Spaces:
Sleeping
Sleeping
File size: 174,797 Bytes
2c887b0 e3603e4 2c887b0 768816e 2c887b0 eb98db0 e3603e4 fb14645 cbd204e 2c887b0 768816e 2c887b0 cbd204e de3d58f 53ec354 2c887b0 0747fb0 389cd36 0747fb0 b33f4f3 0747fb0 389cd36 0747fb0 389cd36 0747fb0 389cd36 0747fb0 389cd36 0747fb0 389cd36 ff55181 0747fb0 389cd36 0747fb0 389cd36 0747fb0 389cd36 0747fb0 389cd36 0747fb0 119d367 0747fb0 ff55181 119d367 0747fb0 ff55181 dd88ce5 389cd36 ff55181 389cd36 ff55181 389cd36 b5bb9b1 ff55181 389cd36 ff55181 389cd36 ff55181 3193bb3 ff55181 3193bb3 ff55181 389cd36 ff55181 3193bb3 389cd36 b5bb9b1 389cd36 b5bb9b1 389cd36 b5bb9b1 fb14645 389cd36 fb14645 389cd36 b5bb9b1 389cd36 b5bb9b1 389cd36 b5bb9b1 389cd36 b5bb9b1 389cd36 b5bb9b1 389cd36 b5bb9b1 389cd36 b5bb9b1 389cd36 0747fb0 389cd36 fb14645 65e78dc 389cd36 65e78dc 389cd36 119d367 389cd36 3193bb3 389cd36 65e78dc 389cd36 65e78dc 389cd36 65e78dc 389cd36 65e78dc ad44a9a af31f32 ad44a9a af31f32 ad44a9a af31f32 ad44a9a 34b18c6 af31f32 34b18c6 af31f32 34b18c6 af31f32 34b18c6 af31f32 34b18c6 af31f32 34b18c6 af31f32 34b18c6 af31f32 34b18c6 af31f32 34b18c6 af31f32 389cd36 65e78dc 389cd36 65e78dc 389cd36 57a21f2 65e78dc b33f4f3 7fcead6 28e81e9 7fcead6 28e81e9 7fcead6 b33f4f3 28e81e9 7fcead6 28e81e9 7fcead6 b33f4f3 7fcead6 b33f4f3 28e81e9 7fcead6 28e81e9 b33f4f3 28e81e9 7fcead6 b33f4f3 7fcead6 b33f4f3 28e81e9 65e78dc 389cd36 65e78dc ad44a9a 34b18c6 b33f4f3 65e78dc ad44a9a 65e78dc 389cd36 fb14645 0747fb0 2c887b0 7f1566f 2c887b0 7f1566f fe45431 7f1566f fdfe0bc 7f1566f 007dec9 ded5362 007dec9 7f1566f cbd204e 2c887b0 eb98db0 20d75a5 eb98db0 13a7207 2c887b0 cbd204e eb98db0 cbd204e eb98db0 47b1ac4 eb98db0 47b1ac4 eb98db0 47b1ac4 cbd204e 47b1ac4 5796c77 47b1ac4 eb98db0 47b1ac4 eb98db0 5796c77 eb98db0 47b1ac4 cbd204e 47b1ac4 cbd204e 47b1ac4 cbd204e eb98db0 cbd204e 47b1ac4 cbd204e 5796c77 cbd204e eb98db0 47b1ac4 eb98db0 cbd204e eb98db0 2b97e76 eb98db0 2b97e76 cbd204e eb98db0 2b97e76 eb98db0 2b97e76 eb98db0 d9d4f93 cbd204e eb98db0 cbd204e 2b97e76 a06a304 ce89bcb a06a304 eb98db0 b0e91da 40d22ce eb98db0 2b97e76 a06a304 646c14c a06a304 eb98db0 b0e91da 40d22ce eb98db0 2b97e76 a06a304 646c14c a06a304 eb98db0 b0e91da 40d22ce eb98db0 2b97e76 a06a304 646c14c a06a304 eb98db0 b0e91da 57da261 40d22ce eb98db0 2b97e76 a06a304 646c14c a06a304 a83616f b0e91da 57da261 40d22ce eb98db0 cbd204e d9f3465 cbd204e d9f3465 cbd204e d9f3465 e484f23 cbd204e e484f23 cbd204e e484f23 d9f3465 d9d4f93 2c887b0 cbd204e 2c887b0 53ec354 2c887b0 53ec354 2c887b0 5529d13 2c887b0 eb98db0 2c887b0 eb98db0 2c887b0 eb98db0 2c887b0 eb98db0 2c887b0 eb98db0 2c887b0 2b3649d 2c887b0 cbd204e 2c887b0 cbd204e 2c887b0 4f315bf 2c887b0 4f315bf cbd204e 2c887b0 4f315bf 2c887b0 4f315bf 2c887b0 cbd204e 2c887b0 cbd204e 2c887b0 4f315bf 2c887b0 4f315bf 2c887b0 a3d6477 2c887b0 cbd204e 2c887b0 cbd204e 2c887b0 5784766 2c887b0 5784766 cbd204e 2c887b0 cbd204e 2c887b0 5784766 2c887b0 677b81b 2c887b0 6b5fcca b33f4f3 6b5fcca cbd204e 6b5fcca f980a27 6b5fcca 2c887b0 6b5fcca 2c887b0 6b5fcca 2c887b0 6b5fcca 2c887b0 6b5fcca fb14645 b33f4f3 400ede9 6b5fcca cbd204e 6b5fcca b33f4f3 6b5fcca fb14645 cbd204e 2c887b0 2b3649d 63dc5a6 2c887b0 2b3649d 2c887b0 cbd204e 2c887b0 2b3649d 63dc5a6 2c887b0 2b3649d 2c887b0 2b3649d 63dc5a6 2c887b0 2b3649d 2c887b0 2b3649d 63dc5a6 2c887b0 2b3649d 2c887b0 5a23fda cbd204e 5a23fda 2c887b0 5a23fda 2c887b0 d9f3465 cbd204e d9f3465 2c887b0 2b3649d 63dc5a6 2c887b0 2b3649d 2c887b0 2b3649d 63dc5a6 2c887b0 2b3649d 2c887b0 eb98db0 e484f23 eb98db0 cbd204e eb98db0 e484f23 eb98db0 2c887b0 2b3649d 63dc5a6 2c887b0 2b3649d 2c887b0 2b3649d 2c887b0 2b3649d 2c887b0 2b3649d 2c887b0 2b3649d 2c887b0 2b3649d 2c887b0 2b3649d 2c887b0 2b3649d 2c887b0 2b3649d 2c887b0 2b3649d 2c887b0 2b3649d 2c887b0 2b3649d 2b5f50b 2b3649d cbd204e 2c887b0 2b3649d 2b5f50b 2b3649d cbd204e 2c887b0 2b3649d 2b5f50b 2b3649d cbd204e 2c887b0 2b3649d 2b5f50b 2b3649d cbd204e 2c887b0 2b3649d 2b5f50b 2b3649d cbd204e 2c887b0 13a7207 2c887b0 eb98db0 2c887b0 eb98db0 13a7207 2c887b0 13a7207 2c887b0 eb98db0 2c887b0 13a7207 2c887b0 13a7207 bb112a1 13a7207 2c887b0 eb98db0 2c887b0 13a7207 2c887b0 eb98db0 2c887b0 eb98db0 2c887b0 13a7207 2c887b0 eb98db0 2c887b0 13a7207 2c887b0 eb98db0 2c887b0 eb98db0 2c887b0 eb98db0 13a7207 2c887b0 13a7207 2c887b0 eb98db0 2c887b0 13a7207 2c887b0 fb14645 0747fb0 b5bb9b1 0747fb0 fb14645 389cd36 fb14645 ad44a9a 34b18c6 b33f4f3 fb14645 0747fb0 2c887b0 3b20a47 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538 539 540 541 542 543 544 545 546 547 548 549 550 551 552 553 554 555 556 557 558 559 560 561 562 563 564 565 566 567 568 569 570 571 572 573 574 575 576 577 578 579 580 581 582 583 584 585 586 587 588 589 590 591 592 593 594 595 596 597 598 599 600 601 602 603 604 605 606 607 608 609 610 611 612 613 614 615 616 617 618 619 620 621 622 623 624 625 626 627 628 629 630 631 632 633 634 635 636 637 638 639 640 641 642 643 644 645 646 647 648 649 650 651 652 653 654 655 656 657 658 659 660 661 662 663 664 665 666 667 668 669 670 671 672 673 674 675 676 677 678 679 680 681 682 683 684 685 686 687 688 689 690 691 692 693 694 695 696 697 698 699 700 701 702 703 704 705 706 707 708 709 710 711 712 713 714 715 716 717 718 719 720 721 722 723 724 725 726 727 728 729 730 731 732 733 734 735 736 737 738 739 740 741 742 743 744 745 746 747 748 749 750 751 752 753 754 755 756 757 758 759 760 761 762 763 764 765 766 767 768 769 770 771 772 773 774 775 776 777 778 779 780 781 782 783 784 785 786 787 788 789 790 791 792 793 794 795 796 797 798 799 800 801 802 803 804 805 806 807 808 809 810 811 812 813 814 815 816 817 818 819 820 821 822 823 824 825 826 827 828 829 830 831 832 833 834 835 836 837 838 839 840 841 842 843 844 845 846 847 848 849 850 851 852 853 854 855 856 857 858 859 860 861 862 863 864 865 866 867 868 869 870 871 872 873 874 875 876 877 878 879 880 881 882 883 884 885 886 887 888 889 890 891 892 893 894 895 896 897 898 899 900 901 902 903 904 905 906 907 908 909 910 911 912 913 914 915 916 917 918 919 920 921 922 923 924 925 926 927 928 929 930 931 932 933 934 935 936 937 938 939 940 941 942 943 944 945 946 947 948 949 950 951 952 953 954 955 956 957 958 959 960 961 962 963 964 965 966 967 968 969 970 971 972 973 974 975 976 977 978 979 980 981 982 983 984 985 986 987 988 989 990 991 992 993 994 995 996 997 998 999 1000 1001 1002 1003 1004 1005 1006 1007 1008 1009 1010 1011 1012 1013 1014 1015 1016 1017 1018 1019 1020 1021 1022 1023 1024 1025 1026 1027 1028 1029 1030 1031 1032 1033 1034 1035 1036 1037 1038 1039 1040 1041 1042 1043 1044 1045 1046 1047 1048 1049 1050 1051 1052 1053 1054 1055 1056 1057 1058 1059 1060 1061 1062 1063 1064 1065 1066 1067 1068 1069 1070 1071 1072 1073 1074 1075 1076 1077 1078 1079 1080 1081 1082 1083 1084 1085 1086 1087 1088 1089 1090 1091 1092 1093 1094 1095 1096 1097 1098 1099 1100 1101 1102 1103 1104 1105 1106 1107 1108 1109 1110 1111 1112 1113 1114 1115 1116 1117 1118 1119 1120 1121 1122 1123 1124 1125 1126 1127 1128 1129 1130 1131 1132 1133 1134 1135 1136 1137 1138 1139 1140 1141 1142 1143 1144 1145 1146 1147 1148 1149 1150 1151 1152 1153 1154 1155 1156 1157 1158 1159 1160 1161 1162 1163 1164 1165 1166 1167 1168 1169 1170 1171 1172 1173 1174 1175 1176 1177 1178 1179 1180 1181 1182 1183 1184 1185 1186 1187 1188 1189 1190 1191 1192 1193 1194 1195 1196 1197 1198 1199 1200 1201 1202 1203 1204 1205 1206 1207 1208 1209 1210 1211 1212 1213 1214 1215 1216 1217 1218 1219 1220 1221 1222 1223 1224 1225 1226 1227 1228 1229 1230 1231 1232 1233 1234 1235 1236 1237 1238 1239 1240 1241 1242 1243 1244 1245 1246 1247 1248 1249 1250 1251 1252 1253 1254 1255 1256 1257 1258 1259 1260 1261 1262 1263 1264 1265 1266 1267 1268 1269 1270 1271 1272 1273 1274 1275 1276 1277 1278 1279 1280 1281 1282 1283 1284 1285 1286 1287 1288 1289 1290 1291 1292 1293 1294 1295 1296 1297 1298 1299 1300 1301 1302 1303 1304 1305 1306 1307 1308 1309 1310 1311 1312 1313 1314 1315 1316 1317 1318 1319 1320 1321 1322 1323 1324 1325 1326 1327 1328 1329 1330 1331 1332 1333 1334 1335 1336 1337 1338 1339 1340 1341 1342 1343 1344 1345 1346 1347 1348 1349 1350 1351 1352 1353 1354 1355 1356 1357 1358 1359 1360 1361 1362 1363 1364 1365 1366 1367 1368 1369 1370 1371 1372 1373 1374 1375 1376 1377 1378 1379 1380 1381 1382 1383 1384 1385 1386 1387 1388 1389 1390 1391 1392 1393 1394 1395 1396 1397 1398 1399 1400 1401 1402 1403 1404 1405 1406 1407 1408 1409 1410 1411 1412 1413 1414 1415 1416 1417 1418 1419 1420 1421 1422 1423 1424 1425 1426 1427 1428 1429 1430 1431 1432 1433 1434 1435 1436 1437 1438 1439 1440 1441 1442 1443 1444 1445 1446 1447 1448 1449 1450 1451 1452 1453 1454 1455 1456 1457 1458 1459 1460 1461 1462 1463 1464 1465 1466 1467 1468 1469 1470 1471 1472 1473 1474 1475 1476 1477 1478 1479 1480 1481 1482 1483 1484 1485 1486 1487 1488 1489 1490 1491 1492 1493 1494 1495 1496 1497 1498 1499 1500 1501 1502 1503 1504 1505 1506 1507 1508 1509 1510 1511 1512 1513 1514 1515 1516 1517 1518 1519 1520 1521 1522 1523 1524 1525 1526 1527 1528 1529 1530 1531 1532 1533 1534 1535 1536 1537 1538 1539 1540 1541 1542 1543 1544 1545 1546 1547 1548 1549 1550 1551 1552 1553 1554 1555 1556 1557 1558 1559 1560 1561 1562 1563 1564 1565 1566 1567 1568 1569 1570 1571 1572 1573 1574 1575 1576 1577 1578 1579 1580 1581 1582 1583 1584 1585 1586 1587 1588 1589 1590 1591 1592 1593 1594 1595 1596 1597 1598 1599 1600 1601 1602 1603 1604 1605 1606 1607 1608 1609 1610 1611 1612 1613 1614 1615 1616 1617 1618 1619 1620 1621 1622 1623 1624 1625 1626 1627 1628 1629 1630 1631 1632 1633 1634 1635 1636 1637 1638 1639 1640 1641 1642 1643 1644 1645 1646 1647 1648 1649 1650 1651 1652 1653 1654 1655 1656 1657 1658 1659 1660 1661 1662 1663 1664 1665 1666 1667 1668 1669 1670 1671 1672 1673 1674 1675 1676 1677 1678 1679 1680 1681 1682 1683 1684 1685 1686 1687 1688 1689 1690 1691 1692 1693 1694 1695 1696 1697 1698 1699 1700 1701 1702 1703 1704 1705 1706 1707 1708 1709 1710 1711 1712 1713 1714 1715 1716 1717 1718 1719 1720 1721 1722 1723 1724 1725 1726 1727 1728 1729 1730 1731 1732 1733 1734 1735 1736 1737 1738 1739 1740 1741 1742 1743 1744 1745 1746 1747 1748 1749 1750 1751 1752 1753 1754 1755 1756 1757 1758 1759 1760 1761 