Agentic AI Demo

Ce projet est une démonstration de l'utilisation de Spring AI avec des modèles d'IA agentiques, intégrant la mémoire de conversation et l'orchestration de modèles via Spring Boot. Il simule un assistant d'assurance santé capable de gérer des dossiers de remboursement via des interactions en langage naturel.

🎯 Fonctionnalités principales

• Agent conversationnel intelligent : Assistant spécialisé dans la gestion de dossiers de remboursement santé
• Mémoire de conversation : Maintien du contexte entre les échanges avec Spring AI Chat Memory
• Function Calling : Utilisation d'outils Spring AI pour interroger et mettre à jour la base de données
• Interface web interactive : Chat en temps réel avec streaming des réponses
• Base de données PostgreSQL : Gestion des dossiers de remboursement avec Liquibase
• Support multilingue : Prompts disponibles en français et anglais

🏗️ Architecture

Structure du projet

src/main/java/com/zenika/demo/ai/functioncalling/
├── ai/                              # Composants IA
│   ├── DossierRemboursementPrompter.java    # Service principal d'interaction avec l'IA
│   ├── DossierRemboursementTools.java       # Outils (function calling) pour l'agent
│   └── DossierRemboursementSQLPrompter.java # Génération de requêtes SQL
├── config/                          # Configuration Spring
├── remboursements/                  # Domaine métier
│   ├── DossierRemboursement.java    # Entité principale
│   ├── DossiersRemboursements.java  # Repository
│   └── UseCases.java                # Logique métier
└── restapi/                         # API REST
    └── ConversationController.java  # Endpoints de conversation

src/main/resources/
├── application.yml                  # Configuration principale
├── prompts/                         # Prompts système pour l'IA
├── db/changelog/                    # Scripts Liquibase
├── static/js/chat.js                # Client JavaScript
└── templates/index.html             # Interface web

Composants clés

1. DossierRemboursementPrompter

Service principal orchestrant les interactions avec l'IA :

• Gère le contexte conversationnel via ChatMemory
• Configure les outils disponibles pour l'agent
• Support mode synchrone et streaming (asynchrone)

2. DossierRemboursementTools

Outils Spring AI exposés à l'agent via @Tool :

• getDossiers : Recherche de dossiers avec requêtes SQL générées dynamiquement
• internalActionGetDossier : Récupération d'un dossier par ID
• internalActionMetterAJourDossier : Mise à jour (clôture/rejet) avec confirmation
• lireReponseUtilisateur : Interprétation des réponses utilisateur (oui/non)

3. ConversationController

API REST exposant deux endpoints :

• POST /conversations : Réponse synchrone
• POST /conversationsAsync : Streaming des réponses

🚀 Démarrage rapide

Prérequis

• Java 21+
• Maven 3.9+
• Docker (pour PostgreSQL)
• Ollama avec le modèle llama3.1:8b installé

Installation d'Ollama et du modèle

# Installation d'Ollama (macOS)
brew install ollama

# Démarrage du service Ollama
ollama serve

# Installation du modèle (dans un autre terminal)
ollama pull llama3.1:8b

Démarrage de l'application

1. Cloner le dépôt et naviguer dans le répertoire

2. Démarrer PostgreSQL :

   # Spring Boot Docker Compose démarre automatiquement PostgreSQL au lancement
   # Ou manuellement avec :
   docker compose -f src/main/docker/compose.yml up -d

3. Compiler et lancer :

   ./mvnw clean spring-boot:run

4. Accéder à l'interface : http://localhost:8080

Configuration

application.yml

spring:
  ai:
    ollama:
      chat:
        model: llama3.1:8b           # Modèle utilisé
        options:
          temperature: 0.1           # Déterminisme élevé
  datasource:
    url: jdbc:postgresql://localhost:5432/dossiers_remboursements

dossier-remboursement:
  sql-system-prompt: classpath:prompts/dossier-remboursement-sql-query-system-prompt-en.md
  system-prompt: classpath:prompts/dossier-remboursement-system-prompt-en.md

Modèles alternatifs disponibles (commentés dans application.yml) :

• llama3-groq-tool-use:8b
• llama3.2:3b
• hf.co/Salesforce/xLAM-1b-fc-r-gguf

💡 Utilisation

Exemples de commandes

Consultation :

• "Affiche tous les dossiers"
• "Liste les dossiers de Jean Dupont"
• "Montre-moi le dossier numéro 3"
• "Quels sont les dossiers en attente ?"

Mise à jour (avec confirmation) :

• "Clôture le dossier 5"
• "Rejette le dossier de Marie Martin"
• "Valide le dossier numéro 2"

Flux de travail

1. L'utilisateur envoie une demande en langage naturel
2. L'agent analyse la demande et détermine les outils nécessaires
3. Pour les consultations : affichage direct des résultats
4. Pour les mises à jour :
   • Affichage du dossier concerné
   • Demande de confirmation explicite
   • Exécution uniquement après validation

🛠️ Technologies utilisées

Stack principale

• Spring Boot 3.5.3 : Framework applicatif
• Spring AI 1.0.3 : Intégration IA et function calling
• Ollama : Modèle LLM local (llama3.1:8b)
• PostgreSQL 17 : Base de données
• Liquibase : Gestion des migrations de schéma

Dépendances clés

• spring-ai-starter-model-ollama : Client Ollama
• spring-ai-starter-model-chat-memory : Mémoire conversationnelle
• spring-boot-starter-thymeleaf : Templates HTML
• spring-boot-starter-data-jdbc : Accès aux données
• spring-boot-docker-compose : Intégration Docker automatique
• mapstruct : Mapping objet
• lombok : Réduction du boilerplate

📊 Base de données

Schéma

Table dossier_remboursement avec les colonnes :

• id, nom_assure, prenom_assure
• montant_rembourse, statut
• date_demande, etc.

Données de test

Dossiers d'exemple chargés via Liquibase au démarrage :

• Fichier CSV : src/main/resources/db/changelog/changes/data/dossiers-remboursement-init.csv

🧪 Tests et développement

# Compilation
./mvnw clean compile

# Tests
./mvnw test

# Exécution en mode développement (avec devtools)
./mvnw spring-boot:run

# Package
./mvnw clean package

Logs de débogage

Les logs détaillés des interactions IA sont activés :

logging:
  level:
    org.springframework.ai.chat.client.advisor.SimpleLoggerAdvisor: debug
    com.zenika.demo.ai.agentic.agenticaidemo: debug

📝 Personnalisation

Modifier les prompts système

Les fichiers dans src/main/resources/prompts/ définissent le comportement de l'agent :

• dossier-remboursement-system-prompt-en.md : Instructions principales
• dossier-remboursement-sql-query-system-prompt-en.md : Génération SQL

Changer de modèle LLM

Modifiez spring.ai.ollama.chat.model dans application.yml et assurez-vous que le modèle est installé via ollama pull <model>.

🎓 Contexte

Ce projet est une démonstration technique réalisée dans le cadre des Matinales CNAM par Zenika pour illustrer les capacités des agents IA avec Spring AI.

📄 Licence

Projet à but démonstratif et éducatif.