Application full-stack RAG (Retrieval-Augmented Generation) orientée information médicale générale : récupération dans ChromaDB, réponses via LLM avec citations. Le backend est structuré en couches (domaine, ports, infra), avec observabilité (latence, métriques) et résilience (timeouts, circuit breaker).
| Couche | Technologie |
|---|---|
| API | Python 3.11, FastAPI, Uvicorn |
| Frontend | React 18, TypeScript, MUI |
| Vecteurs & embeddings | ChromaDB, Sentence-Transformers (all-MiniLM-L6-v2 par défaut) |
| LLM | Ollama (local) ou Groq (cloud), sélection via LLM_PROVIDER |
| Chaîne RAG | LangChain 0.3+ (LCEL : retriever → prompt → chat → parser) |
| Tests | pytest, httpx (ASGI) |
- Python 3.11+ et Node.js 18+
- Pour le mode local LLM : Ollama + au moins un modèle (ex.
ollama pull llama3.2:1b) - Pour le mode cloud : clé API Groq et
LLM_PROVIDER=groq
À la racine du dépôt (venv recommandé) :
python -m venv .venv
.venv\Scripts\activate # Windows
# source .venv/bin/activate # Linux / macOS
pip install -r requirements.txt
pip install -r requirements-dev.txt # pour lancer les tests
cd frontend && npm install && cd ..Copier .env.example vers .env et ajuster LLM_PROVIDER, GROQ_API_KEY si besoin.
Le backend doit tourner sur le port 8000, le frontend sur 3000 (l’UI appelle l’API en http://localhost:8000).
Windows (deux fenêtres) — depuis la racine :
.\scripts\start-dev.ps1Manuellement
cd backend→python main.py(Swagger : http://127.0.0.1:8000/docs)cd frontend→npm start→ http://localhost:3000
Ne pas définir TESTING=1 : le bootstrap RAG serait ignoré.
Depuis la racine :
pytest tests/docker build -t medical-rag .
docker run -p 8000:8000 --env-file .env medical-ragImage : python:3.11-slim, port 8000, voir Dockerfile et .dockerignore.
Sur push vers main, le workflow .github/workflows/deploy.yml construit l’image, la pousse vers ECR et déclenche un redéploiement du service ECS.
Secrets GitHub typiques : AWS_REGION, ECR_REGISTRY, ECR_REPOSITORY, ECS_CLUSTER, ECS_SERVICE, ainsi que des identifiants AWS (AWS_ACCESS_KEY_ID / AWS_SECRET_ACCESS_KEY) ou OIDC selon ta configuration IAM.
MedicalRAGChatbot/
├── backend/ # FastAPI — domain/, infra/, api/, resilience/, exceptions/
├── frontend/ # React (CRA + TypeScript)
├── tests/ # Pytest
├── scripts/ # start-dev.ps1, start-dev.sh
├── docs/ # notes optionnelles (ex. warm-up embeddings)
├── .github/workflows/ # déploiement ECS
├── Dockerfile
├── requirements.txt
├── requirements-dev.txt
├── .env.example
└── pyproject.toml
Variables principales : voir .env.example (LLM_PROVIDER, GROQ_API_KEY, GROQ_MODEL, chemins Chroma/cache embeddings, etc.). Détail des clés dans backend/domain/config.py.
Au premier démarrage, le modèle d’embeddings Hugging Face est téléchargé puis chargé (souvent plusieurs minutes selon réseau et CPU). Les lancements suivants sont plus rapides si le cache (EMBEDDING_CACHE_FOLDER) est conservé. Sur ECS/Fargate, prévoir volume persistant pour chroma_db et le cache modèles si tu ne veux pas tout retélécharger à chaque tâche.
Outil pédagogique / démonstration — ne remplace pas un avis médical professionnel. Les réponses peuvent être incomplètes ou erronées ; en cas de symptômes graves, contacter les services d’urgence.
Fares Chehidi
- Email : fareschehidi7@gmail.com
- LinkedIn : Fares Chehidi
- GitHub : FCHEHIDI
MIT (voir fichier LICENSE s’il est présent dans le dépôt).