1762 1763 1764 1765 1766 1767 1768 1769 1770 1771 1772 1773 1774 1775 1776 1777 1778 1779 1780 1781 1782 1783 1784 1785 1786 1787 1788 1789 1790 1791 1792 1793 1794 1795 1796 1797 1798 1799 1800 1801 1802 1803 1804 1805 1806 1807 1808 1809 1810 1811 1812 1813 1814 1815 1816 1817 1818 1819 1820 1821 1822 1823 1824 1825 1826 1827 1828 1829 1830 1831 1832 1833 1834 1835 1836 1837 1838 1839 1840 1841 1842 1843 1844 1845 1846 1847 1848 1849 1850 1851 1852 1853 1854 1855 1856 1857 1858 1859 1860 1861 1862 1863 1864 1865 1866 1867 1868 1869 1870 1871 1872 1873 1874 1875 1876 1877 1878 1879 1880 1881 1882 1883 1884 1885 1886 1887 1888 1889 1890 1891 1892 1893 1894 1895 1896 1897 1898 1899 1900 1901 1902 1903 1904 1905 1906 1907 1908 1909 1910 1911 1912 1913 1914 1915 1916 1917 1918 1919 1920 1921 1922 1923 1924 1925 1926 1927 1928 1929 1930 1931 1932 1933 1934 1935 1936 1937 1938 1939 1940 1941 1942 1943 1944 1945 1946 1947 1948 1949 1950 1951 1952 1953 1954 1955 1956 1957 1958 1959 1960 1961 1962 1963 1964 1965 1966 1967 1968 1969 1970 1971 1972 1973 1974 1975 1976 1977 1978 1979 1980 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023 2024 2025 2026 2027 2028 2029 2030 2031 2032 2033 2034 2035 2036 2037 2038 2039 2040 2041 2042 2043 2044 2045 2046 2047 2048 2049 2050 2051 2052 2053 2054 2055 2056 2057 2058 2059 2060 2061 2062 2063 2064 2065 2066 2067 2068 2069 2070 2071 2072 2073 2074 2075 2076 2077 2078 2079 2080 2081 2082 2083 2084 2085 2086 2087 2088 2089 2090 2091 2092 2093 2094 2095 2096 2097 2098 2099 2100 2101 2102 2103 2104 2105 2106 2107 2108 2109 2110 2111 2112 2113 2114 2115 2116 2117 2118 2119 2120 2121 2122 2123 2124 2125 2126 2127 2128 2129 2130 2131 2132 2133 2134 2135 2136 2137 2138 2139 2140 2141 2142 2143 2144 2145 2146 2147 2148 2149 2150 2151 2152 2153 2154 2155 2156 2157 2158 2159 2160 2161 2162 2163 2164 2165 2166 2167 2168 2169 2170 2171 2172 2173 2174 2175 2176 2177 2178 2179 2180 2181 2182 2183 2184 2185 2186 2187 2188 2189 2190 2191 2192 2193 2194 2195 2196 2197 2198 2199 2200 2201 2202 2203 2204 2205 2206 2207 2208 2209 2210 2211 2212 2213 2214 2215 2216 2217 2218 2219 2220 2221 2222 2223 2224 2225 2226 2227 2228 2229 2230 2231 2232 2233 2234 2235 2236 2237 2238 2239 2240 2241 2242 2243 2244 2245 2246 2247 2248 2249 2250 2251 2252 2253 2254 2255 2256 2257 2258 2259 2260 2261 2262 2263 2264 2265 2266 2267 2268 2269 2270 2271 2272 2273 2274 2275 2276 2277 2278 2279 2280 2281 2282 2283 2284 2285 2286 2287 2288 2289 2290 2291 2292 2293 2294 2295 2296 2297 2298 2299 2300 2301 2302 2303 2304 2305 2306 2307 2308 2309 2310 2311 2312 2313 2314 2315 2316 2317 2318 2319 2320 2321 2322 2323 2324 2325 2326 2327 2328 2329 2330 2331 2332 2333 2334 2335 2336 2337 2338 2339 2340 2341 2342 2343 2344 2345 2346 2347 2348 2349 2350 2351 2352 2353 2354 2355 2356 2357 2358 2359 2360 2361 2362 2363 2364 2365 2366 2367 2368 2369 2370 2371 2372 2373 2374 2375 2376 2377 2378 2379 2380 2381 2382 2383 2384 2385 2386 2387 2388 2389 2390 2391 2392 2393 2394 2395 2396 2397 2398 2399 2400 2401 2402 2403 2404 2405 2406 2407 2408 2409 2410 2411 2412 2413 2414 2415 2416 2417 2418 2419 2420 2421 2422 2423 2424 2425 2426 2427 2428 2429 2430 2431 2432 2433 2434 2435 2436 2437 2438 2439 2440 2441 2442 2443 2444 2445 2446 2447 2448 2449 2450 2451 2452 2453 2454 2455 2456 2457 2458 2459 2460 2461 2462 2463 2464 2465 2466 2467 2468 2469 2470 2471 2472 2473 2474 2475 2476 2477 2478 2479 2480 2481 2482 2483 2484 2485 2486 2487 2488 2489 2490 2491 2492 2493 2494 2495 2496 2497 2498 2499 2500 2501 2502 2503 2504 2505 2506 2507 2508 2509 2510 2511 2512 2513 2514 2515 2516 2517 2518 2519 2520 2521 2522 2523 2524 2525 2526 2527 2528 2529 2530 2531 2532 2533 2534 2535 2536 2537 2538 2539 2540 2541 2542 2543 2544 2545 2546 2547 2548 2549 2550 2551 2552 2553 2554 2555 2556 2557 2558 2559 2560 2561 2562 2563 2564 2565 2566 2567 2568 2569 2570 2571 2572 2573 2574 2575 2576 2577 2578 2579 2580 2581 2582 2583 2584 2585 2586 2587 2588 2589 2590 2591 2592 2593 2594 2595 2596 2597 2598 2599 2600 2601 2602 2603 2604 2605 2606 2607 2608 2609 2610 2611 2612 2613 2614 2615 2616 2617 2618 2619 2620 2621 2622 2623 2624 2625 2626 2627 2628 2629 2630 2631 2632 2633 2634 2635 2636 2637 2638 2639 2640 2641 2642 2643 2644 2645 2646 2647 2648 2649 2650 2651 2652 2653 2654 2655 2656 2657 2658 2659 2660 2661 2662 2663 2664 2665 2666 2667 2668 2669 2670 2671 2672 2673 2674 2675 2676 2677 2678 2679 2680 2681 2682 2683 2684 2685 2686 2687 2688 2689 2690 2691 2692 2693 2694 2695 2696 2697 2698 2699 2700 2701 2702 2703 2704 2705 2706 2707 2708 2709 2710 2711 2712 2713 2714 2715 2716 2717 2718 2719 2720 2721 2722 2723 2724 2725 2726 2727 2728 2729 2730 2731 2732 2733 2734 2735 2736 2737 2738 2739 2740 2741 2742 2743 2744 2745 2746 2747 2748 2749 2750 2751 2752 2753 2754 2755 2756 2757 2758 2759 2760 2761 2762 2763 2764 2765 2766 2767 2768 2769 2770 2771 2772 2773 2774 2775 2776 2777 2778 2779 2780 2781 2782 2783 2784 2785 2786 2787 2788 2789 2790 2791 2792 2793 2794 2795 2796 2797 2798 2799 2800 2801 2802 2803 2804 2805 2806 2807 2808 2809 2810 2811 2812 2813 2814 2815 2816 2817 2818 2819 2820 2821 2822 2823 2824 2825 2826 2827 2828 2829 2830 2831 2832 2833 2834 2835 2836 2837 2838 2839 2840 2841 2842 2843 2844 2845 2846 2847 2848 2849 2850 2851 2852 2853 2854 2855 2856 2857 2858 2859 2860 2861 2862 2863 2864 2865 2866 2867 2868 2869 2870 2871 2872 2873 2874 2875 2876 2877 2878 2879 2880 2881 2882 2883 2884 2885 2886 2887 2888 2889 2890 2891 2892 2893 2894 2895 2896 2897 2898 2899 2900 2901 2902 2903 2904 2905 2906 2907 2908 2909 2910 2911 2912 2913 2914 2915 2916 2917 2918 2919 2920 2921 2922 2923 2924 2925 2926 2927 2928 2929 2930 2931 2932 2933 2934 2935 2936 2937 2938 2939 2940 2941 2942 2943 2944 2945 2946 2947 2948 2949 2950 2951 2952 2953 2954 2955 2956 2957 2958 2959 2960 2961 2962 2963 2964 2965 2966 2967 2968 2969 2970 2971 2972 2973 2974 2975 2976 2977 2978 2979 2980 2981 2982 2983 2984 2985 2986 2987 2988 2989 2990 2991 2992 2993 2994 2995 2996 2997 2998 2999 3000 3001 3002 3003 3004 3005 3006 3007 3008 3009 3010 3011 3012 3013 3014 3015 3016 3017 3018 3019 3020 3021 3022 3023 3024 3025 3026 3027 3028 3029 3030 3031 3032 3033 3034 3035 3036 3037 3038 3039 3040 3041 3042 3043 3044 3045 3046 3047 3048 3049 3050 3051 3052 3053 3054 3055 3056 3057 3058 3059 3060 3061 3062 3063 3064 3065 3066 3067 3068 3069 3070 3071 3072 3073 3074 3075 3076 3077 3078 3079 3080 3081 3082 3083 3084 3085 3086 3087 3088 3089 3090 3091 3092 3093 3094 3095 3096 3097 3098 3099 3100 3101 3102 3103 3104 3105 3106 3107 3108 3109 3110 3111 3112 3113 3114 3115 3116 3117 3118 3119 3120 3121 3122 3123 3124 3125 3126 3127 3128 3129 3130 3131 3132 3133 3134 3135 3136 3137 3138 3139 3140 3141 3142 3143 3144 3145 3146 3147 3148 3149 3150 3151 3152 3153 3154 3155 3156 3157 3158 3159 3160 3161 3162 3163 3164 3165 3166 3167 3168 3169 3170 3171 3172 3173 3174 3175 3176 3177 3178 3179 3180 3181 3182 3183 3184 3185 3186 3187 3188 3189 3190 3191 3192 3193 3194 3195 3196 3197 3198 3199 3200 3201 3202 3203 3204 3205 3206 3207 3208 3209 3210 3211 3212 3213 3214 3215 3216 3217 3218 3219 3220 3221 3222 3223 3224 3225 3226 3227 3228 3229 3230 3231 3232 3233 3234 3235 3236 3237 3238 3239 3240 3241 3242 3243 3244 3245 3246 3247 3248 3249 3250 3251 3252 3253 3254 3255 3256 3257 3258 3259 3260 3261 3262 3263 3264 3265 3266 3267 3268 3269 3270 3271 3272 3273 3274 3275 3276 3277 3278 3279 3280 3281 3282 3283 3284 3285 3286 3287 3288 3289 3290 3291 3292 3293 3294 3295 3296 3297 3298 3299 3300 3301 3302 3303 3304 3305 3306 3307 3308 3309 3310 3311 3312 3313 3314 3315 3316 3317 3318 3319 3320 3321 3322 3323 3324 3325 3326 3327 3328 3329 3330 3331 3332 3333 3334 3335 3336 3337 3338 3339 |
import gradio as gr
import requests
import os
import json
import pandas as pd
import time
from langchain.schema import SystemMessage
from langchain_community.chat_models.gigachat import GigaChat
from openpyxl import load_workbook
from openpyxl.utils import get_column_letter
from openpyxl.styles import Alignment
import base64
from together import Together
import pymorphy2
import re
import string
import io
from datetime import datetime, timedelta
import plotly.express as px
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.metrics.pairwise import cosine_similarity
from sentence_transformers import SentenceTransformer, util
import numpy as np
morph = pymorphy2.MorphAnalyzer()
# Установка ключа API для OpenAI, GigaChat и Mistral
openai_api_key = os.getenv('GPT_KEY')
gc_key = os.getenv('GC_KEY')
token = os.getenv('GITHUB_TOKEN')
TOGETHER_API_KEY = os.getenv('TOGETHER_API_KEY')
# Инициализация клиента для Together
client = Together(api_key=TOGETHER_API_KEY)
# Авторизация в сервисе GigaChat
chat_pro = GigaChat(credentials=gc_key, model='GigaChat-Pro', max_tokens=68, temperature=1.15, verify_ssl_certs=False)
chat_lite = GigaChat(credentials=gc_key, model='GigaChat', max_tokens=68, temperature=1.15, verify_ssl_certs=False)
chat_plus = GigaChat(credentials=gc_key, model='GigaChat-Plus', max_tokens=68, temperature=1.15, verify_ssl_certs=False)
# Загрузка данных из Excel-файла
try:
data = pd.read_excel('Признаки.xlsx', sheet_name=None)
except Exception as e:
print(f"Ошибка при загрузке Excel-файла: {e}")
data = {}
# Создание списка признаков и их значений
features = {}
for sheet_name, df in data.items():
try:
if sheet_name == "Пол Поколение Психотип":
# Создаем словарь, где ключи — это кортежи (Пол, Поколение, Психотип), а значения — инструкции
features[sheet_name] = df.set_index(['Пол', 'Поколение', 'Психотип'])['Инструкция'].to_dict()
else:
features[sheet_name] = df.set_index(df.columns[0]).to_dict()[df.columns[1]]
except Exception as e:
print(f"Ошибка при обработке данных листа {sheet_name}: {e}")
features[sheet_name] = {}
current_request_index = -1 # Изначально указывает на последний запрос
def download_current_message_database():
# Mapping of GitHub repositories and authors
repos = {
'Storage_1': 'Редакторы',
'Storage_Ira': 'Ира',
'Storage_Kate': 'Катя',
'Storage_Sveta': 'Света',
'Storage_Lera': 'Лера',
