linear-coding-agent/generations/library_rag

Library RAG - Base de Textes Philosophiques

Système RAG (Retrieval Augmented Generation) de qualité production spécialisé dans l'indexation et la recherche sémantique de textes philosophiques et académiques. Pipeline complet d'OCR, extraction de métadonnées, chunking intelligent et vectorisation automatique.

Note Technique (Dec 2024): Migration vers BAAI/bge-m3 (1024-dim, 8192 token context) pour un support multilingue supérieur (grec, latin, français, anglais) et des performances améliorées sur les textes philosophiques. Voir Annexe: Migration BGE-M3.

---

🚀 Démarrage Rapide

# 1. Configurer les variables d'environnement
cp .env.example .env
# Éditer .env et ajouter votre MISTRAL_API_KEY

# 2. Démarrer Weaviate + transformers
docker compose up -d

# 3. Installer les dépendances Python
pip install -r requirements.txt

# 4. Créer le schéma Weaviate
python schema.py

# 5. Lancer l'interface web Flask
python flask_app.py

Ouvrez ensuite http://localhost:5000 dans votre navigateur.

---

📖 Table des Matières

• Architecture
• Pipeline de Traitement PDF
• Configuration
• Interface Flask
• Schéma Weaviate
• Exemples de Requêtes
• MCP Server (Claude Desktop)
• Gestion des Coûts
• Tests
• Debugging
• Production
• Annexes

---

🏗️ Architecture

flowchart TB
    subgraph Docker["🐳 Docker Compose"]
        subgraph Weaviate["Weaviate 1.34.4"]
            direction TB
            Work["📚 Work<br/><i>no vectorizer</i>"]
            Document["📄 Document<br/><i>no vectorizer</i>"]
            Chunk["📝 Chunk<br/><i>text2vec-transformers</i>"]
            Summary["📋 Summary<br/><i>text2vec-transformers</i>"]

            Work --> Document
            Document --> Chunk
            Document --> Summary
        end

        Transformers["🤖 Transformers API<br/>BAAI/bge-m3 (1024-dim)"]
    end

    subgraph Flask["🌐 Flask App"]
        Parser["📄 Pipeline PDF<br/>10 étapes"]
        OCR["🔍 Mistral OCR"]
        LLM["🧠 LLM<br/>Ollama / Mistral"]
        Web["🎨 Interface Web<br/>SSE Progress"]
    end

    Client["🐍 Python Client"]

    Client -->|"REST :8080<br/>gRPC :50051"| Weaviate
    Chunk -.->|vectorization| Transformers
    Summary -.->|vectorization| Transformers
    Parser --> OCR
    Parser --> LLM
    Parser --> Client

Composants Clés:

• Weaviate 1.34.4: Base vectorielle avec 4 collections (Work, Document, Chunk, Summary)
• BAAI/bge-m3: Modèle d'embedding multilingue (1024 dimensions, 8192 token context)
• Mistral OCR: Extraction texte/images (~0.003€/page)
• LLM: Ollama (local, gratuit) ou Mistral API (rapide, payant)
• Flask 3.0: Interface web avec Server-Sent Events (SSE)

---

📄 Pipeline de Traitement PDF (10 Étapes)

Le système implémente un pipeline intelligent orchestré par utils/pdf_pipeline.py :

flowchart TD
    PDF["📄 PDF Upload"] --> Step1["[1] OCR Mistral<br/>~0.003€/page"]
    Step1 --> Step2["[2] Markdown Builder<br/>Structure le texte"]
    Step2 --> Step3["[3] Image Extractor<br/>Sauvegarde images"]
    Step3 --> Step4["[4] LLM Metadata<br/>Titre, auteur, année"]
    Step4 --> Step5["[5] LLM TOC<br/>Table des matières"]
    Step5 --> Step6["[6] LLM Classifier<br/>Classification sections"]
    Step6 --> Step7["[7] LLM Chunker<br/>Chunking sémantique"]
    Step7 --> Step8["[8] Cleaner<br/>Nettoyage OCR"]
    Step8 --> Step9["[9] LLM Validator<br/>Validation + concepts"]
    Step9 --> Step10["[10] Weaviate Ingest<br/>Vectorisation"]
    Step10 --> DB[("🗄️ Weaviate<br/>4 Collections")]

