PROMPT.md

🚜 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, ces données sont dispo pour toi dans OneDrive_1_9-17-2025. Ce dossier sert uniquement a t'aider mais tu dois utiliser data_loader.py pour charger ces données qui sont sur HF en format csv).

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

Voici un exemple de MCP qui fonctionne actuellement : import gradio as gr

def letter_counter(word, letter):
    """Count the occurrences of a specific letter in a word.
    
    Args:
        word: The word or phrase to analyze
        letter: The letter to count occurrences of
        
    Returns:
        The number of times the letter appears in the word
    """
    return word.lower().count(letter.lower())

demo = gr.Interface(
    fn=letter_counter,
    inputs=["text", "text"],
    outputs="number",
    title="Letter Counter",
    description="Count how many times a letter appears in a word"
)

demo.launch(mcp_server=True)

Appuies toi sur cette documentation pour produire ce MCP, au plus simple et efficace pour avoir un produit fonctionnel.