'Storage_Dasha': 'Даша',
}
# Base GitHub API URL
base_url = 'https://api.github.com/repos/fruitpicker01/{repo}/contents'
data_list = []
headers = {
"Authorization": f"token {token}",
"Content-Type": "application/json"
}
for repo_name, author in repos.items():
url = base_url.format(repo=repo_name)
response = requests.get(url, headers=headers)
if response.status_code == 200:
files = response.json()
# Filter files starting with 'file' and ending with '.json'
json_files = [file for file in files if file['name'].startswith("file") and file['name'].endswith('.json')]
for file_info in json_files:
file_name = file_info['name']
file_url = file_info['download_url']
# Extract timestamp from filename
try:
timestamp = file_name.split('_')[1].split('.')[0]
# Add 3 hours to the time
save_date = datetime.utcfromtimestamp(int(timestamp)) + timedelta(hours=3)
save_date = save_date.strftime('%Y-%m-%d %H:%M:%S')
except:
save_date = None # or set default value
# Download and decode file content
file_response = requests.get(file_url)
if file_response.status_code == 200:
data = json.loads(file_response.text)
normalized_data = pd.json_normalize(data)
normalized_data['Дата сохранения'] = save_date
normalized_data['Автор'] = author
data_list.append(normalized_data)
else:
print(f"Error downloading file {file_name} from repository {repo_name}: {file_response.status_code}")
else:
print(f"Error accessing repository {repo_name}: {response.status_code}")
if data_list:
df = pd.concat(data_list, ignore_index=True)
# Преобразуем 'Дата сохранения' в datetime и корректируем на +3 часа
df['Дата сохранения'] = pd.to_datetime(df['Дата сохранения'], format='%Y-%m-%d %H:%M:%S', errors='coerce')
# Удаляем дубликаты, игнорируя 'Дата сохранения'
columns_to_consider = df.columns.tolist()
columns_to_consider.remove('Дата сохранения')
df.drop_duplicates(subset=columns_to_consider, inplace=True)
# Сортируем по 'Дата сохранения' по убыванию
df.sort_values(by='Дата сохранения', ascending=False, inplace=True)
# *** Добавляем этот блок кода для удаления пустых строк ***
# Удаляем строки, где все три столбца одновременно пусты или содержат только пробелы
df = df[~(
df['Персонализированное сообщение'].fillna('').str.strip().eq('') &
df['Комментарий'].fillna('').str.strip().eq('') &
df['Откорректированное сообщение'].fillna('').str.strip().eq('')
)]
# Set column order
desired_columns = [
"Модель", "Автор", "Дата сохранения", "Персонализированное сообщение",
"Комментарий", "Откорректированное сообщение", "Описание предложения",
"Преимущества", "Ключевое сообщение", "Подход", "Пол", "Поколение",
"Психотип", "Стадия бизнеса", "Отрасль", "ОПФ",
"Неперсонализированный промпт", "Неперсонализированное сообщение",
"Персонализированный промпт"
]
# Ensure all specified columns are in the DataFrame
existing_columns = [col for col in desired_columns if col in df.columns]
df = df[existing_columns]
# Save Excel file in memory
output = io.BytesIO()
with pd.ExcelWriter(output, engine='openpyxl') as writer:
df.to_excel(writer, index=False)
# Get worksheet
workbook = writer.book
worksheet = writer.sheets['Sheet1']
# Adjust column widths and text wrapping
from openpyxl.styles import Alignment
# Columns to fit content width
columns_fit_content = ["Модель", "Автор", "Дата сохранения", "Пол", "Поколение", "Психотип", "Стадия бизнеса", "ОПФ"]
# Columns to set fixed width and wrap text
columns_wrap_text = ["Персонализированное сообщение", "Комментарий", "Откорректированное сообщение"]
for idx, col in enumerate(df.columns, 1):
column_letter = get_column_letter(idx)
if col in columns_fit_content:
max_length = 0
column = df[col].astype(str)
for cell_value in column:
if cell_value:
max_length = max(max_length, len(cell_value))
adjusted_width = (max_length + 2)
worksheet.column_dimensions[column_letter].width = adjusted_width
elif col in columns_wrap_text:
worksheet.column_dimensions[column_letter].width = 50 # Set fixed width
for cell in worksheet[column_letter]:
cell.alignment = Alignment(wrap_text=True)
else:
worksheet.column_dimensions[column_letter].width = 20 # Default width
output.seek(0) # Reset pointer
# Encode file content in base64 for uploading to GitHub
content = base64.b64encode(output.read()).decode('utf-8')
# Parameters for uploading file to GitHub
repo = "fruitpicker01/Storage_dev"
# Get current time and adjust by +3 hours
current_time = datetime.utcnow() + timedelta(hours=3)
filename = f"db_{current_time.strftime('%d.%m.%Y_%H.%M')}.xlsx"
path = filename # Use new filename
url = f"https://api.github.com/repos/{repo}/contents/{path}"
# Check if file already exists
get_response = requests.get(url, headers=headers)
if get_response.status_code == 200:
sha = get_response.json()['sha']
else:
sha = None
data = {
"message": f"Updated file {filename}",
"content": content,
}
if sha:
data["sha"] = sha # Needed for updating existing file
# Upload (or update) file on GitHub
put_response = requests.put(url, headers=headers, data=json.dumps(data))
if put_response.status_code in [200, 201]:
# Get download link
download_url = f"https://raw.githubusercontent.com/{repo}/main/{path}"
return download_url, df # Return file URL and DataFrame
else:
print(f"Error uploading file to GitHub: {put_response.status_code}, {put_response.text}")
return "Error uploading file to GitHub.", None
else:
return "No data to generate file.", None
def update_download_link():
result = download_current_message_database()
link, df = result if isinstance(result, tuple) else (result, None)
if isinstance(link, str) and link.startswith("http") and df is not None:
# Compute analytics
total_messages = len(df)
# Total messages without need for corrections
clean_df = df[
df['Персонализированное сообщение'].notna() & df['Персонализированное сообщение'].str.strip().ne('') &
((df['Комментарий'].isna()) | (df['Комментарий'].str.strip() == '')) &
((df['Откорректированное сообщение'].isna()) | (df['Откорректированное сообщение'].str.strip() == ''))
]
total_clean_messages = len(clean_df)
# Number of messages by model
model_counts = df['Модель'].value_counts()
# Number of messages without corrections by model
clean_model_counts = clean_df['Модель'].value_counts()
# Most active contributors
contributor_counts = df['Автор'].value_counts()
# Number of messages by date
df['Дата сохранения'] = pd.to_datetime(df['Дата сохранения'], errors='coerce')
date_counts = df['Дата сохранения'].dt.date.value_counts().sort_index()
# Вычисляем накопительное количество сообщений по моделям во времени
df['Дата сохранения'] = pd.to_datetime(df['Дата сохранения'], errors='coerce')
model_date_counts = df.groupby([df['Дата сохранения'].dt.date, 'Модель']).size().reset_index(name='counts')
model_date_pivot = model_date_counts.pivot(index='Дата сохранения', columns='Модель', values='counts').fillna(0)
model_date_pivot = model_date_pivot.sort_index()
model_cumulative = model_date_pivot.cumsum()
# После вычисления model_cumulative
# 1. Получаем накопительные итоги на последнюю дату
last_date_totals = model_cumulative.iloc[-1]
# 2. Сортируем модели по накопительным итогам
sorted_models = last_date_totals.sort_values(ascending=False).index.tolist()
# 3. Переупорядочиваем столбцы в model_cumulative
model_cumulative = model_cumulative[sorted_models]
# 4. Сбрасываем индекс и преобразуем DataFrame для построения графика
model_cumulative_reset = model_cumulative.reset_index()
model_cumulative_melted = model_cumulative_reset.melt(id_vars='Дата сохранения', var_name='Модель', value_name='Количество сообщений')
# Создаем график с указанием порядка категорий
cumulative_model_fig = px.line(
model_cumulative_melted,
x='Дата сохранения',
y='Количество сообщений',
color='Модель',
title='Накопительное количество сообщений по моделям',
category_orders={'Модель': sorted_models}
)
# Вычисляем накопительное количество сообщений без корректировок по моделям
clean_df['Дата сохранения'] = pd.to_datetime(clean_df['Дата сохранения'], errors='coerce')
# Группируем данные по дате и модели, считаем количество сообщений
clean_model_date_counts = clean_df.groupby([clean_df['Дата сохранения'].dt.date, 'Модель']).size().reset_index(name='counts')
# Поворачиваем таблицу так, чтобы модели были столбцами, а даты — строками
clean_model_date_pivot = clean_model_date_counts.pivot(index='Дата сохранения', columns='Модель', values='counts').fillna(0)
# Сортируем даты по возрастанию
clean_model_date_pivot = clean_model_date_pivot.sort_index()
# Вычисляем накопительную сумму по датам
clean_model_cumulative = clean_model_date_pivot.cumsum()
# После вычисления clean_model_cumulative
# 1. Получаем накопительные итоги на последнюю дату
last_date_clean_totals = clean_model_cumulative.iloc[-1]
# 2. Сортируем модели по накопительным итогам
sorted_clean_models = last_date_clean_totals.sort_values(ascending=False).index.tolist()
# 3. Переупорядочиваем столбцы в clean_model_cumulative
clean_model_cumulative = clean_model_cumulative[sorted_clean_models]
# 4. Сбрасываем индекс и преобразуем DataFrame для построения графика
clean_model_cumulative_reset = clean_model_cumulative.reset_index()
clean_model_cumulative_melted = clean_model_cumulative_reset.melt(id_vars='Дата сохранения', var_name='Модель', value_name='Количество сообщений без корректировок')
# Создаем график с указанием порядка категорий
cumulative_clean_model_fig = px.line(
clean_model_cumulative_melted,
x='Дата сохранения',
y='Количество сообщений без корректировок',
color='Модель',
title='Накопительное количество сообщений без корректировок по моделям',
category_orders={'Модель': sorted_clean_models}
)
# Вычисляем накопительное количество сообщений по авторам
df['Дата сохранения'] = pd.to_datetime(df['Дата сохранения'], errors='coerce')
# Группируем данные по дате и автору, считаем количество сообщений
author_date_counts = df.groupby([df['Дата сохранения'].dt.date, 'Автор']).size().reset_index(name='counts')
# Поворачиваем таблицу так, чтобы авторы были столбцами, а даты — строками
author_date_pivot = author_date_counts.pivot(index='Дата сохранения', columns='Автор', values='counts').fillna(0)
# Сортируем даты по возрастанию
author_date_pivot = author_date_pivot.sort_index()