Détails du Pipeline

Étape	Module	Fonction	Coût
1	ocr_processor.py	Extraction texte/images via Mistral OCR	~0.003€/page
2	markdown_builder.py	Construction Markdown structuré	Gratuit
3	image_extractor.py	Sauvegarde images dans output/images/	Gratuit
4	llm_metadata.py	Extraction métadonnées (titre, auteur, langue, année)	Variable (LLM)
5	llm_toc.py	Extraction hiérarchique de la table des matières	Variable (LLM)
6	llm_classifier.py	Classification sections (main_content, preamble, etc.)	Variable (LLM)
7	llm_chunker.py	Découpage sémantique en unités argumentatives	Variable (LLM)
8	llm_cleaner.py	Nettoyage artéfacts OCR, validation longueur	Gratuit
9	llm_validator.py	Validation chunks + extraction concepts/mots-clés	Variable (LLM)
10	weaviate_ingest.py	Ingestion batch + vectorisation automatique	Gratuit

Progression en Temps Réel: Server-Sent Events (SSE) pour suivre chaque étape du traitement via l'interface web.

---

⚙️ Configuration

Variables d'Environnement

Créez un fichier .env à la racine du projet :

# API Mistral (obligatoire pour OCR)
MISTRAL_API_KEY=your_mistral_api_key_here

# LLM Configuration
STRUCTURE_LLM_MODEL=qwen2.5:7b             # Modèle Ollama (ou modèle Mistral)
OLLAMA_BASE_URL=http://localhost:11434    # URL serveur Ollama
STRUCTURE_LLM_TEMPERATURE=0.2             # Température LLM (0=déterministe, 1=créatif)

# APIs optionnelles (non utilisées actuellement)
ANTHROPIC_API_KEY=your_anthropic_key      # Optionnel
OPENAI_API_KEY=your_openai_key            # Optionnel

# Weaviate (defaults)
WEAVIATE_HOST=localhost
WEAVIATE_PORT=8080

# Linear Integration (pour développement dans framework)
LINEAR_TEAM=LRP                           # Identifiant équipe Linear

Options de Traitement

Lors de l'upload d'un PDF, vous pouvez configurer :

Option	Par défaut	Description
skip_ocr	False	Réutiliser markdown existant (évite coût OCR)
use_llm	True	Activer les étapes LLM (métadonnées, TOC, chunking)
llm_provider	"ollama"	"ollama" (local, gratuit) ou "mistral" (API, rapide)
llm_model	None	Nom du modèle (auto-détecté depuis .env si None)
use_ocr_annotations	False	OCR avec annotations (3x coût, meilleure TOC)
use_semantic_chunking	False	Chunking LLM (lent mais précis)
ingest_to_weaviate	True	Insérer les chunks dans Weaviate

---

📊 Schéma Weaviate (4 Collections)

Architecture Simplifiée

Work (no vectorizer)
  ├─ title, author, year, language, genre
  │
  └─► Document (no vectorizer)
        ├─ sourceId, edition, language, pages, chunksCount
        ├─ toc (JSON), hierarchy (JSON), createdAt
        ├─ work: {title, author} (nested)
        │
        ├─► Chunk (VECTORIZED ⭐)
        │     ├─ text (vectorized), summary (vectorized), keywords (vectorized)
        │     ├─ sectionPath, chapterTitle, unitType, orderIndex, language
        │     ├─ work: {title, author} (nested)
        │     └─ document: {sourceId, edition} (nested)
        │
        └─► Summary (VECTORIZED ⭐)
              ├─ text (vectorized), concepts (vectorized)
              ├─ sectionPath, title, level, chunksCount
              └─ document: {sourceId} (nested)

Collections

Work (no vectorizer)

• Représente une œuvre philosophique (ex: Ménon de Platon)
• Propriétés : title, author, originalTitle, year, language, genre
• Pas de vectorisation (métadonnées uniquement)

Document (no vectorizer)

• Représente une édition spécifique d'une œuvre (PDF, traduction)
• Propriétés : sourceId, edition, language, pages, chunksCount, toc, hierarchy, createdAt
• Référence nested : work: {title, author}
• Pas de vectorisation (métadonnées uniquement)

Chunk ⭐ (text2vec-transformers)

• Fragment de texte optimisé pour la recherche sémantique (200-800 caractères)
• Propriétés vectorisées : text, summary (résumé LLM du chunk), keywords
• Propriétés non-vectorisées : sectionPath, chapterTitle, unitType, orderIndex, language
• Références nested : work: {title, author}, document: {sourceId, edition}

