from langchain_openai import OpenAIEmbeddings from langchain_community.vectorstores import FAISS import os import gradio as gr import json import os # get the root path of the project current_file_path = os.path.dirname(os.path.abspath(__file__)) root_path = os.path.abspath(current_file_path) from datetime import datetime, time from textwrap import dedent from langchain_openai import ChatOpenAI from langchain_core.prompts import ChatPromptTemplate import re # 获取当前文件位置 current_path = os.path.dirname(os.path.abspath(__file__)) class OurLLM(): def __init__(self, model="gpt-4o"): self.base_url = os.environ["OPENAI_BASE_URL"] self.api_key = os.environ["OPENAI_API_KEY"] # model: str, 模型名称 ["gpt-4o-mini", "gpt-4o", "o1-mini", "gemini-1.5-flash-002", "gemini-1.5-pro-002"] self.big_model = "gpt-4o" chat_prompt = ChatPromptTemplate.from_messages( [ ("system", "{system_prompt}"), ("user", "{input}"), ] ) self.chat_prompt = chat_prompt self.llm = self.get_llm(self.big_model) # 2. 获取指定仓库的 README 内容 def clean_json(self, s): return s.replace("```json", "").replace("```", "") def get_system_prompt(self, mode="assistant"): prompt_map = { "assistant": dedent(""" 你是一个智能助手，擅长用简洁的中文回答用户的问题。 请确保你的回答准确、清晰、有条理，并且符合中文的语言习惯。 重要提示： 1. 回答要简洁明了，避免冗长 2. 使用适当的专业术语 3. 保持客观中立的语气 4. 如果不确定，要明确指出 """), # paper "keyword_expand": dedent(""" 你是一个搜索关键词扩展专家，擅长将用户的搜索意图转化为多个相关的搜索词或短语。 用户会输入一段描述他们搜索需求的文本，请你生成与之相关的关键词列表。 你需要返回一个可以直接被 json 库解析的响应，包含以下内容： { "keywords": [关键词列表], } 重要提示： 1. 关键词应该包含同义词、近义词、上位词、下位词 2. 短语要体现不同的表达方式和组合 3. 描述句子要涵盖不同的应用场景和用途 4. 所有内容必须与原始搜索意图高度相关 5. 扩展搜索意图到相关的应用场景和工具，例如: - 如果搜索"PDF转MD"，应包含PDF内容提取、PDF解析工具、PDF数据处理等 - 如果搜索"图片压缩"，应包含批量压缩工具、图片格式转换等 - 如果搜索"代码格式化"，应包含代码美化工具、语法检查器、代码风格统一等 - 如果搜索"文本翻译"，应包含机器翻译API、多语言翻译工具、离线翻译软件等 - 如果搜索"数据可视化"，应包含图表生成工具、数据分析库、交互式图表等 - 如果搜索"网络爬虫"，应包含数据采集框架、反爬虫绕过、数据解析工具等 - 如果搜索"API测试"，应包含接口测试工具、性能监控、自动化测试框架等 6. 所有内容主要使用英文表达，并对部分关键词添加额外的中文表示 7. 返回内容不要使用任何 markdown 格式 以及任何特殊字符 """), "github_match": dedent(""" 你是一个仓库匹配专家，擅长根据用户需求从多个仓库中选择最合适的仓库。 用户会输入两部分内容: 1. 用户的具体需求描述 2. 多个仓库的描述列表(以1,2,3等数字开头) 请你仔细分析用户需求，并从仓库列表中选择最符合需求的仓库。 确保返回一个可以直接被 json 库解析的响应，不要使用任何 markdown 格式，尤其是不要使用 ```json 格式，包含以下内容： { "matched_repos": [匹配到的仓库编号列表，按相关度从高到低排序], "match_scores": [对应的匹配度评分列表，0-100的整数，表示匹配程度] } 重要提示： 1. 如果所有仓库都不相关，只返回编号1 2. 匹配度评分要客观反映仓库与需求的契合度 3. 返回的仓库数量不能超过输入仓库总数的一半 4. 所有内容必须使用中文表达 """), "github_score": dedent(""" 你是一个仓库评分专家，擅长根据用户需求对仓库进行评分。 用户会输入两部分内容: 1. 用户的具体需求描述 2. 多个仓库的描述列表(以1,2,3等数字开头) 请你仔细分析用户需求，并对每个仓库进行评分。 确保返回一个可以直接被 json 库解析的响应，包含以下内容： { "indices": [仓库编号列表，按分数从高到低], "scores": [编号对应的匹配度评分列表，0-100的整数，表示匹配程度] } 重要提示： 1. 评分范围为0-100的整数，高于60分表示具有明显相关性 2. 评分要客观反映仓库与需求的契合度 3. 只返回评分大于 60 的仓库 4. 返回内容不要使用任何 markdown 格式 以及任何特殊字符 """), "title_class": dedent(""" 你是一个内容分类专家，用户会把一些论文的题目通过多行的形式发给你， 请你使用尽可能简短的中文将所有题目分为不超过十类，并描述每个类别的名称以及其对应的文章数量， 注意你不用重复论文题目，只需要给出类别名称以及数量即可即可。 """), "summary_struct": dedent(""" 你是一个论文总结专家，同时也是一个翻译专家，对中文有深入的了解，包括词汇、语法和修辞技巧， 能够深入分析所给英文内容的含义，可以将准备回复给用户的中文内容表示的流畅且符合中文语法习惯。 