# Вычисляем накопительную сумму по датам
author_cumulative = author_date_pivot.cumsum()
# После вычисления author_cumulative
# 1. Получаем накопительные итоги на последнюю дату
last_date_author_totals = author_cumulative.iloc[-1]
# 2. Сортируем авторов по накопительным итогам
sorted_authors = last_date_author_totals.sort_values(ascending=False).index.tolist()
# 3. Переупорядочиваем столбцы в author_cumulative
author_cumulative = author_cumulative[sorted_authors]
# 4. Сбрасываем индекс и преобразуем DataFrame для построения графика
author_cumulative_reset = author_cumulative.reset_index()
author_cumulative_melted = author_cumulative_reset.melt(id_vars='Дата сохранения', var_name='Автор', value_name='Количество сообщений')
# Создаем график с указанием порядка категорий
cumulative_author_fig = px.line(
author_cumulative_melted,
x='Дата сохранения',
y='Количество сообщений',
color='Автор',
title='Накопительное количество сообщений по авторам',
category_orders={'Автор': sorted_authors}
)
# Prepare display outputs
total_messages_display_value = f"**Общее количество сообщений:** {total_messages}"
total_clean_messages_display_value = f"**Общее количество сообщений без необходимости корректировок:** {total_clean_messages}"
# Create charts using plotly
model_pie_fig = px.pie(values=model_counts.values, names=model_counts.index, title='Все сообщения')
clean_model_pie_fig = px.pie(values=clean_model_counts.values, names=clean_model_counts.index, title='Сообщения без корректировок')
contributor_pie_fig = px.pie(values=contributor_counts.values, names=contributor_counts.index, title='Наиболее активные контрибьюторы')
date_message_fig = px.bar(x=date_counts.index, y=date_counts.values, labels={'x': 'Дата', 'y': 'Количество сообщений'}, title='Количество добавленных сообщений по датам')
# Сообщения без корректировок
messages_without_corrections = df[
(df['Персонализированное сообщение'].notna()) &
(df['Персонализированное сообщение'].str.strip() != '') &
((df['Комментарий'].isna()) | (df['Комментарий'].str.strip() == '')) &
((df['Откорректированное сообщение'].isna()) | (df['Откорректированное сообщение'].str.strip() == ''))
].copy()
messages_without_corrections['Сообщение'] = messages_without_corrections['Персонализированное сообщение']
# Откорректированные сообщения
corrected_messages = df[
(df['Откорректированное сообщение'].notna()) &
(df['Откорректированное сообщение'].str.strip() != '')
].copy()
corrected_messages['Сообщение'] = corrected_messages['Откорректированное сообщение']
# Объединяем сообщения
messages_df = pd.concat([messages_without_corrections, corrected_messages], ignore_index=True)
def remove_extra_text(message):
if pd.isnull(message):
return ''
# Удаляем строки вида "------\nКоличество знаков: число"
return re.sub(r'\n-{6,}\nКоличество знаков: \d+', '', message).strip()
# Применяем функцию к персонализированным и откорректированным сообщениям
messages_df['Сообщение'] = messages_df['Сообщение'].apply(remove_extra_text)
# Подсчитываем количество символов
messages_df['Количество символов'] = messages_df['Сообщение'].str.len()
mean_characters = messages_df['Количество символов'].mean()
median_characters = messages_df['Количество символов'].median()
# Подсчитываем количество предложений
messages_df['Количество предложений'] = messages_df['Сообщение'].apply(lambda x: len(re.findall(r'[.!?]+', x)))
# График распределения по количеству символов
character_counts = messages_df['Количество символов'].value_counts().sort_index()
char_count_fig = px.bar(
x=character_counts.index,
y=character_counts.values,
labels={'x': 'Количество символов', 'y': 'Количество сообщений'},
title='Распределение сообщений по количеству символов'
)
char_count_fig.add_vline(
x=mean_characters,
line_width=3,
line_dash="dash",
line_color="green",
annotation_text=f"Среднее: {mean_characters:.1f}"
)
# График распределения по количеству предложений
sentence_counts = messages_df['Количество предложений'].value_counts().sort_index()
sentence_count_fig = px.bar(
x=sentence_counts.index,
y=sentence_counts.values,
labels={'x': 'Количество предложений', 'y': 'Количество сообщений'},
title='Распределение сообщений по количеству предложений'
)
return (
f"[Скачать базу сообщений]({link})",
total_messages_display_value,
total_clean_messages_display_value,
model_pie_fig,
clean_model_pie_fig,
contributor_pie_fig,
date_message_fig,
cumulative_model_fig,
cumulative_clean_model_fig,
cumulative_author_fig,
char_count_fig,
sentence_count_fig
)
else:
return link, "", "", None, None, None, None
def correct_dash_usage(text):
morph = pymorphy2.MorphAnalyzer()
# Step 1: Replace any dash with long dash if surrounded by spaces
text = re.sub(r'\s[-–—]\s', ' — ', text)
# Step 2: Replace any dash with short dash if surrounded by numbers without spaces
text = re.sub(r'(?<=\d)[-–—](?=\d)', '–', text)
# Step 3: Replace any dash with hyphen if surrounded by letters or a combination of letters and digits
text = re.sub(r'(?<=[a-zA-Zа-яА-Я0-9])[-–—](?=[a-zA-Zа-яА-Я0-9])', '-', text)
# Step 4: Replace quotation marks "..." with «...»
text = re.sub(r'"([^\"]+)"', r'«\1»', text)
# Step 5: Remove single quotes
if text.count('"') == 1:
text = text.replace('"', '')
# Step 6: Remove outer quotes if the entire text is enclosed in quotes (straight or elided)
if (text.startswith('"') and text.endswith('"')) or (text.startswith('«') and text.endswith('»')):
text = text[1:-1].strip()
# Step 7: Replace 100k with 100 000
text = re.sub(r'(\d+)[kкКK]', r'\1 000', text, flags=re.IGNORECASE)
# Step 8: Remove first sentence if it contains greetings and is less than 5 words
greeting_patterns = [
r"привет\b", r"здравствуй", r"добрый\s(день|вечер|утро)",
r"дорогой\b", r"уважаемый\b", r"дорогая\b", r"уважаемая\b",
r"господин\b", r"госпожа\b", r"друг\b", r"коллега\b",
r"товарищ\b", r"приятель\b", r"подруга\b"
]
def is_greeting_sentence(sentence):
words = sentence.split()
if len(words) < 5: # Check if sentence is less than 5 words
for word in words:
parsed = morph.parse(word.lower())[0] # Parse the word to get its base form
for pattern in greeting_patterns:
if re.search(pattern, parsed.normal_form):
return True
return False
# Split text into sentences
sentences = re.split(r'(?<=[.!?])\s+', text)
# Check the first sentence for greetings and remove it if necessary
if sentences and is_greeting_sentence(sentences[0]):
sentences = sentences[1:]
# Join the sentences back
text = ' '.join(sentences)
def restore_yo(text):
morph = pymorphy2.MorphAnalyzer()
words = text.split()
restored_words = []
for word in words:
parsed = morph.parse(word)[0]
restored_word = parsed.word
# Сохраняем оригинальный регистр первой буквы
if word and word[0].isupper():
restored_word = restored_word.capitalize()
restored_words.append(restored_word)
return ' '.join(restored_words)
text = restore_yo(text)
return text
def save_user_request_to_github(description, advantages, key_message, approach, personalization_params):
global current_request_index # Используем глобальную переменную
current_request_index = -1 # Сбрасываем позицию к последнему запросу
# Собираем все данные в один словарь
data_to_save = {
"description": description,
"advantages": advantages,
"key_message": key_message,
"approach": approach,
"personalization_params": personalization_params,
"timestamp": time.time()
}
# Преобразуем контент в JSON-строку и кодируем в base64
file_content_encoded = base64.b64encode(json.dumps(data_to_save).encode()).decode()
# Параметры для GitHub API
repo = "fruitpicker01/Storage_dev"
path = f"user_request_{int(time.time())}.json"
url = f"https://api.github.com/repos/{repo}/contents/{path}"
headers = {
"Authorization": f"token {token}",
"Content-Type": "application/json"
}
data = {
"message": f"Добавлен новый файл {path}",
"content": file_content_encoded
}
# Отправка POST-запроса на GitHub API для создания файла в репозитории
response = requests.put(url, headers=headers, data=json.dumps(data))
if response.status_code == 201:
print("Данные успешно сохранены на GitHub")
else:
print(f"Ошибка при сохранении данных на GitHub: {response.status_code} {response.text}")
def save_message_to_table(data):
# data is a dictionary containing the message and personalization parameters
repo = "fruitpicker01/Storage_dev"
file_path = "messages.csv" # Use 'messages.xlsx' if you prefer Excel
# Get the file from the repository
url = f"https://api.github.com/repos/{repo}/contents/{file_path}"
headers = {
"Authorization": f"token {token}",
"Content-Type": "application/json"
}
response = requests.get(url, headers=headers)
if response.status_code == 200:
# File exists, download and load it
content = response.json()
file_content = base64.b64decode(content['content'])
if file_path.endswith('.xlsx'):
df = pd.read_excel(io.BytesIO(file_content))
else:
df = pd.read_csv(io.StringIO(file_content.decode('utf-8')))
sha = content['sha'] # For updating the file later
elif response.status_code == 404:
# File does not exist, create an empty DataFrame
df = pd.DataFrame(columns=[
"Timestamp", "Персонализированное сообщение", "Откорректированное сообщение",
"Пол", "Поколение", "Психотип", "Стадия бизнеса", "Отрасль", "ОПФ"
])
sha = None # No sha since the file doesn't exist yet
else:
print(f"Error accessing the file: {response.status_code}")
return
# Append the new data using pd.concat
df = pd.concat([df, pd.DataFrame([data])], ignore_index=True)
# Convert the DataFrame back to a file
if file_path.endswith('.xlsx'):
with io.BytesIO() as output:
df.to_excel(output, index=False)
file_content_encoded = base64.b64encode(output.getvalue()).decode('utf-8')
else:
csv_string = df.to_csv(index=False)
file_content_encoded = base64.b64encode(csv_string.encode('utf-8')).decode('utf-8')
# Prepare the data for the API request
data = {
"message": "Update messages file",
"content": file_content_encoded,
"sha": sha # Include the sha if the file exists
}
# Send the PUT request to update the file
response = requests.put(url, headers=headers, data=json.dumps(data))
if response.status_code in [200, 201]:
print("Messages file updated successfully.")
