Cléa-API 🚀

Hybrid document-search framework for PostgreSQL + pgvector

Cléa-API charge des documents multi-formats, les segmente, les vectorise et fournit une recherche hybride (vectorielle + filtres SQL) prête à l'emploi. Il s'utilise :

• via endpoints REST (FastAPI) ;
• en librairie Python (extraction, pipeline, recherche) ;
• avec une base PostgreSQL + pgvector auto-indexée par corpus ;
• 100% local et hors-ligne pour vos données sensibles.

---

Sommaire rapide

Sujet	Documentation
Chargement & extraction	Extracteurs · Segmentation
Base de données & index vectoriels	Database
Moteur de recherche hybride	Search
Pipeline end-to-end	Pipeline
Référence API Python (autogen)	Doc Loader · Vectordb · Pipeline
IA génératrice (RAG)	AskAI
Stats	Stats
OpenAPI / Endpoints REST	REST API

---

Caractéristiques clés

• 🔒 100% local & hors-ligne : traitement sécurisé pour données confidentielles

• 🔄 Chargement multi-formats : PDF, DOCX, HTML, JSON, TXT, …

• 🧩 Segmentation hiérarchique : Section ▶ Paragraphe ▶ Chunk

• 🔍 Recherche hybride : ivfflat ou HNSW + Cross-Encoder rerank

• 🤖 RAG avec petits LLMs : génération augmentée via modèles Qwen3 légers

• ⚡ Pipeline "one-liner" :

  from pipeline import process_and_store
  from askai.src.rag import RAGProcessor
  
  # Traitement de documents
  process_and_store("rapport.pdf", theme="R&D")
  
  # Interrogation des documents via RAG
  response, context = rag_processor.retrieve_and_generate(
      "Quelles sont les principales recommandations du rapport?"
  )

• 📦 Architecture modulaire : ajoutez un extracteur ou un modèle en quelques lignes

• 🐳 Docker-ready & CI-friendly (tests PyTest, docs MkDocs)

---

Options de lancement

Cléa-API supporte plusieurs modes de lancement avec différentes options de configuration:

# Mode standard
./start.sh

# Mode développeur avec logs détaillés
uv run main.py --debug

# Configuration avancée
uv run main.py --host 0.0.0.0 --port 9000 --workers 4

# Avec variables d'environnement
API_LOG_LEVEL=debug API_PORT=9000 ./start.sh

Niveaux de journalisation

Le système de logs est centralisé et configurable:

Mode	Description	Commande
INFO (défaut)	Informations essentielles	uv run main.py
DEBUG	Détails techniques	uv run main.py --debug
WARN/ERROR	Uniquement alertes et erreurs	API_LOG_LEVEL=warning uv run main.py

Les logs suivent le format standard:

2025-05-04 16:30:21,483 - clea-api.doc_loader - INFO - Document chargé: demo.pdf (3.2MB)

---

Arborescence du dépôt

.
├── doc_loader/   # Extraction & chargement de documents
├── vectordb/     # Modèles SQLAlchemy + recherche 
├── pipeline/     # Orchestrateur end-to-end
├── askai/        # Génération RAG avec modèles légers
├── docs/         # Documentation MkDocs
├── demo/         # Fichiers d'exemple
├── models/       # Models de traitement
├── start.sh      # Script de démarrage API
├── Dockerfile    # Build image
└── ...

---

Installation

Prérequis

• Python ≥ 3.11
• PostgreSQL ≥ 14 avec l'extension pgvector
• (Recommandé) WSL 2 + openSUSE Tumbleweed

Installation sur openSUSE Tumbleweed

# 1. Installer les dépendances système
sudo zypper install postgresql15 postgresql15-server postgresql15-devel python311 python311-devel gcc

# 2. Activer PostgreSQL
sudo systemctl enable postgresql
sudo systemctl start postgresql

# 3. Installer uv (gestionnaire de paquets Python moderne)
curl -sSf https://astral.sh/uv/install.sh | sh

Installation de Cléa-API

# 1. Cloner
git clone https://github.com/<your-gh-user>/clea-api.git
cd clea-api

# 2. Dépendances (avec uv)
uv pip install -r requirements.txt

# 3. Pour le module askai (optionnel)
uv pip install -r askai/requirements_askai.txt

# 4. Variables d'environnement
cp .env.sample .env   # puis éditez au besoin

# 5. Initialisation DB et extension pgvector
uv python -m vectordb.src.database init_db

# 6. Lancer l'API
uv run main.py           # ➜ http://localhost:8080

---

Utilisation express

Chargement simple

curl -X POST http://localhost:8080/doc_loader/upload-file \
     -F "file=@demo/devis.pdf" -F "theme=Achat"

Pipeline complet (upload → segment → index)

curl -X POST http://localhost:8080/pipeline/process-and-store \
     -F "file=@demo/devis.pdf" -F "theme=Achat" -F "max_length=800"

Recherche hybride

curl -X POST http://localhost:8080/search/hybrid_search \
     -H "Content-Type: application/json" \
     -d '{"query":"analyse risques", "top_k":8}'

Génération RAG (AskAI)

curl -X POST http://localhost:8080/askai/query \
     -H "Content-Type: application/json" \
     -d '{
       "question": "Résumer les points importants du document", 
       "theme": "Achat", 
       "enable_thinking": true
     }'

Utilisation en mode streaming

curl -N -X POST http://localhost:8080/askai/query_stream \
     -H "Content-Type: application/json" \
     -d '{"question": "Expliquer la structure du document"}'

---

Sécurité et confidentialité

Cléa-API est conçu pour traiter des données sensibles et confidentielles avec une approche orientée sécurité:

• 100% hors-ligne: aucune donnée n'est envoyée vers des services externes
• Modèles légers locaux: tous les LLMs sont exécutés localement (Qwen3-0.6B/1.7B)
• Aucune télémétrie: pas de tracking ni d'analytics
• Aucune dépendance cloud: fonctionne en environnement air-gapped

Cette approche est idéale pour les organisations avec des contraintes strictes de confidentialité (données médicales, financières, juridiques, etc.).

---

Tests

uv run pytest           # tous les tests unitaires

---

Déploiement Docker

docker build -t clea-api .
docker run -p 8080:8080 clea-api

---

Contribuer 🤝

1. Fork → branche (feat/ma-feature)
2. uv run pytest && mkdocs build doivent passer
3. Ouvrez une Pull Request claire et concise

---

Licence

Distribué sous licence MIT – voir LICENSE.