Spaces:
Running
Running
| import os | |
| import gradio as gr | |
| from dotenv import load_dotenv | |
| from langchain.document_loaders import TextLoader | |
| from rag_demo import load_and_split_document, create_vector_store, setup_rag_chain, execute_query, get_retriever | |
| # 环境设置 | |
| load_dotenv() # 加载环境变量 | |
| QUESTION_LANG = os.getenv("QUESTION_LANG") # 从环境变量获取 QUESTION_LANG | |
| assert QUESTION_LANG in ['cn', 'en'], QUESTION_LANG | |
| if QUESTION_LANG == "cn": | |
| title = "ZeroPal" | |
| title_markdown = """ | |
| <div align="center"> | |
| <img src="https://raw.githubusercontent.com/puyuan1996/ZeroPal/main/assets/banner.svg" width="80%" height="20%" alt="Banner Image"> | |
| </div> | |
| 📢 **操作说明**：请在下方的“问题”框中输入关于 LightZero 的问题，并点击“提交”按钮。右侧的“回答”框将展示 RAG 模型提供的答案。 | |
| 您可以在问答框下方查看当前“对话历史”，点击“清除上下文”按钮可清空历史记录。在“对话历史”框下方，您将找到相关参考文档，其中相关文段将以黄色高亮显示。 | |
| 如果您喜欢这个项目，请在 GitHub [LightZero RAG Demo](https://github.com/puyuan1996/ZeroPal) 上给我们点赞！✨ 您的支持是我们持续更新的动力。 | |
| <div align="center"> | |
| <strong>注意：算法模型输出可能包含一定的随机性。结果不代表开发者和相关 AI 服务的态度和意见。本项目开发者不对结果作出任何保证，仅供参考之用。使用该服务即代表同意后文所述的使用条款。</strong> | |
| </div> | |
| """ | |
| tos_markdown = """ | |
| ### 使用条款 | |
| 使用本服务的玩家需同意以下条款： | |
| - 本服务为探索性研究的预览版，仅供非商业用途。 | |
| - 服务不得用于任何非法、有害、暴力、种族主义或其他令人反感的目的。 | |
| - 服务提供有限的安全措施，并可能生成令人反感的内容。 | |
| - 如果您对服务体验不满，请通过 [email protected] 与我们联系！我们承诺修复问题并不断改进项目。 | |
| - 为了获得最佳体验，请使用台式电脑，因为移动设备可能会影响视觉效果。 | |
| **版权所有 © 2024 OpenDILab。保留所有权利。** | |
| """ | |
| # 路径变量，方便之后的文件使用 | |
| file_path = './documents/LightZero_README_zh.md' | |
| # 加载原始Markdown文档 | |
| loader = TextLoader(file_path) | |
| orig_documents = loader.load() | |
| # 存储对话历史 | |
| conversation_history = [] | |
| chunks = load_and_split_document(file_path, chunk_size=5000, chunk_overlap=500) | |
| vectorstore = create_vector_store(chunks, model='OpenAI') | |
| def rag_answer(question, temperature, k): | |
| """ | |
| 处理用户问题并返回答案和高亮显示的上下文 | |
| :param question: 用户输入的问题 | |
| :param temperature: 生成答案时使用的温度参数 | |
| :param k: 检索到的文档块数量 | |
| :return: 模型生成的答案和高亮显示上下文的Markdown文本 | |
| """ | |
| try: | |
| retriever = get_retriever(vectorstore, k) | |
| rag_chain = setup_rag_chain(model_name='kimi', temperature=temperature) | |
| # 将对话历史转换为字符串 | |
| history_str = "\n".join([f"{role}: {text}" for role, text in conversation_history]) | |
| history_question = [history_str, question] | |
| # 将问题添加到对话历史中 | |
| conversation_history.append(("User", question)) | |
| retrieved_documents, answer = execute_query(retriever, rag_chain, history_question, model_name='kimi', | |
| temperature=temperature) | |
| # 在文档中高亮显示上下文 | |
| context = [retrieved_documents[i].page_content for i in range(len(retrieved_documents))] | |
| highlighted_document = orig_documents[0].page_content | |
| for i in range(len(context)): | |
| highlighted_document = highlighted_document.replace(context[i], f"<mark>{context[i]}</mark>") | |
| # 将回答添加到对话历史中 | |
| conversation_history.append(("Assistant", answer)) | |
| # 将对话历史存储到数据库中（此处省略数据库操作代码） | |
| # 返回完整的对话历史 | |
| full_history = "\n".join([f"{role}: {text}" for role, text in conversation_history]) | |
| except Exception as e: | |
| print(f"An error occurred: {e}") | |
| return "处理您的问题时出现错误，请稍后再试。", "", "" | |
| return answer, highlighted_document, full_history | |
| def clear_context(): | |
| """ | |
| 清除对话历史 | |
| """ | |
| global conversation_history | |
| conversation_history = [] | |
| return "", "", "" | |
| def export_history(): | |
| """ | |
| 导出对话历史记录 | |
| """ | |
| # 从数据库中获取完整的对话历史记录（此处省略数据库操作代码） | |
| exported_history = "对话历史记录：\n" + "\n".join([f"{role}: {text}" for role, text in conversation_history]) | |
| return exported_history | |
| if __name__ == "__main__": | |
| with gr.Blocks(title=title, theme='ParityError/Interstellar') as zero_pal: | |
| gr.Markdown(title_markdown) | |
| with gr.Row(): | |
| with gr.Column(): | |
| inputs = gr.Textbox( | |
| placeholder="请您在这里输入任何关于 LightZero 的问题。", | |
| label="问题 (Q)") | |
| temperature = gr.Slider(minimum=0.0, maximum=1.0, value=0.01, step=0.01, label="温度参数") | |
| k = gr.Slider(minimum=1, maximum=10, value=5, step=1, label="检索到的文档块数量") | |
| with gr.Row(): | |
| gr_submit = gr.Button('提交') | |
| gr_clear = gr.Button('清除上下文') | |
| outputs_answer = gr.Textbox(placeholder="当你点击提交按钮后，这里会显示 RAG 模型给出的回答。", | |
| label="回答 (A)") | |
| outputs_history = gr.Textbox(label="对话历史") | |
| with gr.Row(): | |
| outputs_context = gr.Markdown(label="参考的文档，检索得到的 context 用高亮显示 (C)") | |
| gr_clear.click(clear_context, outputs=[outputs_context, outputs_history]) | |
| gr_submit.click( | |
| rag_answer, | |
| inputs=[inputs, temperature, k], | |
| outputs=[outputs_answer, outputs_context, outputs_history], | |
| ) | |
| gr.Markdown(tos_markdown) | |
| concurrency = int(os.environ.get('CONCURRENCY', os.cpu_count())) | |
| favicon_path = os.path.join(os.path.dirname(__file__), 'assets', 'avatar.png') | |
| zero_pal.queue().launch(max_threads=concurrency, favicon_path=favicon_path, share=True) | |