Summary (text2vec-transformers)

• Résumés LLM de chapitres/sections pour recherche de haut niveau
• Propriétés vectorisées : text, concepts
• Propriétés non-vectorisées : sectionPath, title, level, chunksCount
• Référence nested : document: {sourceId}

Design Patterns

Nested Objects vs Cross-References:

• Utilise des objets imbriqués pour éviter les JOINs
• Accès en une seule requête avec métadonnées Work/Document
• Trade-off : Petite duplication contrôlée pour performance maximale

Vectorisation Sélective:

• Seuls Chunk.text/summary/keywords et Summary.text/concepts sont vectorisés
• Métadonnées utilisent skip_vectorization=True pour filtrage rapide
• Gain : ~6× moins de calculs vs vectorisation complète

Index Vectoriel HNSW + RQ (2026-01):

• HNSW (Hierarchical Navigable Small World) : Index optimisé pour recherche rapide
• RQ (Rotational Quantization) : Compression des vecteurs (~75% réduction mémoire)
• Distance : Cosine similarity (compatible BGE-M3)
• Performance : <1% perte de précision, scalable jusqu'à 100k+ chunks

---

🌐 Interface Flask

Routes Disponibles

Route	Méthode	Description
/	GET	🏛️ Accueil — Statistiques des collections
/passages	GET	📚 Parcourir — Liste paginée de tous les chunks
/search	GET	🔍 Recherche — Recherche sémantique vectorielle
/upload	GET	📤 Formulaire — Page d'upload PDF
/upload	POST	🚀 Traiter — Démarre le traitement PDF en arrière-plan
/upload/progress/<job_id>	GET	📊 SSE — Flux de progression en temps réel
/upload/status/<job_id>	GET	ℹ️ Statut — État JSON du job de traitement
/upload/result/<job_id>	GET	✅ Résultats — Page de résultats du traitement
/documents	GET	📁 Documents — Liste des documents traités
/documents/<doc>/view	GET	👁️ Détails — Vue détaillée d'un document
/documents/delete/<doc>	POST	🗑️ Supprimer — Supprime document + chunks de Weaviate
/output/<filepath>	GET	💾 Télécharger — Télécharge fichiers traités (MD, JSON)

Server-Sent Events (SSE)

L'interface utilise SSE pour un suivi en temps réel du traitement :

// Exemple de flux SSE
event: step
data: {"step": 1, "total": 10, "message": "OCR Mistral en cours...", "progress": 10}

event: step
data: {"step": 4, "total": 10, "message": "Extraction métadonnées (LLM)...", "progress": 40}

event: complete
data: {"success": true, "document": "platon-menon", "chunks": 127, "cost_ocr": 0.12, "cost_llm": 0.03}

event: error
data: {"error": "OCR failed: API timeout"}

---

🔍 Exemples de Requêtes

Recherche Sémantique (Collection Chunk)

import weaviate
import weaviate.classes.query as wvq

client = weaviate.connect_to_local()

try:
    chunks = client.collections.get("Chunk")

    # Recherche sémantique simple
    result = chunks.query.near_text(
        query="la mort et la valeur de la vie",
        limit=5,
        return_metadata=wvq.MetadataQuery(distance=True),
    )

    for obj in result.objects:
        work = obj.properties['work']
        doc = obj.properties['document']
        print(f"[{work['title']} - {work['author']}]")
        print(f"  Edition: {doc['edition']}")
        print(f"  Section: {obj.properties['sectionPath']}")
        print(f"  {obj.properties['text'][:200]}...")
        print(f"  Similarité: {(1 - obj.metadata.distance) * 100:.1f}%\n")

finally:
    client.close()

Recherche avec Filtres

# Rechercher dans les œuvres de Platon uniquement
result = chunks.query.near_text(
    query="justice et vérité",
    limit=10,
    filters=wvq.Filter.by_property("work").by_property("author").equal("Platon"),
    return_metadata=wvq.MetadataQuery(distance=True),
)

# Filtrer par langue
result = chunks.query.near_text(
    query="âme immortelle",
    limit=5,
    filters=wvq.Filter.by_property("language").equal("fr"),
)

# Filtrer par type d'unité (arguments uniquement)
result = chunks.query.near_text(
    query="connaissance",
    filters=wvq.Filter.by_property("unitType").equal("argument"),
)

