pinned	sdk	sdk_version
true	gradio	5.49.1

Mistral RAG avec Brave Search

Projet RAG (Retrieval-Augmented Generation) utilisant:

• Mistral-Nemo-Instruct (via LM Studio) pour générer des requêtes de recherche
• Brave Search API pour récupérer les résultats
• BeautifulSoup/Trafilatura pour parser les pages web
• Gradio pour l'interface utilisateur

Structure

RAG-Brave/
├── app.py                      # Application Gradio principale
├── lm_interface.py             # Interface avec LM Studio
├── brave_client.py             # Client Brave Search API
├── parser.py                   # Extraction de contenu HTML
├── utils.py                    # Fonctions utilitaires

├── datasets/                   # Exemples de prompts
│   └── search_prompt_examples.json
└── requirements.txt            # Dépendances Python

Installation

# Installation des dépendances avec UV
uv sync

Configuration

Créez un fichier .env avec:

BRAVE_API_KEY=votre_cle_api_brave
LM_STUDIO_BASE_URL=http://localhost:1234

Utilisation

1. Démarrez LM Studio avec le modèle Mistral-Nemo-Instruct
2. Lancez l'application:

python app.py

3. Accédez à l'interface Gradio dans votre navigateur

Fonctionnement

1. L'utilisateur saisit un prompt dans l'interface Gradio
2. Le prompt est envoyé au modèle Mistral pour générer une requête de recherche structurée
3. Brave Search API est appelée pour récupérer les résultats
4. Les pages sont parsées et filtrées pour extraire le contenu pertinent
5. Le contenu est synthétisé par le modèle avec citation des sources
6. La réponse est affichée dans l'interface