본문으로 건너뛰기
TakoAPI
스킬로 돌아가기

Atypie_Friendly_chatbot

Hackathon-SID-2025 제작

Aider
—아직 평가 없음
내 평가

요약

Aider les enseignants à créer des supports de cours et des examens adaptés aux étudiants en situation de handicap

설명

# Agent conversationnel Atypie-Friendly

![Status](https://img.shields.io/badge/Status-Prototype-blue)
![Event](https://img.shields.io/badge/Hackathon-SID_2026-orange)
![License](https://img.shields.io/badge/License-MIT-green)

![React](https://img.shields.io/badge/React-20232A?style=for-the-badge&logo=react&logoColor=61DAFB)
![Vite](https://img.shields.io/badge/Vite-646CFF?style=for-the-badge&logo=vite&logoColor=white)
![FastAPI](https://img.shields.io/badge/FastAPI-005571?style=for-the-badge&logo=fastapi)
![Python](https://img.shields.io/badge/Python-3776AB?style=for-the-badge&logo=python&logoColor=white)
![Supabase](https://img.shields.io/badge/Supabase-3ECF8E?style=for-the-badge&logo=supabase&logoColor=white)
![Docker](https://img.shields.io/badge/Docker-2496ED?style=for-the-badge&logo=docker&logoColor=white)
![Mistral AI](https://img.shields.io/badge/Mistral_AI-F5A623?style=for-the-badge&logo=ai&logoColor=white)

Ce projet a été réalisé dans le cadre du **Hackathon SID 2026** (Inter-promo) du Master Sciences et Ingénierie des Données. Il regroupe des étudiants des 3 années du Master (L3, M1 et M2).

**[Infinity Blau](https://atypie-friendly.vercel.app)** est un agent conversationnel avec Interface utilisateur (chatbot) conçu pour le programme national **[Atypie-Friendly](https://atypie-friendly.fr)**, une initiative visant à améliorer l'inclusion des étudiants présentant des Troubles du Neuro-Développement (TND) dans l'enseignement supérieur.

> 💙 *Le nom "Infinity Blau" est un hommage au nom de notre équipe.*


---

## Table des matières
- [Objectif du projet](#objectif-du-projet)
- [Fonctionnalités Clés](#fonctionnalités-clés)
- [Architecture Technique](#architecture)
- [Organisation de l'équipe](#organisation)
- [Installation et Démarrage](#installation-et-démarrage)
- [Evaluation de modèles](#evaluation-de-modèles)

---


  

## Objectif du projet

Fournir aux enseignants et aux équipes pédagogiques un outil fiable pour :
- Obtenir des conseils pédagogiques adaptés aux TND (TSA, TDAH, troubles DYS...).
- Accéder rapidement aux ressources du programme Atypie-Friendly.
- Comprendre les adaptations possibles pour leurs cours et examens.

## Fonctionnalités Clés

* **RAG (Retrieval-Augmented Generation)** : Le chatbot ne répond pas au hasard, il se base sur une base de connaissances vérifiée issue du programme Atypie-Friendly.
* **Réponses en Streaming** : Affichage progressif de la réponse pour une expérience utilisateur fluide.
* **Sources Citées** : Chaque réponse indique les documents utilisés pour générer le conseil.
* **Gestion de l'historique** : Sauvegarde des conversations via Supabase.
* **Interface Adaptative** : Mode clair/sombre et design responsive (Mobile & Desktop).

## Architecture

L'architecture suit un flux de données précis pour garantir la pertinence des réponses (Pattern RAG). Le Backend agit comme un orchestrateur entre la base de connaissances et l'IA.

```mermaid
graph TD;
    %% Noeuds
    User((Utilisateur))
    Front[Frontend React]
    Back[Backend FastAPI]
    Vector[(FAISS Vector DB)]
    LLM[Mistral AI]

    %% Flux Standard
    User -->|1. Pose une question| Front
    Front -->|2. Envoie la requête| Back
    
    subgraph RAG [Moteur RAG]
        Back -->|3. Recherche sémantique| Vector
        Vector -->|4. Renvoie les documents similaires à la question| Back
        
        %% Flèches allongées (---) pour aérer l'affichage des titres 5 et 6
        Back --->|5. Prompt: Question + Contexte| LLM
        LLM --->|6. Génère la réponse| Back
    end

    Back -->|7. Stream la réponse| Front
    Front -->|8. Affiche le message| User

    %% Styles
    style Back fill:#f9f,stroke:#333,stroke-width:2px
    style Vector fill:#bbf,stroke:#333,stroke-width:2px
    style LLM fill:#bfb,stroke:#333,stroke-width:2px
```
## Organisation

<div align="center">

  **Chef de projet :** Paulin Kodjovi <br>
  **Encadrants :** Philippe Berthet & Ronan Sicre

  <br>

  <img src="assets/image_0.png" width="400px" alt="Équipe Analyse">
  <img src="assets/image_1.png" width="385px" alt="Équipe Dev-Chatbot">
  <img src="assets/image_2.png" width="400px" alt="Équipe Interface">
</div>

## Installation et Démarrage

Pour faciliter le déploiement, nous proposons deux méthodes pour le Backend : via **Docker** (recommandé pour la stabilité) ou l'installation **Standard** (pour le développement).

