Generative AI Prod {FastAPI}

Ce projet Generative AI Prod a été conçu comme une base prête pour la production d’une API IA : un serveur FastAPI qui gère le chat IA, l’analyse automatisée de texte, la sauvegarde/recherche de conversations et les fonctionnalités d’administration.

Technologies Utilisées

• Backend : FastAPI (Python)
• Base de Données : MongoDB (stockage des conversations, utilisateurs)
• Cache : Redis (accélération et sessions)
• Auth : JWT + services admin
• Déploiement : Procfile (Heroku ou équivalent), runtime.txt, startup.sh

Endpoints Principaux

• POST /api/chat : Chat IA (gestion par chat_router.py et chat_service.py)
• POST /api/analyse : Analyse de texte/document (géré par analyse_router.py + analysis_service.py)
• GET /api/conversations/{id} : Récupération de conversations sauvegardées
• POST /api/admin/... : Fonctions administratives (gestion utilisateurs, logs, etc.)

Architecture (dossiers)

• main.py : point d’entrée FastAPI
• models/ : schémas de données (Pydantic + Mongo)
• routes/ : routes FastAPI (chat_router.py, analyse_router.py, admin_router.py)
• services/ : logique métier (chat_service, analysis_service, admin_services, saveConversation_service)
• utils/ : configuration du cache (Redis) et prompts
• requirements.txt : dépendances
• Procfile / runtime.txt : config de déploiement cloud
• startup.sh : script de démarrage

Base de Données

• MongoDB :
  • users (infos et droits d’accès)
  • conversations (messages, contexte)
  • analysis (résultats d’analyse de texte)

Fonctionnalités Clés

• Chat conversationnel basé IA
• Analyse de texte automatisée
• Sauvegarde et récupération de conversations
• Interface d’administration
• Cache/accélération via Redis
• Déploiement cloud (Heroku ou équivalent)

Démonstration

L’API expose sa documentation Swagger à l’URL /docs, permettant de tester facilement les endpoints (chat, analyse, administration).

Conclusion

Generative AI Prod propose une API robuste pour déployer des services IA en production : conversation, analyse, gestion et persistance, avec une architecture claire et modulaire.

routes/chat_router.py (extrait représentatif “comme celui-là”)

from fastapi import APIRouter, Depends, HTTPException
from pydantic import BaseModel
from typing import Dict, Any, Optional
from services.chat_service import ChatService
from services.mongodb_connection import get_database

router = APIRouter(prefix="/api/chat", tags=["chat"])

class ChatRequest(BaseModel):
    message: str
    conversation_id: Optional[str] = None

@router.post("")
async def chat_endpoint(req: ChatRequest, db=Depends(get_database)):
    """
    Reçoit un message, appelle le ChatService, sauvegarde la conversation en MongoDB,
    puis renvoie la réponse générée par le modèle IA.
    """
    try:
        chat_service = ChatService(db)
        result = await chat_service.process(req.message, req.conversation_id)
        return {"ok": True, "data": result}
    except Exception as e:
        raise HTTPException(status_code=500, detail=str(e))