Update app.py

app.py

@@ -28,7 +28,7 @@ def embed(text):
     return outputs.hidden_states[-1][:,0,:].cpu().numpy()[0]
 
 # --- 3. Base documentaire pour la métallurgie ---
-# Remplacer par vos documents techniques
+# Remplacez par vos documents techniques
 docs = {
     "doc1": "L’acier X42 a une résistance à la traction de 415 MPa.",
     "doc2": "L’acier inoxydable 304 est résistant à la corrosion et à l’oxydation."
@@ -38,8 +38,8 @@ doc_embeddings = {k: embed(v) for k,v in docs.items()}
 def search_best_doc(question):
     q_emb = embed(question)
     def cosine(a,b): return np.dot(a,b)/(np.linalg.norm(a)*np.linalg.norm(b))
-    best_doc = max(docs, key=lambda k: cosine(q_emb, doc_embeddings[k]))
-    return docs[best_doc]
+    best_key = max(docs, key=lambda k: cosine(q_emb, doc_embeddings[k]))
+    return docs[best_key]  # retourne directement le texte du document
 
 # --- 4. Fonction de réponse avec GPT-OSS-20B ---
 def respond(
@@ -54,8 +54,7 @@ def respond(
     client = InferenceClient(token=hf_token.token, model="openai/gpt-oss-20b")
 
     # Récupérer le contexte pertinent avec SteelBERT
-    best_doc = search_best_doc(message)
-    context = docs[best_doc]
+    context = search_best_doc(message)
 
     # Construire le prompt
     messages = [{"role": "system", "content": system_message}]