app.py

# app.py

import os
import sys
import time
import gradio as gr
import requests
from langchain.prompts import ChatPromptTemplate
from langchain_community.llms import Ollama
from datetime import datetime

from func_ai import classify_comment, retrieve_from_vdb, analyze_sentiment, log_message as ai_log
from func_facebook import (
    get_page_id,
    has_page_replied,
    get_unanswered_comments,
    reply_comment,
    hide_negative_comments,
    log_message as fb_log
)

# Инициализация переменных окружения
VECTOR_API_URL = os.getenv('API_URL')

def log_message(message):
    timestamp = datetime.now().strftime('%Y-%m-%d %H:%M:%S')
    print(f"[{timestamp}] {message}")

# Шаблон для генерации ответов
template = """
You are an assistant answering users' questions using the provided context. Your tasks:

1. **Brevity**: Respond concisely, using only relevant information from the context.
2. **Politeness**: Start your response with a greeting and maintain a respectful tone.
3. **Clarity**: Avoid unnecessary explanations and use simple language.
4. **Language of the response**: Detect the language of the user's comment and reply in the same language.
5. **Safety**: Do not use phrases like "according to the context" and remove any warnings.
6. **Accuracy**: Provide the user with only important and verified purchase links.


<context>
{context}
</context>

Question: {input}
"""

def delete_faiss_index():
    log_message("Удаляем FAISS индекс.")
    try:
        response = requests.delete(f"{VECTOR_API_URL}/delete_index/")
        if response.status_code == 200:
            log_message("FAISS индекс успешно удален.")
            return "FAISS успешно удален."
        else:
            log_message(f"Ошибка при удалении FAISS индекса: {response.json().get('detail')}")
            return {"status": "error", "message": response.json().get("detail", "Ошибка при удалении FAISS индекса.")}
    except Exception as e:
        log_message(f"Ошибка при удалении FAISS индекса: {e}")
        return {"status": "error", "message": str(e)}

def upload_file_vdb(file):
    log_message("Загружаем файл")
    API_URL = f"{VECTOR_API_URL}/upload/"

    file_path = file.name  # Получаем имя файла
    file_name = os.path.basename(file_path)

    # Сохраняем загруженный файл во временное место
    temp_path = f"/tmp/{file_name}"
    try:
        with open(temp_path, 'wb') as f:
            f.write(file.read())
        log_message(f"Файл сохранен во временное место: {temp_path}")

        # Отправляем файл в векторную базу данных
        with open(temp_path, 'rb') as f:
            files = {'file': (file_name, f)}
            response = requests.post(API_URL, files=files)

        # Удаляем временный файл
        os.remove(temp_path)
        log_message(f"Временный файл {temp_path} удален.")

        # Обработка ответа от сервера
        if response.status_code == 200:
            log_message("Файл успешно загружен.")
            return "Файл успешно загружен."
        else:
            log_message(f"Ошибка при загрузке файла: {response.json().get('detail')}")
            return f"Ошибка: {response.json().get('detail')}"
    except Exception as e:
        log_message(f"Ошибка при загрузке файла: {e}")
        return f"Ошибка: {str(e)}"

def generate_response(user_query, llm):
    log_message(f"Генерация ответа на запрос: {user_query}")
    prompt = ChatPromptTemplate.from_template(template)

    documents = retrieve_from_vdb(user_query)
    context = "\n".join(documents)

    log_message(f"Контекст из базы данных: {context[:100]}...")
    full_prompt = prompt.format(context=context, input=user_query)

    try:
        response = llm.invoke(full_prompt)
        log_message(f"Сгенерированный ответ: {response}")
        return response
    except Exception as e:
        log_message(f"Ошибка при генерации ответа: {e}")
        return "Извините, возникла ошибка при обработке вашего запроса."

def process_comments(ACCESS_TOKEN):
    log_message("Начинаем процесс скрытия отрицательных комментариев.")
    hidden_comments_data = hide_negative_comments(ACCESS_TOKEN)
    log_message(f"Количество постов с скрытыми комментариями: {len(hidden_comments_data)}")

    log_message("Получение неотвеченных комментариев.")
    posts_with_unanswered_comments = get_unanswered_comments(ACCESS_TOKEN)

    page_id = get_page_id(ACCESS_TOKEN)
    if not page_id:
        log_message("Не удалось получить ID страницы.")
        return {"status": "failed", "reason": "Не удалось получить ID страницы."}

    log_message(f"ID страницы: {page_id}")

    processed_posts = []

    # Инициализируем модель Ollama
    try:
        llm = Ollama(model="llama3.1")
        log_message("Модель Ollama 'llama3.1' инициализирована.")
    except Exception as e:
        log_message(f"Ошибка инициализации модели Ollama: {e}")
        return {"status": "failed", "reason": "Ошибка инициализации модели AI."}

    for post_data in posts_with_unanswered_comments:
        post_id = post_data['post_id']
        post_message = post_data['post_message']
        unanswered_comments = post_data['unanswered_comments']

        post_replies = []

        for comment in unanswered_comments:
            message = comment['message']
            log_message(f"Обработка комментария: {message}")
            classification = classify_comment(message)
            log_message(f"Классификация комментария: {classification}")
            if classification == "interrogative":
                response_message = generate_response(message, llm)
                log_message(f"Ответ на комментарий: {response_message}")
                success = reply_comment(comment_id=comment['id'], message=response_message, token=ACCESS_TOKEN)
                if success:
                    post_replies.append({
                        'comment_id': comment['id'],
                        'comment_message': comment['message'],
                        'reply_message': response_message
                    })

        processed_posts.append({
            'post_id': post_id,
            'post_message': post_message,
            'hidden_comments': next((item['hidden_comments'] for item in hidden_comments_data if item['post_id'] == post_id), []),
            'replies': post_replies
        })

    return {
        "status": "completed",
        "posts": processed_posts
    }

def generate_response_interface(user_query, llm):
    return generate_response(user_query, llm)

# Создание интерфейса Gradio
with gr.Blocks() as demo:
    with gr.Tab("Главная страница"):
        gr.Markdown("# Facebook Comment Filter")
        token_input = gr.Textbox(label="Access Token")
        output_main = gr.JSON()
        process_btn = gr.Button("Процессировать комментарии")
        process_btn.click(process_comments, inputs=token_input, outputs=output_main)

    with gr.Tab("Загрузить данные"):
        gr.Markdown("# Отправь Excel файл")
        file_input = gr.File(label="Загрузите Excel файл (.xlsx)")
        output_second = gr.Text()
        second_page_btn = gr.Button("Отправить файл")
        second_page_btn.click(upload_file_vdb, inputs=file_input, outputs=output_second)
        delete_btn = gr.Button("Удалить FAISS индекс")
        delete_btn.click(delete_faiss_index, outputs=output_second)

if __name__ == "__main__":
    demo.launch(
        debug=True,
        server_port=7860,
        server_name="0.0.0.0",
    )