updated

.gitignore

@@ -0,0 +1 @@
+OneDrive_1_9_2025/

PROMPT.md

@@ -0,0 +1,71 @@
+🚜 Hackathon CRA – Prompt d’implémentation
+🎯 Problématique
+
+Comment anticiper et réduire la pression des adventices dans les parcelles agricoles bretonnes, dans un contexte de réduction progressive des herbicides, en s’appuyant sur l’analyse des données historiques, climatiques et agronomiques, afin d’identifier les parcelles les plus adaptées à la culture de plantes sensibles (pois, haricot) sur les 3 prochaines années ?
+
+🔍 Objectifs du modèle de simulation
+
+Prédire la pression adventices sur chaque parcelle pour les 3 prochaines campagnes.
+
+Identifier les parcelles à faible risque adaptées aux cultures sensibles (pois, haricot).
+
+Intégrer les données suivantes :
+
+Climatiques
+
+Historiques d’intervention
+
+Rotations
+
+Rendements
+
+IFT (Indice de Fréquence de Traitement)
+
+Proposer des alternatives techniques en cas de retrait de certaines molécules herbicides.
+
+⚙️ Objectifs techniques
+
+Créer un serveur MCP (Model Context Protocol).
+
+Utiliser Gradio pour exposer ce serveur MCP.
+
+Assurer la compatibilité avec Hugging Face (hébergement HF).
+
+Configuration Hugging Face :
+
+hf_token = os.environ.get("HF_TOKEN")
+dataset_id = "HackathonCRA/2024"
+
+
+(dataset accessible via HF avec cet id et ce token, synchronisé depuis OneDrive_1_9-17-2025).
+
+Fournir au LLM des tools et resources pour :
+
+Analyses graphiques et statistiques précises et sourcées.
+
+Filtrer (ou non) par années et par parcelles (certaines parcelles ne sont pas disponibles tous les ans).
+
+L’outil doit être simple, rapide à mettre en place et fonctionnel.
+
+🧑‍💻 Prompt pour l’IA
+
+Tu es un expert en intelligence artificielle chargé de mettre en place un outil pour le CRA dans le cadre d’un hackathon agricole.
+
+Ta mission :
+
+Analyser les données mises à disposition.
+
+Concevoir et implémenter un serveur MCP conforme aux objectifs ci-dessus.
+
+Exposer ce serveur via une interface Gradio, compatible avec Hugging Face.
+
+Fournir des tools et resources exploitables par un LLM, permettant d’effectuer des analyses fiables, visuelles et interactives.
+
+
+
+Voici de la documentation pour faire des mcp avec gradio : 
+- https://www.gradio.app/guides/building-mcp-server-with-gradio
+- https://huggingface.co/blog/gradio-mcp
+
+
+Appuies toi sur cette documentation pour produire ce MCP, au plus simple et efficace pour avoir un produit fonctionnel. 

app.py

@@ -12,6 +12,12 @@ def letter_counter(word, letter):
     """
     return word.lower().count(letter.lower())
 
+@gr.mcp.resource("greeting://{name}")
+def get_greeting(name: str) -> str:
+    """Get a personalized greeting"""
+    return f"Hello, {name}!"
+
+
 demo = gr.Interface(
     fn=letter_counter,
     inputs=["text", "text"],