Chatbot LCL : assistant technique pour techniciens de chantier¶

Système RAG (Retrieval-Augmented Generation) qui répond aux questions techniques des techniciens à partir des normes BNQ, CSA et autres documents de référence en génie civil.

Architecture¶

db/ : Postgres 16 + pgvector pour stocker les chunks vectorisés
ingestion/ : script Python qui lit les PDFs, les découpe en chunks, les vectorise via OpenAI Embeddings et les insère dans Postgres
backend/ : (à venir) API ASP.NET Core, endpoint /chat
frontend/ : (à venir) PWA Blazor pour les techniciens

Démarrage local¶

Cloner le repo
Copier .env.example vers .env et remplir les valeurs
docker compose up -d
Adminer disponible sur http://localhost:8081 (serveur: postgres)

Ingestion des PDFs¶

Placer les PDFs dans ingestion/documents/
Copier ingestion/.env.example vers ingestion/.env et remplir
cd ingestion && .\venv\Scripts\Activate.ps1 && python ingest.py

Statut actuel¶

[x] Postgres + pgvector en local
[x] Script d'ingestion écrit
[ ] Premier test d'ingestion
[ ] Backend ASP.NET
[ ] Frontend Blazor PWA
[ ] Déploiement Coolify