用户将会论文的标题以及摘要通过 json 格式发给你，请你使用尽可能简短的中文按照下列要求对所给内容进行总结： 回复格式为直接的 json 格式 ，样例如下： { "field": "研究领域（一个词组，使用多个逗号隔开的，保证分解后的各个词语之间具有较小的重叠性）", "summary": "对论文的 abstract 进行摘要总结（保证内容尽可能的少，仅包含最关键的信息）", "translation": "将论文的 abstract 翻译为中文，保证翻译的准确性和流畅性，并忠于原文" } 重要提示： 1. 直接返回JSON对象，不要添加任何其他文本、注释或标记。 2. 严禁在 key 对应的 value 中任何位置使用双引号！！！这样会导致我解析失败，切记！！！。 3. 确保你的回复可以直接通过 JSON.parse() 解析，即不要返回非 json 格式的内容和字符。 4. 保持回复简洁，避免重复内容。 5. 直接回答问题，不要重复问题内容。 """), "field_summary": dedent(""" 你是一个中文标签清洗专家，对中文词汇有深入了解，擅长将一对含有重复含义的标签进行合并并重命名 用户会将一些标签名称通过逗号隔开的形式发给你，请你将含义重复但是名称不同的标签进行合并 而没有含义重复的标签则不用理会，你最后需要返回你所修改的标签内容，回复为 json 格式，样例如下： { "label1": "合并后的标签1", "label2": "合并后的标签1", "label3": "合并后的标签2", "label4": "合并后的标签2", "label5": "合并后的标签2" } 重要提示： 1. 直接返回JSON对象, 不要添加任何其他文本、注释或标记。 2. 不要使用```json或任何其他格式标记。 3. 确保你的回复可以直接通过JSON.parse()解析。 """) } return prompt_map[mode] def get_llm(self, model="gpt-4o-mini"): ''' params: model: str, 模型名称 ["gpt-4o-mini", "gpt-4o", "o1-mini", "gemini-1.5-flash-002"] ''' llm = ChatOpenAI(model=model, base_url=self.base_url, api_key=self.api_key) print(f"Init model {model} successfully!") return llm def ask_question(self, question, system_prompt=None): # 1. 获取系统提示 if system_prompt is None: system_prompt = self.get_system_prompt() # 2. 生成聊天提示 prompt = self.chat_prompt.format(input=question, system_prompt=system_prompt) config = { "configurable": {"response_format": {"type": "json_object"}} } # 3. 调用 OpenAI 模型进行回答(重调用三次，三次不成功就结束) for _ in range(10): try: response = self.llm.invoke(prompt, config=config) response.content = self.clean_json(response.content) return response except Exception as e: print(e) time.sleep(10) continue print(f"Failed to call llm for prompt: {prompt[0:10]}") return None async def ask_questions_parallel(self, questions, system_prompt=None): import asyncio import re # 1. 获取系统提示 if system_prompt is None: system_prompt = self.get_system_prompt() # 2. 定义异步函数 async def call_llm(prompt): for _ in range(10): try: config = { "configurable": {"response_format": {"type": "json_object"}} } response = await self.llm.ainvoke(prompt, config=config) # 1. 移除 json 标记 response.content = re.sub(r'^```json\s*', '', response.content) response.content = re.sub(r'\s*```$', '', response.content) # 2. 移除公式包裹符号 response.content = re.sub(r'\$', '', response.content) # 3. 移除转移符号 response.content = re.sub(r'\\', '', response.content) response.content = re.sub(r'/', '', response.content) # 4. 移除各种引号 response.content = re.sub(r'[“”]', '', response.content) response.content = re.sub(r'(\w+)"(\w+)', r'\1\2', response.content, flags=re.UNICODE) return response except Exception as e: print(e) await asyncio.sleep(10) continue print(f"Failed to call llm for prompt: {prompt[0:10]}") return None # 3. 构建 prompt prompts = [self.chat_prompt.format(input=question, system_prompt=system_prompt) for question in questions] # 4. 