ci-dessous un petit RAG prêt à l’emploi (contenu, schéma, prompt template et procédure) en français pour créer un bot qui récupère les coordonnées d’un prospect (nom, prénom, mobile, e-mail + intérêt produit). 

Exemple de dialogue type (flow)

1. Bot : « Bonjour, je suis l’assistant de [NomEntreprise]. Puis-je prendre 30s pour noter vos coordonnées afin de vous recontacter ? » (Oui/Non)
2. Utilisateur : « Oui »
3. Bot : « Super — votre nom de famille ? »
4. Utilisateur : « Durand »
5. Bot : « Votre prénom ? »
6. Utilisateur : « Jean »
7. Bot : « Votre e-mail ? »
   • si invalide → « L’adresse saisie ne semble pas valide, pouvez-vous confirmer ? »
8. Bot : « Votre numéro de mobile (format +33...) ? »
9. Bot : « Quel(s) produit(s) vous intéresse(nt) ? [Pirogue solaire] [Nanogrid] [Formation Odoo] [Autre] »
10. Bot : « Acceptez-vous que nous vous recontactions ? (oui/non) »
11. Bot : renvoie JSON final & message de remerciement.

>  exemple d’implémentation simple (Python) utilisant la logique RAG + OpenAI (embeddings + chat) et une option recommandée : function-calling pour récupérer un JSON structuré. Vous pouvez copier-coller et adapter.

2) Schéma de sortie (JSON) — à stocker

{
  "nom": "string",
  "prenom": "string",
  "email": "string",
  "mobile": "string",
  "produit_interet": "string",
  "commentaire": "string (optionnel)",
  "consentement_marketing": true,
  "source": "web/phone/walkin",
  "timestamp": "2025-09-22T12:34:56Z"
}

3) Prompt template (système + récupération RAG)

Utilisez la récupération pour insérer le contexte (extraits des docs RAG) dans le prompt système.

System prompt (exemple) :

Vous êtes un assistant conversationnel professionnel dont la mission est de collecter les coordonnées d'un prospect. 
- Être poli, bref et clair.
- Priorisez la validation des champs obligatoires: nom, prénom, email, mobile, produit_interet, consentement.
- Si l'email ou le mobile semble invalide, demandez confirmation.
- Proposez une liste pour "produit_interet" si l'utilisateur ne sait pas répondre.
- À la fin, retournez uniquement un JSON strict correspondant au schéma fourni (ne pas ajouter d'autres textes) ou utilisez la fonction "save_prospect" si function-calling est activée.

Contexte utile (RAG) :
{retrieved_documents}

User prompt (runtime):

Collectez les informations du prospect. Commencez par vous présenter et demander l'autorisation de poser 4 questions rapides.

5) Exemple d’implémentation (Python pseudocode, OpenAI style)

Remplacez OPENAI_API_KEY, vector DB, et noms des fonctions selon votre stack.

# pip install openai
import re
import openai
from datetime import datetime

openai.api_key = "OPENAI_API_KEY"

# 1) fonction simple de validation
def is_valid_email(e):
    return re.match(r"[^@]+@[^@]+\.[^@]+", e) is not None

def is_valid_phone(p):
    return re.match(r"^\+?\d{8,15}$", p) is not None

# 2) Exemple minimal de prompt + function-calling
system_prompt = """Vous êtes un assistant... (voir template précédent)"""

# function schema for structured output
functions = [
    {
        "name": "save_prospect",
        "description": "Sauvegarde d'un prospect",
        "parameters": {
            "type": "object",
            "properties": {
                "nom": {"type": "string"},
                "prenom": {"type": "string"},
                "email": {"type": "string"},
                "mobile": {"type": "string"},
                "produit_interet": {"type": "string"},
                "commentaire": {"type": "string"},
                "consentement_marketing": {"type": "boolean"}
            },
            "required": ["nom","prenom","email","mobile","produit_interet","consentement_marketing"]
        }
    }
]

# 3) Exemple d'appel (après collecte / ou pour demander tout)
response = openai.ChatCompletion.create(
    model="gpt-5-thinking-mini",
    messages=[
        {"role":"system","content":system_prompt},
        {"role":"user","content":"Bonjour, je veux enregistrer un prospect. Donnez-moi l'intro."}
    ],
    functions=functions,
    function_call="auto",  # permet au modèle d'appeler save_prospect et retourner un JSON
    max_tokens=400
)

# 4) gérer la function_call
if response.choices[0].finish_reason == "function_call":
    func_args = response.choices[0].message["function_call"]["arguments"]
    # func_args est un JSON string ; transformez-le en dict et sauvegardez
    import json
    prospect = json.loads(func_args)
    prospect["timestamp"] = datetime.utcnow().isoformat()+"Z"
    # validations supplémentaires
    if not is_valid_email(prospect["email"]):
        # relancer une question au prospect (ex: email invalide)
        pass
    # ensuite sauvegarde en base
    # save_to_db(prospect)
    print("Prospect prêt à sauvegarder :", prospect)

Remarque : function_call="auto" laisse le modèle décider d'appeler la fonction. Si vous préférez contrôler strictement, vous pouvez récupérer la réponse texte et la parser vous-même.

7) Exemple de dialogue type (flow)

1. Bot : « Bonjour, je suis l’assistant de [NomEntreprise]. Puis-je prendre 30s pour noter vos coordonnées afin de vous recontacter ? » (Oui/Non)
2. Utilisateur : « Oui »
3. Bot : « Super — votre nom de famille ? »
4. Utilisateur : « Durand »
5. Bot : « Votre prénom ? »
6. Utilisateur : « Jean »
7. Bot : « Votre e-mail ? »
   • si invalide → « L’adresse saisie ne semble pas valide, pouvez-vous confirmer ? »
8. Bot : « Votre numéro de mobile (format +33...) ? »
9. Bot : « Quel(s) produit(s) vous intéresse(nt) ? [Pirogue solaire] [Nanogrid] [Formation Odoo] [Autre] »
10. Bot : « Acceptez-vous que nous vous recontactions ? (oui/non) »
11. Bot : renvoie JSON final & message de remerciement.