Recherche Hybride (Sémantique + BM25)

# Combine recherche vectorielle et recherche par mots-clés
result = chunks.query.hybrid(
    query="réminiscence et connaissance",
    alpha=0.75,  # 0 = BM25 uniquement, 1 = vectoriel uniquement, 0.75 = favorise vectoriel
    limit=10,
)

Recherche dans les Résumés (High-Level)

summaries = client.collections.get("Summary")

# Recherche de chapitres/sections par concept
result = summaries.query.near_text(
    query="dialectique et maïeutique",
    limit=5,
)

for obj in result.objects:
    print(f"Section: {obj.properties['title']}")
    print(f"Niveau: {obj.properties['level']}")
    print(f"Résumé: {obj.properties['text']}")
    print(f"Concepts: {', '.join(obj.properties['concepts'])}\n")

---

🤖 MCP Server (Claude Desktop)

Library RAG expose ses fonctionnalités via un serveur MCP (Model Context Protocol) pour intégration avec Claude Desktop.

Installation MCP

# Installer les dépendances MCP
pip install -r requirements.txt

# Tester le serveur
python mcp_server.py

Configuration Claude Desktop

Ajouter à votre configuration Claude Desktop :

Windows: %APPDATA%\Claude\claude_desktop_config.json macOS: ~/Library/Application Support/Claude/claude_desktop_config.json Linux: ~/.config/Claude/claude_desktop_config.json

{
  "mcpServers": {
    "library-rag": {
      "command": "python",
      "args": ["C:/path/to/library_rag/mcp_server.py"],
      "env": {
        "MISTRAL_API_KEY": "your-mistral-api-key"
      }
    }
  }
}

Outils MCP Disponibles

1. parse_pdf - Traite un PDF avec paramètres optimaux

parse_pdf(pdf_path="/docs/platon-menon.pdf")

2. search_chunks - Recherche sémantique dans les chunks

search_chunks(query="la vertu", limit=10, author_filter="Platon")

3. search_summaries - Recherche dans les résumés de chapitres

search_summaries(query="dialectique", min_level=1, max_level=2)

4. get_document - Récupère un document par ID

get_document(source_id="platon-menon", include_chunks=true)

5. list_documents - Liste tous les documents

list_documents(author_filter="Platon", language_filter="fr")

6. get_chunks_by_document - Récupère les chunks d'un document

get_chunks_by_document(source_id="platon-menon", limit=50)

7. filter_by_author - Tous les travaux d'un auteur

filter_by_author(author="Platon")

8. delete_document - Supprime un document (requiert confirmation)

delete_document(source_id="platon-menon", confirm=true)

Outils MCP Memory (9 outils intégrés - Phase 4)

Système de Mémoire Unifié : Le serveur MCP intègre désormais 9 outils pour gérer un système de mémoire (Thoughts, Messages, Conversations) utilisant Weaviate + GPU embeddings. Ces outils permettent à Claude Desktop de créer, rechercher et gérer des pensées, messages et conversations de manière persistante.

Architecture Memory :

• Backend : Weaviate 1.34.4 (collections Thought, Message, Conversation)
• Embeddings : BAAI/bge-m3 GPU (1024-dim, RTX 4070, PyTorch 2.6.0+cu124)
• Handlers : memory/mcp/ (thought_tools, message_tools, conversation_tools)
• Données : 102 Thoughts, 377 Messages, 12 Conversations (au 2025-01-08)

Thought Tools (3)

1. add_thought - Ajouter une pensée au système

add_thought(
    content="Exploring vector databases for semantic search",
    thought_type="observation",  # reflection, question, intuition, observation
    trigger="Research session",
    concepts=["weaviate", "embeddings", "gpu"],
    privacy_level="private"  # private, shared, public
)

2. search_thoughts - Recherche sémantique dans les pensées

search_thoughts(
    query="vector databases GPU",
    limit=10,
    thought_type_filter="observation"  # optionnel
)

3. get_thought - Récupérer une pensée par UUID

get_thought(uuid="730c1a8e-b09f-4889-bbe9-4867d0ee7f1a")

Message Tools (3)

4. add_message - Ajouter un message à une conversation

add_message(
    content="Explain transformers in AI",
    role="user",  # user, assistant, system
    conversation_id="chat_2025_01_08",
    order_index=0
)

5. get_messages - Récupérer tous les messages d'une conversation

get_messages(
    conversation_id="chat_2025_01_08",
    limit=50
)

