Aperçu du workflow

Il s'agit d’un système de génération de descriptions de produits basé sur l’architecture RAG (Retrieval-Augmented Generation). Ce système reçoit des requêtes d’informations produit via webhook, récupère le contexte pertinent dans une base de données vectorielle, utilise une IA pour générer des descriptions de haute qualité, puis enregistre les résultats dans Google Sheets.

Architecture du workflow

Mécanisme de déclenchement

• Déclencheur Webhook : Point de terminaison POST /product-description-generator, recevant des demandes externes de génération de descriptions de produits.

Flux de traitement des données

1. Prétraitement du texte

• Text Splitter : Découpage du texte d’entrée en blocs.
  • Taille des blocs : 400 caractères
  • Chevauchement entre blocs : 40 caractères
  • Garantit la cohérence du texte et la préservation du contexte

2. Stockage vectoriel

• Embeddings (Cohere) : Génération de vecteurs d’embedding à l’aide du modèle Cohere embed-english-v3.0.
• Insertion dans Pinecone : Stockage des textes vectorisés dans la base de données vectorielle Pinecone.
  • Mode : insert
  • Nom de l’index : product_description_generator

3. Recherche et génération

Recherche vectorielle

• Requête Pinecone : Récupération d’informations produit pertinentes depuis la base de données vectorielle.
• Outil Vectoriel : Encapsulation des capacités de recherche sous forme d’un outil pour l’agent RAG.

Génération par IA

• Modèle de conversation (Anthropic) : Utilisation de Claude comme modèle linguistique.
• Mémoire fenêtrée (Window Memory) : Maintien du contexte conversationnel pour supporter les interactions multi-tours.
• Agent RAG : Nœud central de l’agent.
  • Invite système : « You are an assistant for Product Description Generator »
  • Intègre les résultats de recherche vectorielle et la mémoire conversationnelle
  • Génère des descriptions conformes aux exigences

Sortie et surveillance

Traitement réussi

• Ajout à une feuille de calcul : Les résultats sont ajoutés à Google Sheets.
  • Document : Product Description Generator
  • Feuille : Log
  • Champ enregistré : Statut

Gestion des erreurs

• Alerte Slack : Envoi d’une notification d’erreur vers le canal #alerts.
  • Format du message : « Product Description Generator error: {message d’erreur} »

Stack technique

Composants IA/ML

• Base de données vectorielle : Pinecone
• Modèle d’embedding : Cohere embed-english-v3.0
• Modèle linguistique : Anthropic Claude
• Système de mémoire : Window Buffer Memory

Services intégrés

• Webhook : Interface HTTP POST
• Google Sheets : Enregistrement des données
• Slack : Notifications d’alerte

Flux de données

Requête Webhook 
  ↓
Découpage du texte 
  ↓
Embedding vectoriel (Cohere)
  ↓
[Chemins parallèles]
  ├─→ Stockage vectoriel (Insertion Pinecone)
  └─→ Recherche vectorielle (Requête Pinecone)
        ↓
      Outil Vectoriel
        ↓
    Agent RAG (intégration résultats + mémoire conversationnelle + Claude)
        ↓
    [Branche conditionnelle]
      ├─→ Succès : Enregistrement dans Google Sheets
      └─→ Échec : Alerte Slack

Fonctionnalités clés

1. Architecture RAG : Combine recherche vectorielle et IA générative pour garantir l’exactitude des descriptions.
2. Préservation du contexte : La mémoire fenêtrée permet des interactions conversationnelles.
3. Traitement par blocs : Découpage intelligent du texte pour gérer des entrées longues.
4. Traçabilité des logs : Tous les statuts de traitement sont enregistrés dans Google Sheets.
5. Surveillance des erreurs : Alertes en temps réel via Slack pour une réponse rapide.

Cas d’utilisation

• Génération automatique de descriptions produit pour le e-commerce
• Optimisation en masse de descriptions SKU
• Rédaction multilingue de contenus produit
• Reformulation de descriptions basée sur des données historiques

Exigences de configuration

Identifiants API

• API Cohere (service d’embedding)
• API Pinecone (base de données vectorielle)
• API Anthropic (modèle linguistique)
• OAuth2 Google Sheets (enregistrement des données)
• API Slack (notifications d’alerte)

Configuration Pinecone

• Nom de l’index : product_description_generator
• L’index doit être créé au préalable avec une dimension compatible avec le modèle Cohere utilisé.