Car Chat : CC — Assistant documentaire intelligent pour vehicules

Application full-stack qui transforme des manuels PDF (entretien, depannage, fonctionnalites) en assistant conversationnel specialise par vehicule.

Permet d'obtenir des reponses contextualisees a partir de documents techniques, sans recherche manuelle dans des centaines de pages.

Fonctionnalites

• Sessions isolees par vehicule avec upload multi-PDF
• Pipeline RAG optimise : extraction parallele, chunking intelligent par sections, filtrage des pages inutiles
• Recherche hybride : FAISS (semantique) + BM25 (lexicale) pour une meilleure pertinence
• Traitement asynchrone avec suivi de progression en temps reel
• Chat contextuel base uniquement sur les documents de la session

Stack technique

Couche	Technologies
Backend	Python, Flask, LangChain, FAISS, BM25, Google Gemini
Frontend	React 19, Vite, React Router, Framer Motion
Deploiement	Render (backend), Vercel (frontend)

Architecture

backend/
├── api.py                  # API Flask (point d'entree)
├── requirements.txt
├── render.yaml             # Config deploiement Render
└── src/
    ├── config.py           # Configuration & variables d'env
    ├── session_manager.py  # Gestion des sessions utilisateur
    ├── pdf_processor.py    # Pipeline : extraction → chunking → indexation
    ├── text_chunker.py     # Chunking intelligent par sections
    ├── vector_store.py     # FAISS vector store
    └── session_chatbot.py  # RAG chatbot avec recherche hybride

frontend/
├── vercel.json             # Config deploiement Vercel
└── src/
    ├── App.jsx
    └── pages/
        ├── LandingPage.jsx
        ├── UploadPage.jsx
        ├── ProcessingPage.jsx
        └── ChatPage.jsx

Installation

Prerequis

• Python 3.10+
• Node.js 18+
• Cle API Google Gemini (obtenir ici)

Backend

cd backend
python -m venv .venv
source .venv/bin/activate   # Linux/macOS
# .venv\Scripts\activate    # Windows
pip install -r requirements.txt
cp .env.example .env        # Editer et ajouter GOOGLE_API_KEY
python api.py

Frontend

cd frontend
npm install
npm run dev

L'API tourne sur http://localhost:5002, le frontend sur http://localhost:5173.

Donnees Locales (Non Versionnees)

Pour eviter de publier des donnees sensibles ou trop lourdes, le repo ne versionne pas:

• backend/data/guides/*/vector_store/* (indexes FAISS/BM25 issus des manuels)
• backend/data/waitlist/*
• les fichiers .env
• les PDF de manuels

Regenerer les guides apres un clone

1. Mettre les PDF dans car data/<marque>/*.pdf
2. Lancer l'indexation:

cd backend
python index_manuals.py --prune-missing-sources

3. Redemarrer l'API Flask (python api.py)

Images vehicules

• Les images front sont dans backend/data/vehicle_images/
• Nom recommande: nom du vehicule (exemple: honda civic 11.png)
• Si besoin de retraitement local:

cd backend
python process_vehicle_images.py

Endpoints API

Methode	Route	Description
POST	/api/session/create	Creer une session vehicule
POST	/api/session/{id}/upload	Uploader un PDF
POST	/api/session/{id}/process	Lancer le traitement
GET	/api/session/{id}/status	Statut de la session
POST	/api/session/{id}/chat	Poser une question
GET	/api/health	Verification de sante

Deploiement

• Backend → Render (Free tier, config dans render.yaml)
• Frontend → Vercel (Free tier, config dans vercel.json)

Variable d'environnement Vercel : VITE_API_URL=https://your-app.onrender.com/api

Nettoyage avant redeploiement serveur

Depuis la racine du projet (Windows PowerShell) :

./clean-workspace.ps1

Options utiles :

• ./clean-workspace.ps1 -IncludeFrontendDist
• ./clean-workspace.ps1 -IncludeFrontendDist -IncludeNodeModules

Auteur

Amine S.