6. search_messages - Recherche sémantique dans les messages

search_messages(
    query="transformers AI",
    limit=10,
    conversation_id_filter="chat_2025_01_08"  # optionnel
)

Conversation Tools (3)

7. get_conversation - Récupérer une conversation par ID

get_conversation(conversation_id="ikario_derniere_pensee")

8. search_conversations - Recherche sémantique dans les conversations

search_conversations(
    query="philosophical discussion",
    limit=10,
    category_filter="philosophy"  # optionnel
)

9. list_conversations - Lister toutes les conversations

list_conversations(
    limit=20,
    category_filter="testing"  # optionnel
)

Tests : Tous les outils Memory ont été testés avec succès (voir test_memory_mcp_tools.py)

Documentation complète : Voir memory/README_MCP_TOOLS.md pour l'architecture détaillée, les schémas de données et les exemples d'utilisation.

Pour plus de détails sur les outils Library RAG, voir la documentation complète dans .claude/CLAUDE.md.

---

💰 Gestion des Coûts

Coûts OCR (Mistral API)

Mode	Coût par page	Utilisation
Standard	~0.001-0.003€	Extraction texte + images
Avec annotations	~0.009€ (3x)	+ Annotations structurelles (meilleure TOC)

Optimisation: Utilisez skip_ocr=True pour réutiliser le Markdown existant et éviter les coûts OCR lors du retraitement.

Coûts LLM

Provider	Coût	Performance
Ollama (local)	Gratuit	Plus lent (~30s/doc), nécessite GPU/CPU puissant
Mistral API	Variable	Rapide (~5s/doc), facturé par token

Recommandation:

• Développement/test : Ollama (gratuit)
• Production : Mistral API (rapide, scalable)

Suivi des Coûts

Chaque traitement génère un fichier <doc>_chunks.json avec :

{
  "cost_ocr": 0.12,
  "cost_llm": 0.03,
  "total_cost": 0.15,
  "pages": 40,
  "chunks": 127
}

---

🔧 Configuration Docker

Le fichier docker-compose.yml configure :

Weaviate 1.34.4

• Ports: 8080 (HTTP), 50051 (gRPC)
• Modules: text2vec-transformers
• Persistence: Volume weaviate_data
• Authentification: Désactivée (dev local)

text2vec-transformers

• Modèle: baai-bge-m3-onnx (BAAI/bge-m3, version ONNX)
• Dimensions: 1024 (2.7x plus riche que MiniLM-L6)
• Context Window: 8192 tokens (16x plus long que MiniLM-L6)
• Runtime: ONNX CPU-optimized (AVX2)
• Multilingue: Support supérieur pour grec, latin, français, anglais
• Worker Timeout: 600s (pour gérer les chunks très longs)

Note GPU: La version ONNX de BGE-M3 est CPU-only (pas de support CUDA natif dans ONNX runtime). Pour l'accélération GPU, il faudrait utiliser NVIDIA NIM (architecture différente).

---

🧪 Tests

# Exécuter tous les tests
pytest

# Tests spécifiques
pytest tests/utils/test_ocr_schemas.py -v

# Avec couverture
pytest --cov=utils --cov-report=html

# Type checking strict
mypy .

Tests disponibles:

• test_ocr_schemas.py : Validation schémas OCR
• test_toc.py : Extraction table des matières
• test_mistral_client.py : Client API Mistral

---

🐛 Debugging

Problèmes Courants

1. "Weaviate connection failed"

# Vérifier que les conteneurs sont démarrés
docker compose ps

# Démarrer si nécessaire
docker compose up -d

# Vérifier les logs
docker compose logs weaviate

2. "OCR cost too high"

# Réutiliser markdown existant
result = process_pdf(
    Path("input/document.pdf"),
    skip_ocr=True,  # ← Évite l'OCR
    use_llm=True,
)

3. "LLM timeout (Ollama)"

# Augmenter timeout ou utiliser modèle plus léger
STRUCTURE_LLM_MODEL=qwen2.5:7b  # Au lieu de deepseek-r1:14b

4. "Empty chunks after cleaning"

# Vérifier les sections classifiées
import json
with open("output/<doc>/<doc>_chunks.json") as f:
    data = json.load(f)
    print(data["classified_sections"])

5. "TOC extraction failed"

# Utiliser annotations OCR (plus fiable mais 3x coût)
result = process_pdf(
    Path("input/document.pdf"),
    use_ocr_annotations=True,  # ← Meilleure TOC
)

6. "Le fichier _ocr.json est-il utilisé ?"