else:
print(f"Error updating messages file: {response.status_code}")
def save_both(adapted_message, personalized_message, model_name, comment, corrected_message, description, advantages,
non_personalized_prompt, non_personalized_message, personalization_prompt, gender, generation, psychotype,
business_stage, industry, legal_form, key_message, approach):
# Вызываем функцию для сохранения в JSON-файл
save_to_github(adapted_message, personalized_message, model_name, comment, corrected_message, description,
advantages, non_personalized_prompt, non_personalized_message, personalization_prompt, gender,
generation, psychotype, business_stage, industry, legal_form, key_message, approach)
# Подготавливаем данные для сохранения в CSV/XLSX
data = {
"Timestamp": time.time(),
"Модель": model_name,
"Адаптированное сообщение": adapted_message,
"Персонализированное сообщение": personalized_message,
"Комментарий": comment,
"Откорректированное сообщение": corrected_message,
"Описание предложения": description,
"Преимущества": advantages,
"Ключевое сообщение": key_message,
"Подход": approach,
"Пол": gender,
"Поколение": generation,
"Психотип": psychotype,
"Стадия бизнеса": business_stage,
"Отрасль": industry,
"ОПФ": legal_form
}
# Вызываем функцию для сохранения в CSV/XLSX
save_message_to_table(data)
def load_previous_user_request_from_github():
global current_request_index # Используем глобальную переменную
repo = "fruitpicker01/Storage_dev"
url = f"https://api.github.com/repos/{repo}/contents"
headers = {
"Authorization": f"token {token}",
"Content-Type": "application/json"
}
# Получаем список файлов в репозитории
response = requests.get(url, headers=headers)
if response.status_code == 200:
files = response.json()
json_files = [file for file in files if file['name'].startswith("user_request_")]
if not json_files:
print("Нет сохраненных запросов.")
return "", "", "", "", "", "", "", "", "", "", None, None, None, None, None, None
# Определяем новый индекс для загрузки предыдущего файла
current_request_index -= 1
# Если достигли начала списка, остаёмся на первой записи
if abs(current_request_index) > len(json_files):
current_request_index = -len(json_files)
# Находим файл с нужным индексом
target_file = json_files[current_request_index]
file_url = target_file['download_url']
# Загружаем и декодируем содержимое файла
file_response = requests.get(file_url)
if file_response.status_code == 200:
data = json.loads(file_response.text)
description = data.get('description', "")
advantages = data.get('advantages', "")
key_message = data.get('key_message', "") # Load key message
approach = data.get('approach', "") # Load approach
personalization_params = data.get('personalization_params', [None] * 6) # Убедитесь, что размер списка соответствует количеству полей
# Возвращаем данные по отдельности для каждого компонента Gradio
return description, advantages, key_message, approach, *personalization_params
else:
print(f"Ошибка при загрузке файла: {file_response.status_code}")
return "", "", "", "", "", "", "", "", "", "", None, None, None, None, None, None
else:
print(f"Ошибка при обращении к GitHub: {response.status_code}")
return "", "", "", "", "", "", "", "", "", "", None, None, None, None, None, None
def get_reference_message(current_description, gender, generation, psychotype, business_stage, industry, legal_form):
import io
import numpy as np
from sentence_transformers import SentenceTransformer
repo = "fruitpicker01/Storage_dev"
file_path = "messages.csv"
url = f"https://api.github.com/repos/{repo}/contents/{file_path}"
headers = {
"Authorization": f"token {token}",
"Content-Type": "application/json"
}
response = requests.get(url, headers=headers)
if response.status_code == 200:
content = response.json()
file_content = base64.b64decode(content['content'])
df = pd.read_csv(io.StringIO(file_content.decode('utf-8')))
else:
print(f"Error accessing the file: {response.status_code}")
return None
for col in ["Пол", "Поколение", "Психотип", "Стадия бизнеса", "Отрасль", "ОПФ"]:
df[col] = df[col].astype(str).str.strip().str.lower()
params = {
"Пол": str(gender).strip().lower() if gender else None,
"Поколение": str(generation).strip().lower() if generation else None,
"Психотип": str(psychotype).strip().lower() if psychotype else None,
"Стадия бизнеса": str(business_stage).strip().lower() if business_stage else None,
"Отрасль": str(industry).strip().lower() if industry else None,
"ОПФ": str(legal_form).strip().lower() if legal_form else None
}
df = df[df["Комментарий"].isna() | (df["Комментарий"].str.strip() == '')]
filter_conditions = []
for col, value in params.items():
if value and value.lower() != 'none':
filter_conditions.append(df[col] == value)
if not filter_conditions:
print("Не заданы параметры персонализации.")
return None
filter_condition = filter_conditions[0]
for condition in filter_conditions[1:]:
filter_condition &= condition
filtered_df = df[filter_condition]
if filtered_df.empty:
print("Сообщения с заданными параметрами не найдены.")
return None
if 'Описание предложения' not in filtered_df.columns:
print("Описание предложения отсутствует в данных.")
return None
filtered_df['Описание предложения'] = filtered_df['Описание предложения'].fillna('')
# Используем модель для получения эмбеддингов
model = SentenceTransformer('sergeyzh/rubert-tiny-turbo')
descriptions = filtered_df['Описание предложения'].tolist()
descriptions.insert(0, current_description) # Добавляем текущее описание
embeddings = model.encode(descriptions)
cosine_similarities = cosine_similarity([embeddings[0]], embeddings[1:]).flatten()
# Находим максимальное косинусное сходство
max_similarity = cosine_similarities.max()
# Находим индексы с максимальным сходством
max_similarity_indices = np.where(cosine_similarities == max_similarity)[0]
# Получаем строки с максимальным сходством
similar_rows = filtered_df.iloc[max_similarity_indices]
# Обработка Timestamp
if 'Timestamp' not in similar_rows.columns:
print("Столбец 'Timestamp' отсутствует в данных.")
similar_row = similar_rows.iloc[0]
else:
similar_rows = similar_rows.copy()
similar_rows['Timestamp'] = pd.to_numeric(similar_rows['Timestamp'], errors='coerce')
similar_rows = similar_rows.sort_values(by='Timestamp', ascending=False)
similar_row = similar_rows.iloc[0]
if pd.notnull(similar_row.get("Откорректированное сообщение", None)) and similar_row["Откорректированное сообщение"].strip():
reference_message = similar_row["Откорректированное сообщение"]
else:
reference_message = similar_row.get("Персонализированное сообщение", "")
reference_message = re.sub(r'\n-{6,}\nКоличество знаков: \d+', '', reference_message).strip()
return reference_message
def adapt_messages_to_best_example(
description,
personalized_gigachat_pro,
personalized_gigachat_lite,
personalized_gigachat_plus,
personalized_gpt4o,
personalized_meta_llama_405b,
key_message,
approach,
*selected_values
):
# Извлечение параметров персонализации (без изменений)
gender = selected_values[0]
generation = selected_values[1]
psychotype = selected_values[2]
business_stage = selected_values[3]
industry = selected_values[4]
legal_form = selected_values[5]
# Получение эталонного сообщения (без изменений)
reference_message = get_reference_message(description, gender, generation, psychotype, business_stage, industry, legal_form)
if not reference_message:
# Если эталонное сообщение не найдено
adapted_message = "Эталонное сообщение не найдено для выбранных параметров персонализации."
yield adapted_message, adapted_message, adapted_message, adapted_message, adapted_message
else:
# Шаблон промпта (без изменений)
prompt_template = (
"Сообщение для адаптации:\n\"{personalized_message}\"\n\n"
"Эталонное сообщение (НЕ ИСПОЛЬЗУЙ ФАКТЫ ИЛИ ДАННЫЕ ИЗ НИЖЕПРИВЕДЕННОГО СООБЩЕНИЯ):\n\"{reference_message}\"\n\n"
"1. Перепиши сообщение для адаптации, сохранив его смысл."
"2. Используй стиль, построение предложений и лексику, максимально похожие на эталонное сообщение."
"3. НЕ ДОБАВЛЯЙ факты, цифры, или любую информацию из эталонного сообщения."
"4. Убедись, что итоговое сообщение содержит ТОЛЬКО информацию из сообщения для адаптации и адаптировано по стилю и структуре."
"5. Проверь, что итоговое сообщение включает следующую информацию: \n\"{key_message}\"\n"
)
# Инициализация пустых переменных для сообщений
adapted_gigachat_pro = ""
adapted_gigachat_lite = ""
adapted_gigachat_plus = ""
adapted_gpt4o = ""
adapted_meta_llama_405b = ""
# Адаптация сообщения для GigaChat-Pro
prompt = prompt_template.format(
reference_message=reference_message,
key_message=key_message,
personalized_message=personalized_gigachat_pro
)
adapted_gigachat_pro = generate_message_gigachat_pro_with_retry(prompt)
adapted_gigachat_pro_length = len(adapted_gigachat_pro)
adapted_gigachat_pro_display = f"{adapted_gigachat_pro}\n\n------\nКоличество знаков: {adapted_gigachat_pro_length}"
yield adapted_gigachat_pro_display, "", "", "", ""
# Адаптация сообщения для GigaChat-Lite
prompt = prompt_template.format(
reference_message=reference_message,
key_message=key_message,
personalized_message=personalized_gigachat_lite
)
adapted_gigachat_lite = generate_message_gigachat_lite_with_retry(prompt)
adapted_gigachat_lite_length = len(adapted_gigachat_lite)
adapted_gigachat_lite_display = f"{adapted_gigachat_lite}\n\n------\nКоличество знаков: {adapted_gigachat_lite_length}"
yield adapted_gigachat_pro_display, adapted_gigachat_lite_display, "", "", ""
# Адаптация сообщения для GigaChat-Plus
prompt = prompt_template.format(
reference_message=reference_message,
key_message=key_message,
personalized_message=personalized_gigachat_plus
)
adapted_gigachat_plus = generate_message_gigachat_plus_with_retry(prompt)
adapted_gigachat_plus_length = len(adapted_gigachat_plus)
adapted_gigachat_plus_display = f"{adapted_gigachat_plus}\n\n------\nКоличество знаков: {adapted_gigachat_plus_length}"
yield adapted_gigachat_pro_display, adapted_gigachat_lite_display, adapted_gigachat_plus_display, "", ""
# Адаптация сообщения для GPT-4o
prompt = prompt_template.format(
reference_message=reference_message,
key_message=key_message,
personalized_message=personalized_gpt4o
)
adapted_gpt4o = generate_message_gpt4o_with_retry(prompt)
adapted_gpt4o_length = len(adapted_gpt4o)
adapted_gpt4o_display = f"{adapted_gpt4o}\n\n------\nКоличество знаков: {adapted_gpt4o_length}"
yield adapted_gigachat_pro_display, adapted_gigachat_lite_display, adapted_gigachat_plus_display, adapted_gpt4o_display, ""
# Адаптация сообщения для Meta-Llama-3.1-405B
prompt = prompt_template.format(
reference_message=reference_message,
key_message=key_message,
personalized_message=personalized_meta_llama_405b
)
adapted_meta_llama_405b = generate_message_meta_llama_3_1_405b_with_retry(prompt)
adapted_meta_llama_405b_length = len(adapted_meta_llama_405b)
adapted_meta_llama_405b_display = f"{adapted_meta_llama_405b}\n\n------\nКоличество знаков: {adapted_meta_llama_405b_length}"
yield adapted_gigachat_pro_display, adapted_gigachat_lite_display, adapted_gigachat_plus_display, adapted_gpt4o_display, adapted_meta_llama_405b_display
def update_best_example_prompt(description, *selected_values):
# Extract personalization parameters
gender = selected_values[0]
generation = selected_values[1]
psychotype = selected_values[2]
business_stage = selected_values[3]
industry = selected_values[4]
legal_form = selected_values[5]
# Retrieve the reference message
reference_message = get_reference_message(description, gender, generation, psychotype, business_stage, industry, legal_form)
if not reference_message:
# No reference message found
best_prompt = "Эталонное сообщение не найдено для выбранных параметров персонализации."
else:
best_prompt = (
"Эталонное сообщение (НЕ ИСПОЛЬЗУЙ ФАКТЫ ИЛИ ДАННЫЕ ИЗ НИЖЕПРИВЕДЕННОГО СООБЩЕНИЯ):\n\"{reference_message}\"\n\n"
"1. Перепиши сообщение для адаптации, сохранив его смысл.\n"
"2. Используй стиль, построение предложений и лексику, максимально похожие на эталонное сообщение.\n"
"3. НЕ ДОБАВЛЯЙ факты, цифры, или любую информацию из эталонного сообщения.\n"
"4. Убедись, что итоговое сообщение содержит ТОЛЬКО информацию из сообщения для адаптации и адаптировано по стилю и структуре."