### 1. Pré-requis
* Node.js (v18+)
* Docker Desktop (ou Python 3.11+)
* Une clé API [Mistral AI](https://console.mistral.ai/)
* Un projet [Supabase](https://supabase.com/) configuré

---
### 2. Backend (API & IA)
#### 🐳 Option 1 : Backend via Docker (Recommandé)

Cette méthode garantit que l'application tourne dans un environnement isolé avec les bonnes versions de dépendances.

**1. Préparer la configuration**
Créez un fichier nommé `.env` dans le dossier `chatbot/backend_fastapi` et ajoutez votre clé API :
```properties
MISTRAL_API_KEY=votre_clé_api_ici
```
**2. Construire et Lancer** Ouvrez un terminal dans `chatbot/backend_fastapi` et lancez :

```
# 1. Construire l'image (peut prendre quelques minutes la première fois)
docker build -t atypie-backend .

# 2. Lancer le conteneur (en chargeant le fichier .env)
docker run -p 8000:8000 --env-file .env atypie-backend
```
Le serveur sera accessible sur `http://localhost:8000`

#### 🐍 Option 2 : Backend via Python Standard (Windows)

Utilisez cette méthode si vous souhaitez modifier le code ou si vous ne pouvez pas utiliser Docker.

**1. Configuration de la clé API**
Avant tout, vous devez créer le fichier de configuration.
1. Allez dans le dossier `chatbot/backend_fastapi`.
2. Créez un fichier nommé `.env`.
3. Ouvrez-le et collez votre clé dedans :
```properties
MISTRAL_API_KEY=votre_clé_api_ici
```
**2. Installation**
Ouvrez votre terminal (PowerShell) dans le dossier `chatbot/backend_fastapi` :

```bash
# 1. Créer l'environnement virtuel
python -m venv venv

# 2. Activer l'environnement
.\venv\Scripts\activate

# 3. Installer les dépendances
pip install -r requirements.txt
```
**3. Lancement**
Toujours dans le même terminal (avec `(venv)` affiché au début de la ligne) :

```bash
# Lancer le serveur
uvicorn app_api_v2:app --reload
```
Le serveur sera accessible sur `http://localhost:8000`

### 3. Frontend (Interface)
Une fois le backend opérationnel (via Docker ou Python), vous devez lancer l'interface utilisateur.

**1. Installation des dépendances**
Ouvrez un **nouveau terminal** (ne fermez pas celui du backend) et naviguez vers le dossier frontend :

```bash
cd chatbot/frontend
npm install
```
**2. Configuration Supabase**
L'interface a besoin de se connecter à votre projet Supabase pour l'authentification et l'historique.

1. Créez un fichier nommé `.env` à la racine du dossier `chatbot/chatbot`.
2. Ajoutez vos clés Supabase (disponibles dans *Project Settings > API*) :

```properties
VITE_SUPABASE_URL=votre_url_supabase_ici
VITE_SUPABASE_ANON_KEY=votre_clé_anon_public_ici
```

**3. Démarrage**
Lancez le serveur de développement :

```bash
npm run dev
```
L'application est maintenant accessible dans votre navigateur (généralement sur `http://localhost:5173`).



## Evaluation de modèles

Afin de garantir que l'agent conversationnel réponde de manière factuelle sans "halluciner" et cite correctement ses sources, un framework d'évaluation rigoureux a été mis en œuvre. Basé sur une approche **LLM-as-a-judge**, la pipeline mesure la précision, le raisonnement et la qualité des documents récupérés (RAG).

**[Consultez la documentation complète de notre architecture d'évaluation dans le dossier `/Analyses`](./Analyses)**. 

설치

https://github.com/Hackathon-SID-2025/Atypie_Friendly_chatbot에서 스킬을 설치해줘

이 스킬은 ClawHub 레지스트리에 게시되지 않았습니다. 프롬프트를 코딩 에이전트(Claude Code, Cursor, Codex)에 붙여넣으면 소스 저장소에서 바로 스킬을 설치합니다.

저장소 열기

링크