🎯 Mini-projet — Chatbot ou agent IA déployé

Section 11.4.19 : 🎯 Mini-projet — Chatbot ou agent IA déployé

🎯 Objectif pédagogique

Combiner toutes les compétences de la Semaine 4 pour construire et déployer un chatbot ou agent IA complet. Ce mini-projet est la synthèse de tout ce que vous avez appris : APIs, prompting, architecture, RAG, agents, et éthique.

Le défi de Marc

Marc va construire son CareerBot Pro : un agent RAG déployé sur Streamlit Cloud, avec base de connaissances, function calling, guardrails, et interface professionnelle. C'est le projet qui impressionnera lors de ses entretiens.

Cahier des charges

CAREERBOT PRO — Spécifications

╔═══════════════════════════════════════════════╗
║  Assistant IA de recherche d'emploi           ║
║  Spécialisé reconversion tech/data            ║
╚═══════════════════════════════════════════════╝

FONCTIONNALITÉS REQUISES (MVP) :

1. Chat conversationnel avec mémoire
   - Historique de session
   - Résumé progressif des anciens messages
   - Personnalité cohérente (System Prompt)

2. Base de connaissances RAG
   - Minimum 20 documents (FAQ, guides, données marché)
   - Recherche sémantique via ChromaDB
   - Réponses sourcées

3. Function calling (minimum 3 outils)
   - search_knowledge : recherche dans la base
   - analyze_profile : compatibilité profil/poste
   - create_plan : plan d'action personnalisé

4. Interface Streamlit
   - Chat intuitif avec streaming
   - Sidebar (configuration, profil, stats)
   - Boutons d'action rapide
   - Disclaimer "Assistant IA"

5. Sécurité
   - Guardrails entrée/sortie
   - Filtrage PII
   - Protection prompt injection

6. Déploiement
   - Code sur GitHub
   - App live sur Streamlit Cloud
   - README avec instructions d'installation

Structure du projet

career-bot-pro/
├── app.py                    # Interface Streamlit principale
├── agent.py                  # CareerAgentRAG (logique agent)
├── knowledge.py              # Gestion de la base de connaissances
├── guardrails.py             # Sécurité (PII, injection, output)
├── memory.py                 # Gestion mémoire (summary + recent)
├── config.py                 # Configuration (models, prompts)
├── tools.py                  # Définition des tools/functions
├── data/
│   └── knowledge/            # Documents de la base de connaissances
│       ├── salaires.txt
│       ├── formations.txt
│       ├── competences.txt
│       ├── marche-emploi.txt
│       └── entretiens.txt
├── tests/
│   ├── test_guardrails.py
│   ├── test_memory.py
│   └── test_scenarios.py
├── requirements.txt
├── .streamlit/config.toml
├── .env.example              # Template des variables d'environnement
├── .gitignore
└── README.md

Plan de réalisation (4 heures)

PHASE 1 — Fondations (1h)
├── Créer la structure du projet
├── Configurer l'environnement (.env, requirements)
├── Écrire config.py avec le system prompt
├── Implémenter guardrails.py (PII + injection)
└── Vérifier : test_guardrails.py passe ✅

PHASE 2 — Intelligence (1h30)
├── Écrire knowledge.py (indexation ChromaDB)
├── Préparer 20 documents dans data/knowledge/
├── Implémenter tools.py (3 fonctions + définitions OpenAI)
├── Assembler agent.py (CareerAgentRAG complet)
└── Vérifier : conversation test dans le terminal ✅

PHASE 3 — Interface (1h)
├── Construire app.py (Streamlit + chat + sidebar)
├── Intégrer l'agent dans l'interface
├── Ajouter streaming, stats, boutons d'action
├── Ajouter disclaimer IA + consentement données
└── Vérifier : test manuel dans le navigateur ✅

PHASE 4 — Déploiement (30 min)
├── Préparer le repo GitHub
├── Écrire README.md (installation, features, screenshots)
├── Configurer Streamlit Cloud (secrets, repo)
├── Tester l'app en production
└── Vérifier : URL publique fonctionnelle ✅

Critères d'évaluation

Bonus (optionnels)

- Multi-provider (OpenAI + Anthropic avec fallback)
- Upload de CV (extraction et analyse automatique)
- Export de la conversation en PDF
- Mode "préparation entretien" interactif
- Dashboard d'analytics (nombre de conversations, questions fréquentes)
- Tests automatisés avec CI/CD GitHub Actions

🏋️ Exercice final (4 heures)

Suivez le plan de réalisation en 4 phases :

1. →Phase 1 : Structure + config + guardrails + tests
2. →Phase 2 : Knowledge base + agents + tools
3. →Phase 3 : Interface Streamlit complète
4. →Phase 4 : GitHub + déploiement Streamlit Cloud

Livrable final : URL du repo GitHub + URL de l'app déployée.