Le fichier <doc>_ocr.json est créé systématiquement mais :

• Pipeline normal: ❌ Non utilisé (réponse OCR en mémoire → markdown)
• Mode skip_ocr=True: ✅ Lu uniquement pour récupérer le nombre de pages

Utilité: Archive en production, cache en développement pour éviter les coûts API.

Logs

import logging

# Activer logs détaillés
logging.basicConfig(level=logging.DEBUG)

# Logs pipeline
logger = logging.getLogger("utils.pdf_pipeline")
logger.setLevel(logging.DEBUG)

---

🚀 Production

Checklist Déploiement

• Sécurité: Ajouter authentification Flask (Flask-Login, OAuth)
• Rate Limiting: Limiter uploads (Flask-Limiter)
• Secrets: Utiliser gestionnaire secrets (AWS Secrets Manager, Vault)
• HTTPS: Configurer reverse proxy (nginx + Let's Encrypt)
• CORS: Configurer CORS si API séparée
• Monitoring: Logging centralisé (Sentry, CloudWatch)
• Coûts: Dashboard suivi coûts OCR/LLM
• Backup: Stratégie backup Weaviate (volumes Docker)
• Tests: Suite tests complète (pytest + couverture >80%)
• CI/CD: Pipeline automatisé (GitHub Actions, GitLab CI)

Exemple Nginx

server {
    listen 80;
    server_name library-rag.example.com;

    location / {
        proxy_pass http://127.0.0.1:5000;
        proxy_set_header Host $host;
        proxy_set_header X-Real-IP $remote_addr;
    }

    # SSE requiert des timeouts longs
    location /upload/progress {
        proxy_pass http://127.0.0.1:5000;
        proxy_buffering off;
        proxy_read_timeout 600s;
    }
}

Production WSGI

# Installer Gunicorn
pip install gunicorn

# Lancer avec workers
gunicorn -w 4 -b 0.0.0.0:5000 --timeout 600 flask_app:app

---

📁 Structure du Projet

library_rag/
├── .env                        # Variables d'environnement (API keys, config LLM)
├── .env.example                # Exemple de configuration
├── docker-compose.yml          # Weaviate + text2vec-transformers
├── requirements.txt            # Dépendances Python
├── mypy.ini                    # Configuration mypy (strict mode)
├── pytest.ini                  # Configuration pytest
│
├── schema.py                   # ⚙️ Définition schéma Weaviate (4 collections)
├── flask_app.py                # 🌐 Application Flask principale (38 Ko)
├── mcp_server.py               # 🤖 MCP server pour Claude Desktop
├── query_test.py               # 🔍 Exemples de requêtes sémantiques
│
├── utils/                      # 📦 Modules du pipeline PDF
│   ├── __init__.py
│   ├── types.py                # TypedDict centralisées (31 Ko)
│   ├── pdf_pipeline.py         # Orchestration pipeline 10 étapes (64 Ko)
│   ├── mistral_client.py       # Client API Mistral OCR
│   ├── pdf_uploader.py         # Upload PDF vers Mistral
│   ├── ocr_processor.py        # Traitement OCR
│   ├── ocr_schemas.py          # Types pour réponses OCR
│   ├── markdown_builder.py     # Construction Markdown
│   ├── image_extractor.py      # Extraction images
│   ├── hierarchy_parser.py     # Parsing hiérarchique
│   ├── llm_structurer.py       # Infrastructure LLM (Ollama/Mistral)
│   ├── llm_metadata.py         # LLM: Extraction métadonnées
│   ├── llm_toc.py              # LLM: Extraction TOC
│   ├── llm_classifier.py       # LLM: Classification sections
│   ├── llm_chunker.py          # LLM: Chunking sémantique
│   ├── llm_cleaner.py          # Nettoyage chunks
│   ├── llm_validator.py        # LLM: Validation + concepts
│   ├── llm_summarizer.py       # LLM: Génération résumés chunks (optionnel)
│   ├── weaviate_ingest.py      # Ingestion batch Weaviate
│   ├── generate_chunk_summaries.py  # Script génération résumés par batch
│   ├── generate_all_summaries.py    # Script génération pour tous les docs
│   ├── toc_extractor.py        # Extraction TOC (stratégies alternatives)
│   ├── toc_extractor_markdown.py
│   └── toc_extractor_visual.py
│
├── mcp_tools/                  # 🔧 MCP tool implementations
│   ├── parse_pdf.py
│   └── search.py
│
├── templates/                  # 🎨 Templates Jinja2
│   ├── base.html               # Template de base (navigation, CSS)
│   ├── index.html              # Page d'accueil (statistiques)
│   ├── passages.html           # Liste paginée des chunks
│   ├── search.html             # Interface de recherche sémantique
│   ├── upload.html             # Formulaire d'upload PDF
│   ├── upload_progress.html    # Progression SSE en temps réel
│   ├── upload_result.html      # Résultats du traitement
│   ├── documents.html          # Liste des documents traités
│   └── document_view.html      # Vue détaillée d'un document
│
├── static/
│   └── rag-philo-charte.css    # 🎨 Charte graphique
│
├── input/                      # 📄 PDFs à traiter
│   └── (vos fichiers PDF)
│
├── output/                     # 💾 Résultats du traitement
│   └── <nom_document>/
│       ├── <nom_document>.md             # Markdown structuré
│       ├── <nom_document>_chunks.json    # Chunks + métadonnées
│       ├── <nom_document>_ocr.json       # Réponse OCR brute
│       ├── <nom_document>_weaviate.json  # Résultat ingestion
│       └── images/                       # Images extraites
│           ├── page_001_image_0.png
│           └── ...
│
├── tests/                      # 🧪 Tests unitaires
│   └── utils/
│       ├── test_ocr_schemas.py
│       ├── test_toc.py
│       └── test_mistral_client.py
│
├── .claude/                    # 🤖 Instructions pour Claude Code
│   └── CLAUDE.md
│
└── README.md                   # 📖 Ce fichier