).format(reference_message=reference_message)
return best_prompt
def adapt_messages_and_perform_checks(
description_input,
personalized_gigachat_pro,
personalized_gigachat_lite,
personalized_gigachat_plus,
personalized_gpt4o,
personalized_meta_llama_405b,
key_message,
approach,
*selected_values
):
adaptation_generator = adapt_messages_to_best_example(
description_input,
personalized_gigachat_pro,
personalized_gigachat_lite,
personalized_gigachat_plus,
personalized_gpt4o,
personalized_meta_llama_405b,
key_message,
approach,
*selected_values
)
last_adaptation_result = None
for adaptation_result in adaptation_generator:
last_adaptation_result = adaptation_result
yield (
adaptation_result[0],
adaptation_result[1],
adaptation_result[2],
adaptation_result[3],
adaptation_result[4],
"", "", "", "", "" # Пустые строки для проверок
)
if last_adaptation_result:
# Выполнение проверок на адаптированных сообщениях
checks_gigachat_pro = perform_checks(last_adaptation_result[0])
checks_gigachat_lite = perform_checks(last_adaptation_result[1])
checks_gigachat_plus = perform_checks(last_adaptation_result[2])
checks_gpt4o = perform_checks(last_adaptation_result[3])
checks_meta_llama_405b = perform_checks(last_adaptation_result[4])
formatted_checks = [
format_checks(checks_gigachat_pro),
format_checks(checks_gigachat_lite),
format_checks(checks_gigachat_plus),
format_checks(checks_gpt4o),
format_checks(checks_meta_llama_405b)
]
yield (
last_adaptation_result[0],
last_adaptation_result[1],
last_adaptation_result[2],
last_adaptation_result[3],
last_adaptation_result[4],
formatted_checks[0],
formatted_checks[1],
formatted_checks[2],
formatted_checks[3],
formatted_checks[4]
)
# Функция для генерации стандартного промпта
def generate_standard_prompt(description, advantages, key_message, approach, *selected_values):
if approach == "Призыв к действию":
prompt = "Сгенерируй смс-сообщение для клиента. Начни сообщение с призыва к действию с продуктом.\n"
elif approach == "Указание на пользу":
prompt = "Сгенерируй смс-сообщение для клиента. Начни сообщение с указания на пользу продукта. Используй глагол в побудительном наклонении.\n"
elif approach == "Вопрос":
prompt = "Сгенерируй смс-сообщение для клиента. Начни сообщение с вопроса, который указывает на пользу продукта для клиента.\n"
elif approach == "None":
prompt = "Сгенерируй смс-сообщение для клиента.\n"
prompt += (
f"Описание предложения: {description}\n"
f"Преимущества: {advantages}\n"
"В тексте смс запрещено использование:\n"
"- Запрещенные слова: № один, номер один, № 1, вкусный, дешёвый, продукт, спам, банкротство, долги, займ, срочно, лучший, главный, номер 1, гарантия, успех, лидер;\n"
"- Обращение к клиенту;\n"
"- Приветствие клиента;\n"
"- Обещания и гарантии;\n"
"- Использовать составные конструкции из двух глаголов;\n"
"- Причастия и причастные обороты;\n"
"- Деепричастия и деепричастные обороты;\n"
"- Превосходная степень прилагательных;\n"
"- Страдательный залог;\n"
"- Порядковые числительные от 10 прописью;\n"
"- Цепочки с придаточными предложениями;\n"
"- Разделительные повторяющиеся союзы;\n"
"- Вводные конструкции;\n"
"- Усилители;\n"
"- Паразиты времени;\n"
"- Несколько существительных подряд, в том числе отглагольных;\n"
"- Производные предлоги;\n"
"- Сложные предложения, в которых нет связи между частями;\n"
"- Сложноподчинённые предложения;\n"
"- Даты прописью;\n"
"- Близкие по смыслу однородные члены предложения;\n"
"- Шокирующие, экстравагантные, кликбейтные фразы;\n"
"- Абстрактные заявления без поддержки фактами и отсутствие доказательства пользы для клиента;\n"
"- Гарантирующие фразы;\n"
"- Узкоспециализированные термины;\n"
"- Фразы, способные создать двойственное ощущение, обидеть;\n"
"- Речевые клише, рекламные штампы, канцеляризмы;\n"
"Убедись, что в готовом тексте до 250 знаков с пробелами.\n"
)
if approach == "Призыв к действию":
prompt += "Убедись, что готовый текст начинается с призыва к действию с продуктом.\n"
elif approach == "Указание на пользу":
prompt += "Убедись, что готовый текст начинается с указания на пользу продукта и использования глагола в побудительном наклонении.\n"
elif approach == "Вопрос":
prompt += "Убедись, что готовый текст начинается с вопроса, который указывает на пользу продукта для клиента.\n"
elif approach == "None":
prompt += ""
if key_message.strip():
prompt += f"Убедись, что в готовом тексте есть следующая ключевая информация: {key_message.strip()}"
return prompt
# Функции для генерации сообщений
def generate_message_gpt4o(prompt):
try:
headers = {
"Content-Type": "application/json",
"Authorization": f"Bearer {openai_api_key}"
}
data = {
"model": "chatgpt-4o-latest",
"messages": [{"role": "system", "content": prompt}],
"max_tokens": 101,
"temperature": 1.1
}
response = requests.post("https://api.openai.com/v1/chat/completions", json=data, headers=headers)
response_data = response.json()
return response_data["choices"][0]["message"]["content"].strip()
except Exception as e:
return f"Ошибка при обращении к ChatGPT-4o-Latest: {e}"
def clean_message(message):
# Если сообщение не заканчивается на точку, восклицательный знак или вопросительный знак, обрезаем его до последнего такого знака
if not message.endswith(('.', '!', '?')):
last_period = max(message.rfind('.'), message.rfind('!'), message.rfind('?'))
if last_period != -1:
message = message[:last_period + 1]
return message
# Обновленные функции генерации сообщений с учетом обрезки незаконченных предложений
def generate_message_gigachat_pro(prompt):
try:
messages = [SystemMessage(content=prompt)]
res = chat_pro(messages)
cleaned_message = clean_message(res.content.strip())
return cleaned_message
except Exception as e:
return f"Ошибка при обращении к GigaChat-Pro: {e}"
def generate_message_gigachat_lite(prompt):
try:
time.sleep(2)
messages = [SystemMessage(content=prompt)]
res = chat_lite(messages)
cleaned_message = clean_message(res.content.strip())
return cleaned_message
except Exception as e:
return f"Ошибка при обращении к GigaChat-Lite: {e}"
def generate_message_gigachat_plus(prompt):
try:
time.sleep(2)
messages = [SystemMessage(content=prompt)]
res = chat_plus(messages)
cleaned_message = clean_message(res.content.strip())
return cleaned_message
except Exception as e:
return f"Ошибка при обращении к GigaChat-Plus: {e}"
def generate_message_meta_llama_3_1_405b(prompt):
try:
response = client.chat.completions.create(
model="meta-llama/Meta-Llama-3.1-405B-Instruct-Turbo",
messages=[{"role": "user", "content": prompt}],
max_tokens=74,
temperature=0.8
)
cleaned_message = clean_message(response.choices[0].message.content.strip())
return cleaned_message
except Exception as e:
return f"Ошибка при обращении к Meta-Llama-3.1-405B: {e}"
def generate_message_gpt4o_with_retry(prompt):
for _ in range(10): # Максимум 10 попыток
message = generate_message_gpt4o(prompt)
if len(message) <= 250:
return correct_dash_usage(message)
return message # Возвращаем последнее сгенерированное сообщение, если все попытки не удались
def generate_message_gigachat_pro_with_retry(prompt):
for _ in range(10):
message = generate_message_gigachat_pro(prompt)
if len(message) <= 250:
return correct_dash_usage(message)
return message
def generate_message_gigachat_lite_with_retry(prompt):
for _ in range(10):
message = generate_message_gigachat_lite(prompt)
if len(message) <= 250:
return correct_dash_usage(message)
return message
def generate_message_gigachat_plus_with_retry(prompt):
for _ in range(10):
message = generate_message_gigachat_plus(prompt)
if len(message) <= 250:
return correct_dash_usage(message)
return message
def generate_message_meta_llama_3_1_405b_with_retry(prompt):
for _ in range(10):
message = generate_message_meta_llama_3_1_405b(prompt)
if len(message) <= 250:
return correct_dash_usage(message)
return message
def generate_messages(description, advantages, key_message, approach, *selected_values):
save_user_request_to_github(description, advantages, key_message, approach, selected_values)
standard_prompt = generate_standard_prompt(description, advantages, key_message, approach, *selected_values)
results = {
"prompt": standard_prompt,
"gigachat_pro": None,
"gigachat_lite": None,
"gigachat_plus": None,
"gpt4o": None,
"meta_llama_3_1_405b": None
}
yield results["prompt"], "", "", "", "", ""
# Generating messages using existing models (as before)
results["gigachat_pro"] = generate_message_gigachat_pro_with_retry(standard_prompt)
gigachat_pro_length = len(results["gigachat_pro"])
gigachat_pro_display = f"{results['gigachat_pro']}\n\n------\nКоличество знаков: {gigachat_pro_length}"
yield results["prompt"], gigachat_pro_display, "", "", "", ""
results["gigachat_lite"] = generate_message_gigachat_lite_with_retry(standard_prompt)
gigachat_lite_length = len(results["gigachat_lite"])
gigachat_lite_display = f"{results['gigachat_lite']}\n\n------\nКоличество знаков: {gigachat_lite_length}"
yield results["prompt"], gigachat_pro_display, gigachat_lite_display, "", "", ""
time.sleep(2)
results["gigachat_plus"] = generate_message_gigachat_plus_with_retry(standard_prompt)
gigachat_plus_length = len(results["gigachat_plus"])
gigachat_plus_display = f"{results['gigachat_plus']}\n\n------\nКоличество знаков: {gigachat_plus_length}"
yield results["prompt"], gigachat_pro_display, gigachat_lite_display, gigachat_plus_display, "", ""
time.sleep(2)
results["gpt4o"] = generate_message_gpt4o_with_retry(standard_prompt)
gpt4o_length = len(results["gpt4o"])
gpt4o_display = f"{results['gpt4o']}\n\n------\nКоличество знаков: {gpt4o_length}"
yield results["prompt"], gigachat_pro_display, gigachat_lite_display, gigachat_plus_display, gpt4o_display, ""
time.sleep(2)
results["meta_llama_3_1_405b"] = generate_message_meta_llama_3_1_405b_with_retry(standard_prompt)
meta_llama_405b_length = len(results["meta_llama_3_1_405b"])
meta_llama_405b_display = f"{results['meta_llama_3_1_405b']}\n\n------\nКоличество знаков: {meta_llama_405b_length}"
yield results["prompt"], gigachat_pro_display, gigachat_lite_display, gigachat_plus_display, gpt4o_display, meta_llama_405b_display
time.sleep(2)
return results
# Функция для генерации персонализированного промпта
def generate_personalization_prompt(key_message, approach, *selected_values):
prompt = "Адаптируй, не превышая длину сообщения в 250 знаков с пробелами, текст с учетом следующих особенностей:\n"
gender, generation, psychotype = selected_values[0], selected_values[1], selected_values[2]
combined_instruction = ""
additional_instructions = ""
print(f"Выбранные значения: Пол={gender}, Поколение={generation}, Психотип={psychotype}")
# Проверяем, выбраны ли все три параметра: Пол, Поколение, Психотип
if gender and generation and psychotype:
# Получаем данные с листа "Пол Поколение Психотип"
sheet = features.get("Пол Поколение Психотип", {})
# Ищем ключ, соответствующий комбинации "Пол", "Поколение", "Психотип"
key = (gender, generation, psychotype)
if key in sheet:
combined_instruction = sheet[key]
print(f"Найдена комбинированная инструкция: {combined_instruction}")
else:
print(f"Комбинированная инструкция для ключа {key} не найдена.")
# Если не найдена комбинированная инструкция, добавляем индивидуальные инструкции
if not combined_instruction:
print("Добавляем индивидуальные инструкции для Пол, Поколение, Психотип.")
for i, feature in enumerate(["Пол", "Поколение", "Психотип"]):
if selected_values[i]:
try:
instruction = features[feature][selected_values[i]]
additional_instructions += f"{instruction}\n"
print(f"Добавлена инструкция из {feature}: {instruction}")
except KeyError:
return f"Ошибка: выбранное значение {selected_values[i]} не найдено в данных."
