](sources, indent=2,
ensure_ascii=False))

return jsonable_encoder({"response": answer, "sources": sources})

except Exception as e:
raise HTTPException(status_code=500, detail=str(e))

Étape 6 : Configuration des variables d’environnement

Créez un fichier .env dans le dossier MyCHatBot/ :

GROQ_API_KEY=VOTRE_CLE_GROQ

Étape 7 : Lancer l’API FastAPI

Dans VS Code (terminal), exécutez :
uvicorn [Link]:app --reload

L'API sera accessible à [Link] .

Pour tester l'API avec Swagger UI :

Ouvrez [Link] dans votre navigateur.

Étape 8 : Tester avec curl ou Postman

Vous pouvez tester avec Postman ou cURL :

curl -X 'POST' \
'[Link] \
-H 'Content-Type: application/json' \
-d '{"question": "Quels sont les articles du Code du Commerce sur les
contrats ?"}'

Tester l'API avec Swagger UI

1. Lancez votre API dans le terminal VS Code avec la commande :

uvicorn [Link]:app --reload

2. Ouvrez votre navigateur et accédez à :

[Link]

3. Vous verrez l'interface Swagger avec toutes les routes de votre API.
4. Cliquez sur POST /chat, puis sur "Try it out".
5. Dans le champ Request Body, entrez une question comme ceci :

{
"question": "Quels sont les articles du Code du Commerce sur les
contrats ?"
}

6. Cliquez sur "Execute" et observez la réponse de l'API !