---

📚 Ressources

Documentation

• Weaviate Documentation
• Weaviate Python Client v4
• text2vec-transformers
• Mistral AI API
• Ollama Documentation
• Model Context Protocol (MCP)

Développement

• .claude/CLAUDE.md - Instructions développement pour Claude Code
• utils/types.py - Définitions TypedDict centralisées (31 Ko)
• mypy.ini - Configuration vérification types stricte

Modèles

• BAAI/bge-m3: Modèle d'embedding multilingue (1024 dimensions, 8192 token context)
• Qwen 2.5: Modèle LLM recommandé pour extraction (via Ollama)
• Mistral API: OCR + LLM cloud (rapide, payant)

---

📝 Licence

Ce projet est un outil de recherche académique. Consultez votre licence spécifique.

---

🤝 Contribution

Pour contribuer :

1. Type Safety: Toutes les fonctions doivent avoir des annotations de types
2. Docstrings: Google-style docstrings obligatoires
3. Tests: Ajouter tests unitaires pour nouvelles fonctionnalités
4. mypy: Code doit passer mypy --strict
5. Simplicité: Suivre principes KISS et YAGNI

# Vérifier types
mypy .

# Vérifier docstrings
pydocstyle utils/

# Tests
pytest

---

📌 Annexes

Annexe: Migration BGE-M3

Date: Décembre 2024

Raison: Migration de MiniLM-L6 (384-dim) vers BAAI/bge-m3 (1024-dim) pour :

• 2.7× représentation sémantique plus riche
• 8192 token context (vs 512)
• Support multilingue supérieur (grec, latin, français, anglais)
• Meilleures performances sur textes philosophiques/académiques

Impact:

• Aucun changement dans le pipeline (étapes 1-9)
• Modification de la vectorisation (étape 10) : utilise BGE-M3
• Collections Weaviate : Recréées avec vecteurs 1024-dim
• Documents existants : Doivent être ré-ingérés

Migration:

# 1. Arrêter containers
docker compose down

# 2. Démarrer avec nouvelle config
docker compose up -d

# 3. Recréer schéma
python schema.py

# 4. Ré-ingérer documents depuis cache
python reingest_from_cache.py

Rollback: Restaurer docker-compose.yml.backup si nécessaire (~15 min).

Note Technique: La version ONNX de BGE-M3 est CPU-only (pas de VRAM utilisée). Pour l'accélération GPU, il faudrait utiliser NVIDIA NIM (architecture différente).

---

Library RAG - Système RAG de qualité production pour textes philosophiques et académiques.