# Добавляем инструкции для остальных параметров (например, Отрасль)
for i, feature in enumerate(features.keys()):
if feature not in ["Пол", "Поколение", "Психотип", "Пол Поколение Психотип"]:
if i < len(selected_values) and selected_values[i]:
try:
instruction = features[feature][selected_values[i]]
additional_instructions += f"{instruction}\n"
print(f"Добавлена инструкция из {feature}: {instruction}")
except KeyError:
return f"Ошибка: выбранное значение {selected_values[i]} не найдено в данных."
# Формируем итоговый промпт
if combined_instruction:
prompt += combined_instruction # Добавляем комбинированную инструкцию, если она есть
if additional_instructions:
prompt += additional_instructions # Добавляем остальные инструкции
prompt += "Убедись, что в готовом тексте до 250 знаков с пробелами.\n"
if approach == "Призыв к действию":
prompt += "Убедись, что готовый текст начинается с призыва к действию с продуктом.\n"
elif approach == "Указание на пользу":
prompt += "Убедись, что готовый текст начинается с указания на пользу продукта и использования глагола в побудительном наклонении.\n"
elif approach == "Вопрос":
prompt += "Убедись, что готовый текст начинается с вопроса, который указывает на пользу продукта для клиента.\n"
elif approach == "None":
prompt += ""
prompt += f"Убедись, что в готовом тексте есть следующая ключевая информация: {key_message.strip()}"
if "призыва к действию" in prompt and "минимум прямых призывов к действию" in prompt:
prompt = re.sub(r"Убедись, что готовый текст начинается с призыва к действию с продуктом.\n", "", prompt)
return prompt.strip()
# Функция для выполнения персонализации на основе сгенерированного промпта и сообщения
def perform_personalization(standard_message, personalization_prompt):
full_prompt = f"{personalization_prompt}\n\nТекст для адаптации:\n{standard_message}"
return generate_message_gpt4o_with_retry(full_prompt)
# Также обновляем функции персонализации
def perform_personalization_gigachat(standard_message, personalization_prompt, model):
full_prompt = f"{personalization_prompt}\n\nТекст для адаптации:\n{standard_message}"
if model == "gigachat_pro":
result = generate_message_gigachat_pro_with_retry(full_prompt)
elif model == "gigachat_lite":
result = generate_message_gigachat_lite_with_retry(full_prompt)
elif model == "gigachat_plus":
result = generate_message_gigachat_plus_with_retry(full_prompt)
return clean_message(result)
def perform_personalization_meta_llama_405b(standard_message, personalization_prompt):
full_prompt = f"{personalization_prompt}\n\nТекст для адаптации:\n{standard_message}"
return generate_message_meta_llama_3_1_405b_with_retry(full_prompt)
# Updated function to include additional models in personalization
def personalize_messages_with_yield(
gigachat_pro_message,
gigachat_lite_message,
gigachat_plus_message,
gpt4o_message,
meta_llama_405b_message,
key_message,
approach,
*selected_values
):
personalization_prompt = generate_personalization_prompt(key_message, approach, *selected_values)
yield personalization_prompt, "", "", "", "", ""
personalized_message_gigachat_pro = perform_personalization_gigachat(gigachat_pro_message, personalization_prompt, "gigachat_pro")
gigachat_pro_length = len(personalized_message_gigachat_pro)
gigachat_pro_display = f"{personalized_message_gigachat_pro}\n\n------\nКоличество знаков: {gigachat_pro_length}"
yield personalization_prompt, gigachat_pro_display, "", "", "", ""
personalized_message_gigachat_lite = perform_personalization_gigachat(gigachat_lite_message, personalization_prompt, "gigachat_lite")
gigachat_lite_length = len(personalized_message_gigachat_lite)
gigachat_lite_display = f"{personalized_message_gigachat_lite}\n\n------\nКоличество знаков: {gigachat_lite_length}"
yield personalization_prompt, gigachat_pro_display, gigachat_lite_display, "", "", ""
personalized_message_gigachat_plus = perform_personalization_gigachat(gigachat_plus_message, personalization_prompt, "gigachat_plus")
gigachat_plus_length = len(personalized_message_gigachat_plus)
gigachat_plus_display = f"{personalized_message_gigachat_plus}\n\n------\nКоличество знаков: {gigachat_plus_length}"
yield personalization_prompt, gigachat_pro_display, gigachat_lite_display, gigachat_plus_display, "", ""
personalized_message_gpt4o = perform_personalization(gpt4o_message, personalization_prompt)
gpt4o_length = len(personalized_message_gpt4o)
gpt4o_display = f"{personalized_message_gpt4o}\n\n------\nКоличество знаков: {gpt4o_length}"
yield personalization_prompt, gigachat_pro_display, gigachat_lite_display, gigachat_plus_display, gpt4o_display, ""
personalized_message_meta_llama_405b = perform_personalization_meta_llama_405b(meta_llama_405b_message, personalization_prompt)
meta_llama_405b_length = len(personalized_message_meta_llama_405b)
meta_llama_405b_display = f"{personalized_message_meta_llama_405b}\n\n------\nКоличество знаков: {meta_llama_405b_length}"
yield personalization_prompt, gigachat_pro_display, gigachat_lite_display, gigachat_plus_display, gpt4o_display, meta_llama_405b_display
# Добавьте проверки в personalize_messages_with_yield
is_valid_gigachat_pro = check_forbidden_words(personalized_message_gigachat_pro)
is_valid_gigachat_lite = check_forbidden_words(personalized_message_gigachat_lite)
is_valid_gigachat_plus = check_forbidden_words(personalized_message_gigachat_plus)
is_valid_gpt4o = check_forbidden_words(personalized_message_gpt4o)
is_valid_meta_llama_405b = check_forbidden_words(personalized_message_meta_llama_405b)
# Функция для генерации промпта проверки текста
def generate_error_check_prompt():
prompt = (
"Проверь текст SMS-сообщения на соответствие установленным правилам и ограничениям, касающимся его формирования. На основе выявленных несоответствий предоставь рекомендации по исправлению текста. "
"Особое внимание удели проверке: количества символов в тексте SMS-сообщения, орфографическим и пунктуационным ошибкам, определению частей речи (причастия, деепричастия, причастный оборот, деепричастный оборот). "
"Анализируй только текст SMS-сообщения, ничего не придумывай и не добавляй лишнего. "
"Правила и ограничения, которым должен соответствовать текст SMS-сообщения:\n"
"1. Количество символов в SMS-сообщении должно быть до 250 знаков с учетом пробелов.\n"
"2. В тексте должен быть призыв к действию с использованием глагола в повелительном наклонении (например: оформите, получите, разместите, размещайте, откройте, подключите, подайте заявку).\n"
"3. Должно соблюдаться соответствие фактов о продукте.\n"
"4. В генерациях смс запрещено использовать обещания и гарантии.\n"
"5. В генерациях смс запрещено использовать составные конструкции из двух глаголов.\n"
"6. В генерациях смс запрещено использовать причастия и причастные обороты.\n"
"7. В генерациях смс запрещено использовать деепричастия и деепричастные обороты.\n"
"8. В генерациях смс запрещено использовать превосходную степень прилагательных.\n"
"9. В генерациях смс запрещено использовать страдательный залог.\n"
"10. В генерациях смс запрещено использовать порядковые числительные от 10 прописью.\n"
"11. В генерациях смс запрещено использовать цепочки с придаточными предложениями.\n"
"12. В генерациях смс запрещено использовать разделительные повторяющиеся союзы.\n"
"13. В генерациях смс запрещено использовать вводные конструкции.\n"
"14. В генерациях смс запрещено использовать усилители.\n"
"15. В генерациях смс запрещено использовать паразиты времени.\n"
"16. В генерациях смс запрещено использовать несколько существительных подряд, в том числе отглагольных.\n"
"17. В генерациях смс запрещено использовать производные предлоги.\n"
"18. В генерациях смс запрещено использовать сложные предложения, в которых нет связи между частями.\n"
"19. В генерациях смс запрещено использовать сложноподчинённые предложения.\n"
"20. В генерациях смс запрещено использовать даты прописью.\n"
"21. В генерациях смс запрещено использовать близкие по смыслу однородные члены.\n"
"22. В генерациях смс запрещено использовать шокирующие, экстравагантные, кликбейтные фразы.\n"
"23. В генерациях смс запрещено использовать абстрактные заявления без поддержки фактами и отсутствие доказательства пользы для клиента.\n"
"24. В генерациях смс запрещено использовать гарантирующие фразы.\n"
"25. В генерациях смс запрещено использовать узкоспециализированные термины.\n"
"26. В генерациях смс запрещено использовать фразы, способные создать двойственное ощущение, обидеть.\n"
"27. В генерациях смс запрещено использовать речевые клише, рекламные штампы, канцеляризмы.\n"
"28. В генерациях смс запрещено использовать запрещенные слова: № один, номер один, № 1, вкусный, дешёвый, продукт, спам, банкротство, долги, займ, срочно, лучший, главный, номер 1, успех, лидер.\n"
"29. Сообщение должно быть написано без орфографических и грамматических ошибок.\n"
"30. Запрещены повторы слов.\n"
"31. В тексте должны использоваться правильные знаки препинания.\n"
"32. Если в тексте используются кавычки, они должны быть в форме «кавычки-ёлочки».\n"
"33. В тексте SMS сообщения должны обязательно присутствовать: название продукта, условия использования продукта / Преимущества продукта / Шаги для подключения или начала использования / Условия акции (если предложение по продукту акционное).\n"
"Форма ответа: [Ответ должен быть кратким, должен содержать только рекомендации по устранению найденных несоответствий, соответствия каждому пункту правил описывать категорически запрещено]."
