🚀 DocuChat - Assistant PDF Intelligent & Agentique (RAG)

DocuChat est une plateforme SaaS de pointe utilisant l'architecture RAG (Retrieval-Augmented Generation) optimisée pour la gamme Gemini 3. Elle permet d'indexer, de rechercher et de raisonner sur vos documents PDF avec une précision inédite.

🌐 Version Live

Testez la démo ici : https://docu-chat-alpha.vercel.app/login

⚠️ Confidentialité & Sécurité

Caution

API Free Tier : Les données traitées via le palier gratuit de Google AI Studio peuvent être utilisées pour l'entraînement des modèles. Données Sensibles : Pour une confidentialité totale, utilisez un compte Google Cloud Vertex AI ou un plan Pay-as-you-go avec les modèles Gemini 3.1. Ne téléversez jamais de documents hautement confidentiels sur la version de test.

✨ Intelligence & Modèles (Gamme 2026)

L'application est conçue pour être modulaire et supporte les dernières avancées de l'IA :

🔹 Modèles de la Démo (Tiers Gratuit)

• Raisonnement : gemini-3.1-flash-lite (Le meilleur rapport vitesse/performance pour le chat fluide).
• Indexation : gemini-embedding-2 (preview) (Premier modèle multimodal capable de mapper texte et PDF dans un espace unifié).

🔹 Options pour Utilisateurs Pro (Tiers Payant)

Les utilisateurs possédant une clé API Premium peuvent configurer l'application pour utiliser :

• gemini-3.1-pro : Pour l'analyse de documents complexes, le codage agentique et les raisonnements de haut niveau.
• gemini-deep-research : Pour générer des rapports complets basés sur des centaines de sources documentaires.
• gemini-3-flash : Pour des traitements massifs de documents à ultra-faible latence.

🛠️ Stack Technique

• Framework : Next.js 16 (App Router + Turbopack).
• Base de données : Supabase (PostgreSQL + pgvector).
• Authentification : Supabase Auth (Magic Link & Session persistante).
• SDK IA : Google Generative AI SDK (Optimisé pour Gemini 3.1).

---

🚀 Guide de Déploiement Rapide

1. Préparation Supabase

Exécutez le script suivant dans votre SQL Editor :

-- Activation de l'IA Vectorielle
create extension if not exists vector;

-- Table des documents optimisée
create table if not exists documents (
  id bigint primary key generated always as identity,
  content text,
  metadata jsonb,
  embedding vector(768), -- Dimension pour Gemini Embedding 2
  user_id uuid references auth.users(id),
  file_id uuid,
  file_name text
);

-- RLS (Row Level Security)
alter table documents enable row level security;
create policy "User isolation" on documents for all using (auth.uid() = user_id);

-- Fonction de recherche sémantique
create or replace function match_documents (
  query_embedding vector(768),
  match_threshold float,
  match_count int,
  filter_user_id uuid,
  filter_file_id uuid default null
)
returns table (id bigint, content text, metadata jsonb, similarity float)
language plpgsql as $$
begin
  return query
  select d.id, d.content, d.metadata, 1 - (d.embedding <=> query_embedding) as similarity
  from documents d
  where 1 - (d.embedding <=> query_embedding) > match_threshold
  and d.user_id = filter_user_id
  and (filter_file_id is null or d.file_id = filter_file_id)
  order by similarity desc limit match_count;
end; $$;

2. Variables d'Environnement (.env.local)

NEXT_PUBLIC_SUPABASE_URL=https://votre-projet.supabase.co
NEXT_PUBLIC_SUPABASE_ANON_KEY=votre_cle_publique
GOOGLE_GENERATIVE_AI_API_KEY=votre_cle_gemini_3

3. Installation

npm install
npm run dev

---

📄 Licence

Projet distribué sous licence MIT. Libre à vous de l'adapter pour des usages professionnels ou de recherche.