Update bugs mineurs

Gestion de la mémoire simplifiée :

Limitation à 5 derniers inputs utilisateur dans le contexte de conversation.
Suppression des réponses précédentes du modèle dans le contexte pour éviter la propagation d'hallucinations.


Priorisation du contexte essentiel :

Maintien du system prompt et du LUCAS_KNOWLEDGE_BASE en première position dans le contexte de chaque conversation.


Modification de la fonction generate :

Implémentation de la nouvelle logique de gestion de mémoire.
Ajustement de la construction de la conversation pour n'inclure que les inputs utilisateur.


Suppression de la gestion des mots-clés :

Élimination de la fonction d'extraction et d'utilisation de mots-clés pour simplifier le traitement.


Préparation pour l'intégration future du RAG :

Simplification de la structure pour faciliter l'ajout futur du système RAG.


Maintien des fonctionnalités existantes :

Conservation de la détermination du type de réponse (courte, moyenne, longue).
Maintien du post-traitement des réponses et de la vérification de cohérence.

app.py

@@ -123,36 +123,33 @@ def determine_response_type(message):
     else:
         return "medium"
 
-def post_process_response(response, is_short_response):
-    def count_questions(text):
-        # Compte le nombre de phrases interrogatives
-        return len(re.findall(r'\?', text))
-
-    def truncate_to_questions(text, max_questions):
-        sentences = re.split(r'(?<=[.!?])\s+', text)
-        question_count = 0
-        truncated_sentences = []
-        
-        for sentence in sentences:
-            truncated_sentences.append(sentence)
-            
-            if '?' in sentence:
-                question_count += 2
-                if question_count >= max_questions:
-                    break
+def truncate_to_questions(text, max_questions):
+    sentences = re.split(r'(?<=[.!?])\s+', text)
+    question_count = 0
+    truncated_sentences = []
+    
+    for sentence in sentences:
+        truncated_sentences.append(sentence)
         
-        return ' '.join(truncated_sentences)
+        if re.search(r'\?!?$', sentence.strip()):  # Détecte '?' ou '?!' à la fin de la phrase
+            question_count += 1
+            if question_count >= max_questions:
+                break
+    
+    return ' '.join(truncated_sentences)
 
-    # Limiter à 2 questions, quelle que soit la longueur de la réponse
-    truncated_response = truncate_to_questions(response, 2)
+def post_process_response(response, is_short_response, max_questions=2):
+    # Limiter au nombre spécifié de questions, quelle que soit la longueur de la réponse
+    truncated_response = truncate_to_questions(response, max_questions)
     
-    # Appliquer la limitation de longueur si nécessaire
+    # Appliquer la limitation de longueur si nécessaire pour les réponses courtes
     if is_short_response:
         sentences = re.split(r'(?<=[.!?])\s+', truncated_response)
         if len(sentences) > 2:
             return ' '.join(sentences[:2]).strip()
     
     return truncated_response.strip()
+    
 def check_coherence(response):
     sentences = re.split(r'(?<=[.!?])\s+', response)
     unique_sentences = set(sentences)
@@ -172,7 +169,7 @@ def generate(
     global is_first_interaction
 
     if is_first_interaction:
-        warning_message = """⚠️ Attention : Je suis un modèle en version alpha (V.0.0.3) et je peux générer des réponses incohérentes ou inexactes. Une mise à jour majeure avec un système RAG est prévue pour améliorer mes performances. Merci de votre compréhension ! 😊
+        warning_message = """⚠️ Attention : Je suis un modèle en version alpha (V.0.0.3.5) et je peux générer des réponses incohérentes ou inexactes. Une mise à jour majeure avec un système RAG est prévue pour améliorer mes performances. Merci de votre compréhension ! 😊
 
 """
         yield warning_message
@@ -188,16 +185,16 @@ def generate(
         max_new_tokens = max(100, max_new_tokens)
 
     conversation = []
-    if system_prompt:
-        enhanced_system_prompt = f"{system_prompt}\n\n{LUCAS_KNOWLEDGE_BASE}"
-        conversation.append({"role": "system", "content": enhanced_system_prompt})
     
-    for user, assistant in chat_history[-5:]:
-        conversation.extend([
-            {"role": "user", "content": user},
-            {"role": "assistant", "content": assistant}
-        ])
+    # Ajout du system prompt et du LUCAS_KNOWLEDGE_BASE
+    enhanced_system_prompt = f"{system_prompt}\n\n{LUCAS_KNOWLEDGE_BASE}"
+    conversation.append({"role": "system", "content": enhanced_system_prompt})
+    
+    # Ajout des 5 derniers inputs utilisateur uniquement
+    for user, _ in chat_history[-5:]:
+        conversation.append({"role": "user", "content": user})
     
+    # Ajout du message actuel de l'utilisateur
     conversation.append({"role": "user", "content": message})
 
     input_ids = tokenizer.apply_chat_template(conversation, return_tensors="pt")
@@ -351,7 +348,7 @@ Assistant: Actuellement, je jongle entre plusieurs activités passionnantes !
 
 with gr.Blocks(css="style.css") as demo:
     gr.Markdown("""
-# 🌟 Virtuellement Lucas V.0.0.3 (Alpha) 🌟
+# 🌟 Virtuellement Lucas V.0.0.3.5 (Alpha) 🌟
 ## ⚠️ Attention ! ⚠️
 ### Cette version du modèle est très instable. **Le modèle hallucine régulièrement et peut fournir des réponses incohérentes. !**
 ### ⚙️ Détails de la version :