异步调用 tasks = [call_llm(prompt) for prompt in prompts] results = await asyncio.gather(*tasks) return results class RepoSearch: def __init__(self): db_path = os.path.join(root_path, "database", "faiss_index") embeddings = OpenAIEmbeddings(api_key=os.environ["OPENAI_API_KEY"], base_url=os.environ["OPENAI_BASE_URL"], model="text-embedding-3-small") assert os.path.exists(db_path), f"Database not found: {db_path}" self.vector_db = FAISS.load_local(db_path, embeddings, allow_dangerous_deserialization=True) def search(self, query, k=10): ''' name + description + html_url + topics ''' results = self.vector_db.similarity_search(query + " technology", k=k) simple_str = "" simple_list = [] for i, doc in enumerate(results): content = json.loads(doc.page_content) if content["description"] is None: content["description"] = "" desc = content["description"] if len(content["description"]) < 300 else content["description"][:300] + "..." simple_str += f"\t**{i+1}. {content['name']}** || **Description:** {desc} || **Url:** {content['html_url']} \n" simple_list.append({ "name": content["name"], "description": desc, "url": content["html_url"] }) return simple_str, simple_list def main(): search = RepoSearch() llm = OurLLM() def respond( prompt: str, history, ): if not history: history = [{"role": "system", "content": "You are a friendly chatbot"}] history.append({"role": "user", "content": prompt}) yield history response = {"role": "assistant", "content": ""} response["content"] = "开始扩展关键词..." yield history + [response] query = llm.ask_question(prompt, system_prompt=llm.get_system_prompt("keyword_expand")).content json_obj = ", ".join(json.loads(query)["keywords"]) response["content"] = "开始通过 LLM 评分得到最匹配的仓库..." yield history + [response] simple_str, simple_list = search.search(json_obj, 60) query = '用户需要的仓库内容：' + prompt + '\n 搜索结果列表：' + simple_str out = llm.ask_question(query, system_prompt=llm.get_system_prompt("github_score")).content out = out.replace('```json','').replace('```','').strip() matched_repos = json.loads(out)["indices"] result = [simple_list[idx-1] for idx in matched_repos] simple_str = "" for repo in result: simple_str += f"\t**{repo['name']}** || **Description:** {repo['description']} || **Url:** {repo['url']} \n" response = {"role": "assistant", "content": ""} response["content"] = simple_str yield history + [response] with gr.Blocks() as demo: gr.Markdown("## Semantic github search (基于语义的 github 仓库搜索) 🌐") chatbot = gr.Chatbot( label="Agent", type="messages", avatar_images=( None, "https://img1.baidu.com/it/u=2193901176,1740242983&fm=253&fmt=auto&app=138&f=JPEG?w=500&h=500", ), height="65vh" ) prompt = gr.Textbox(max_lines=2, label="Chat Message") prompt.submit(respond, [prompt, chatbot], [chatbot]) prompt.submit(lambda: "", None, [prompt]) demo.launch(share=True) if __name__ == "__main__": main()