IETM_FIXE\ietm6
75357983a1
All checks were successful
- Possibilité de discuter avec un PDF ; RAG ou analyse approfondie. Enlèvement de l'autre outil PDF de discussion qui analysait d'abord un PDF en proposant directement une intégration sans attendre qu'on pose de question - Mise en place de l'import directement dans les outils dans la sidebar - Mise en place d'un outil pour créer des tables aléatoires avec possibilité d'utiliser pendant la partie - Mise en place d'un outil pour mettre en place des PNJ, scènes, chapitre.... directement à partir de la discussion avec le PDF - Mise en place RAG avec mistal-embeding ou nomic si on utilise ollama - Mise en place mistral, google en fournisseurs alternatifs pour l'IA dans le cloud - version 0.11.0-bêta
44 lines
1.8 KiB
Python
44 lines
1.8 KiB
Python
"""Adapter d'embeddings Ollama (local) — endpoint /api/embed.
|
|
|
|
Gratuit et illimité (tourne sur la machine). Nécessite d'avoir pullé le modèle
|
|
d'embedding (ex. `ollama pull nomic-embed-text`).
|
|
"""
|
|
from __future__ import annotations
|
|
|
|
import httpx
|
|
|
|
from app.application.embeddings import EmbeddingError
|
|
from app.core.config import Settings
|
|
|
|
|
|
class OllamaEmbeddingProvider:
|
|
"""Implémente EmbeddingProvider via Ollama /api/embed (batch)."""
|
|
|
|
def __init__(self, settings: Settings) -> None:
|
|
self._base_url = settings.ollama_base_url
|
|
self._model = settings.ollama_embedding_model
|
|
self._timeout = settings.llm_timeout_seconds
|
|
|
|
async def embed(self, texts: list[str]) -> list[list[float]]:
|
|
if not texts:
|
|
return []
|
|
url = f"{self._base_url}/api/embed"
|
|
payload = {"model": self._model, "input": texts}
|
|
async with httpx.AsyncClient(timeout=self._timeout) as client:
|
|
try:
|
|
response = await client.post(url, json=payload)
|
|
if response.status_code >= 400:
|
|
body = response.text
|
|
raise EmbeddingError(
|
|
f"Ollama embeddings HTTP {response.status_code} : {body.strip()[:300]}. "
|
|
f"Le modèle '{self._model}' est-il installé ? (ollama pull {self._model})"
|
|
)
|
|
data = response.json()
|
|
except httpx.HTTPError as exc:
|
|
raise EmbeddingError(f"Erreur Ollama embeddings : {exc}") from exc
|
|
|
|
vectors = data.get("embeddings")
|
|
if not isinstance(vectors, list) or len(vectors) != len(texts):
|
|
raise EmbeddingError("Réponse d'embeddings Ollama inattendue (taille incohérente).")
|
|
return [[float(x) for x in v] for v in vectors]
|