)
return prompt
def save_to_github(adapted_message, personalized_message, model_name, comment, corrected_message, description, advantages, non_personalized_prompt, non_personalized_message, personalization_prompt, gender, generation, psychotype, business_stage, industry, legal_form, key_message, approach):
# Собираем все данные в один словарь
data_to_save = {
"Модель": model_name,
"Адаптированное сообщение": adapted_message,
"Персонализированное сообщение": personalized_message,
"Комментарий": comment,
"Откорректированное сообщение": corrected_message,
"Описание предложения": description,
"Преимущества": advantages,
"Ключевое сообщение": key_message,
"Подход": approach,
"Неперсонализированный промпт": non_personalized_prompt,
"Неперсонализированное сообщение": non_personalized_message,
"Персонализированный промпт": personalization_prompt,
"Пол": gender,
"Поколение": generation,
"Психотип": psychotype,
"Стадия бизнеса": business_stage,
"Отрасль": industry,
"ОПФ": legal_form
}
# Преобразуем контент в JSON-строку и кодируем в base64
file_content_encoded = base64.b64encode(json.dumps(data_to_save).encode()).decode()
# Параметры для GitHub API
repo = "fruitpicker01/Storage_dev"
path = f"file_{int(time.time())}.json"
url = f"https://api.github.com/repos/{repo}/contents/{path}"
headers = {
"Authorization": f"token {token}",
"Content-Type": "application/json"
}
data = {
"message": f"Добавлен новый файл {path}",
"content": file_content_encoded
}
# Отправка POST-запроса на GitHub API для создания файла в репозитории
response = requests.put(url, headers=headers, data=json.dumps(data))
if response.status_code == 201:
print("Данные успешно сохранены на GitHub")
else:
print(f"Ошибка при сохранении данных на GitHub: {response.status_code} {response.text}")
def personalize_and_save(
gigachat_pro_message,
gigachat_lite_message,
gigachat_plus_message,
gpt4o_message,
meta_llama_405b_message,
description,
advantages,
key_message,
approach,
*selected_values
):
# Персонализация с использованием yield для последовательного вывода
personalization_generator = personalize_messages_with_yield(
gigachat_pro_message,
gigachat_lite_message,
gigachat_plus_message,
gpt4o_message,
meta_llama_405b_message,
key_message,
approach,
*selected_values
)
last_personalization_result = None
for personalization_result in personalization_generator:
last_personalization_result = personalization_result
yield (
personalization_result[0], # personalization_prompt
personalization_result[1], # gigachat_pro_message
personalization_result[2], # gigachat_lite_message
personalization_result[3], # gigachat_plus_message
personalization_result[4], # gpt4o_message
personalization_result[5], # meta_llama_405b_message
"", "", "", "", "" # Пустые строки для проверок
)
# После завершения персонализации, сохраняем результаты
if last_personalization_result:
checks_gigachat_pro = perform_checks(last_personalization_result[1])
checks_gigachat_lite = perform_checks(last_personalization_result[2])
checks_gigachat_plus = perform_checks(last_personalization_result[3])
checks_gpt4o = perform_checks(last_personalization_result[4])
checks_meta_llama_405b = perform_checks(last_personalization_result[5])
# Форматирование результатов проверок
formatted_checks = [
format_checks(checks_gigachat_pro),
format_checks(checks_gigachat_lite),
format_checks(checks_gigachat_plus),
format_checks(checks_gpt4o),
format_checks(checks_meta_llama_405b)
]
yield (
last_personalization_result[0], # personalization_prompt
last_personalization_result[1], # gigachat_pro_message
last_personalization_result[2], # gigachat_lite_message
last_personalization_result[3], # gigachat_plus_message
last_personalization_result[4], # gpt4o_message
last_personalization_result[5], # meta_llama_405b_message
formatted_checks[0], # validation_display_1
formatted_checks[1], # validation_display_2
formatted_checks[2], # validation_display_3
formatted_checks[3], # validation_display_4
formatted_checks[4] # validation_display_5
)
save_user_request_to_github(description, advantages, key_message, approach, selected_values)
def clear_outputs(*args):
return ('',) * len(args)
def prepare_button_text():
return gr.update(value="Сохраняется...", visible=True)
def update_button_text():
return gr.update(value="Сохранено!", visible=True)
def reset_button_text():
time.sleep(2) # Задержка в 2 секунды
return gr.update(value="Сохранить в базу", visible=True)
def regen_message_gpt4o(description, advantages, key_message, approach, *selected_values):
standard_prompt = generate_standard_prompt(description, advantages, key_message, approach, *selected_values)
gpt4o_message = generate_message_gpt4o_with_retry(standard_prompt)
gpt4o_length = len(gpt4o_message)
return f"{gpt4o_message}\n\n------\nКоличество знаков: {gpt4o_length}"
def regen_message_gigachat_pro(description, advantages, key_message, approach, *selected_values):
standard_prompt = generate_standard_prompt(description, advantages, key_message, approach, *selected_values)
gigachat_pro_message = generate_message_gigachat_pro_with_retry(standard_prompt)
gigachat_pro_length = len(gigachat_pro_message)
return f"{gigachat_pro_message}\n\n------\nКоличество знаков: {gigachat_pro_length}"
def regen_message_gigachat_lite(description, advantages, key_message, approach, *selected_values):
standard_prompt = generate_standard_prompt(description, advantages, key_message, approach, *selected_values)
gigachat_lite_message = generate_message_gigachat_lite_with_retry(standard_prompt)
gigachat_lite_length = len(gigachat_lite_message)
return f"{gigachat_lite_message}\n\n------\nКоличество знаков: {gigachat_lite_length}"
def regen_message_gigachat_plus(description, advantages, key_message, approach, *selected_values):
standard_prompt = generate_standard_prompt(description, advantages, key_message, approach, *selected_values)
gigachat_plus_message = generate_message_gigachat_plus_with_retry(standard_prompt)
gigachat_plus_length = len(gigachat_plus_message)
return f"{gigachat_plus_message}\n\n------\nКоличество знаков: {gigachat_plus_length}"
def regen_message_meta_llama_405b(description, advantages, key_message, approach, *selected_values):
standard_prompt = generate_standard_prompt(description, advantages, key_message, approach, *selected_values)
meta_llama_405b_message = generate_message_meta_llama_3_1_405b_with_retry(standard_prompt)
meta_llama_405b_length = len(meta_llama_405b_message)
return f"{meta_llama_405b_message}\n\n------\nКоличество знаков: {meta_llama_405b_length}"
def personalize_message_gigachat_pro(gigachat_pro_message, key_message, approach, *selected_values):
personalization_prompt = generate_personalization_prompt(key_message, approach, *selected_values)
personalized_message = perform_personalization_gigachat(gigachat_pro_message, personalization_prompt, "gigachat_pro")
gigachat_pro_length = len(personalized_message)
# Выполняем проверку сгенерированного сообщения
checks = perform_checks(personalized_message)
formatted_checks = format_checks(checks)
return f"{personalized_message}\n\n------\nКоличество знаков: {gigachat_pro_length}", formatted_checks
def personalize_message_gigachat_lite(gigachat_lite_message, key_message, approach, *selected_values):
personalization_prompt = generate_personalization_prompt(key_message, approach, *selected_values)
personalized_message = perform_personalization_gigachat(gigachat_lite_message, personalization_prompt, "gigachat_lite")
gigachat_lite_length = len(personalized_message)
# Выполняем проверку сгенерированного сообщения
checks = perform_checks(personalized_message)
formatted_checks = format_checks(checks)
return f"{personalized_message}\n\n------\nКоличество знаков: {gigachat_lite_length}", formatted_checks
def personalize_message_gigachat_plus(gigachat_plus_message, key_message, approach, *selected_values):
personalization_prompt = generate_personalization_prompt(key_message, approach, *selected_values)
personalized_message = perform_personalization_gigachat(gigachat_plus_message, personalization_prompt, "gigachat_plus")
gigachat_plus_length = len(personalized_message)
# Выполняем проверку сгенерированного сообщения
checks = perform_checks(personalized_message)
formatted_checks = format_checks(checks)
return f"{personalized_message}\n\n------\nКоличество знаков: {gigachat_plus_length}", formatted_checks
def personalize_message_gpt4o(gpt4o_message, key_message, approach, *selected_values):
personalization_prompt = generate_personalization_prompt(key_message, approach, *selected_values)
personalized_message = perform_personalization(gpt4o_message, personalization_prompt)
gpt4o_length = len(personalized_message)
# Выполняем проверку сгенерированного сообщения
checks = perform_checks(personalized_message)
formatted_checks = format_checks(checks)
return f"{personalized_message}\n\n------\nКоличество знаков: {gpt4o_length}", formatted_checks
def personalize_message_meta_llama_405b(meta_llama_405b_message, key_message, approach, *selected_values):
personalization_prompt = generate_personalization_prompt(key_message, approach, *selected_values)
personalized_message = perform_personalization_meta_llama_405b(meta_llama_405b_message, personalization_prompt)
meta_llama_405b_length = len(personalized_message)
# Выполняем проверку сгенерированного сообщения
checks = perform_checks(personalized_message)
formatted_checks = format_checks(checks)
return f"{personalized_message}\n\n------\nКоличество знаков: {meta_llama_405b_length}", formatted_checks
def generate_explanation_gigachat_pro(prompt):
messages = [SystemMessage(content=prompt)]
res = chat_pro_explain(messages)
return res.content.strip()
def generate_explanation_gigachat_lite(prompt):
messages = [SystemMessage(content=prompt)]
res = chat_lite_explain(messages)
return res.content.strip()
def generate_explanation_gigachat_plus(prompt):
messages = [SystemMessage(content=prompt)]
res = chat_plus_explain(messages)
return res.content.strip()
def generate_explanation_gpt4o(prompt):
try:
headers = {
"Content-Type": "application/json",
"Authorization": f"Bearer {openai_api_key}"
}
data = {
"model": "chatgpt-4o-latest",
"messages": [{"role": "system", "content": prompt}],
"temperature": 1.1
}
response = requests.post("https://api.openai.com/v1/chat/completions", json=data, headers=headers)
response_data = response.json()
return response_data["choices"][0]["message"]["content"].strip()
except Exception as e:
return f"Ошибка при обращении к ChatGPT-4o-Latest: {e}"
def generate_explanation_meta_llama_405b(prompt):
response = client.chat.completions.create(
model="meta-llama/Meta-Llama-3.1-405B-Instruct-Turbo",
messages=[{"role": "user", "content": prompt}],
temperature=0.8
)
return response.choices[0].message.content.strip()
def explain_compliance_gigachat_pro(personalized_message, personalization_prompt):
prompt = (
f"Есть инструкция по персонализации: {personalization_prompt}\n"
"Сообщи, учтены ли данные инструкции в тексте ниже, и укажи как они были учтены:\n"
f"Текст сообщения: {personalized_message}\n"
)
return generate_explanation_gigachat_pro(prompt)
def explain_compliance_gigachat_lite(personalized_message, personalization_prompt):
prompt = (
f"Есть инструкция по персонализации: {personalization_prompt}\n"
"Сообщи, учтены ли данные инструкции в тексте ниже, и укажи как они были учтены:\n"
f"Текст сообщения: {personalized_message}\n"
)
return generate_explanation_gigachat_lite(prompt)
def explain_compliance_gigachat_plus(personalized_message, personalization_prompt):
prompt = (
f"Есть инструкция по персонализации: {personalization_prompt}\n"
"Сообщи, учтены ли данные инструкции в тексте ниже, и укажи как они были учтены:\n"
f"Текст сообщения: {personalized_message}\n"
)
return generate_explanation_gigachat_plus(prompt)
def explain_compliance_gpt4o(personalized_message, personalization_prompt):
prompt = (
f"Есть инструкция по персонализации: {personalization_prompt}\n"
"Сообщи, учтены ли данные инструкции в тексте ниже, и укажи как они были учтены:\n"
f"Текст сообщения: {personalized_message}\n"
)
return generate_explanation_gpt4o(prompt)
def explain_compliance_meta_llama_405b(personalized_message, personalization_prompt):
prompt = (
f"Есть инструкция по персонализации: {personalization_prompt}\n"
"Сообщи, учтены ли данные инструкции в тексте ниже, и укажи как они были учтены:\n"
f"Текст сообщения: {personalized_message}\n"
)
return generate_explanation_meta_llama_405b(prompt)
def perform_analysis_with_yield(
gigachat_pro_message,
gigachat_lite_message,
gigachat_plus_message,
gpt4o_message,
meta_llama_405b_message,
personalization_prompt
):
# Start yielding results progressively
gigachat_pro_analysis = explain_compliance_gigachat_pro(gigachat_pro_message, personalization_prompt)
yield gigachat_pro_analysis, "", "", "", ""
gigachat_lite_analysis = explain_compliance_gigachat_lite(gigachat_lite_message, personalization_prompt)
yield gigachat_pro_analysis, gigachat_lite_analysis, "", "", ""
gigachat_plus_analysis = explain_compliance_gigachat_plus(gigachat_plus_message, personalization_prompt)
yield gigachat_pro_analysis, gigachat_lite_analysis, gigachat_plus_analysis, "", ""
gpt4o_analysis = explain_compliance_gpt4o(gpt4o_message, personalization_prompt)
yield gigachat_pro_analysis, gigachat_lite_analysis, gigachat_plus_analysis, gpt4o_analysis, ""
meta_llama_405b_analysis = explain_compliance_meta_llama_405b(meta_llama_405b_message, personalization_prompt)
yield gigachat_pro_analysis, gigachat_lite_analysis, gigachat_plus_analysis, gpt4o_analysis, meta_llama_405b_analysis
# ФУНКЦИИ ПРОВЕРОК (НАЧАЛО)
# 1. Запрещенные слова
def check_forbidden_words(message):
morph = pymorphy2.MorphAnalyzer()
# Перечень запрещённых слов и фраз
forbidden_patterns = [
r'№\s?1\b', r'номер\sодин\b', r'номер\s1\b',
r'вкусный', r'дешёвый', r'продукт',
r'спам', r'банкротство', r'долг[и]?', r'займ',
r'срочный', r'главный',
r'гарантия', r'успех', r'лидер'
]
# Удаляем знаки препинания для корректного анализа
message_without_punctuation = message.translate(str.maketrans('', '', string.punctuation))
# Проверка на наличие подстроки "лучш" (без учета регистра)
if re.search(r'лучш', message_without_punctuation, re.IGNORECASE):
return False
# Лемматизация слов сообщения
words = message_without_punctuation.split()
lemmas = [morph.parse(word)[0].normal_form for word in words]
normalized_message = ' '.join(lemmas)
# Проверка на запрещённые фразы и леммы
for pattern in forbidden_patterns:
if re.search(pattern, normalized_message, re.IGNORECASE):
return False
return True
# 2 и #3. Обращение к клиенту и приветствие клиента
def check_no_greeting(message):
morph = pymorphy2.MorphAnalyzer()
# Список типичных обращений и приветствий
greeting_patterns = [
r"привет\b", r"здравствуй", r"добрый\s(день|вечер|утро)",
r"дорогой\b", r"уважаемый\b", r"дорогая\b", r"уважаемая\b",
r"господин\b", r"госпожа\b", r"друг\b", r"коллега\b",
r"товарищ\b", r"приятель\b", r"друг\b", r"подруга\b"
]
# Компилируем все шаблоны в один регулярное выражение
greeting_regex = re.compile('|'.join(greeting_patterns), re.IGNORECASE)
# Проверяем, начинается ли сообщение с шаблона приветствия или обращения
if greeting_regex.search(message.strip()):
return False
return True
# 4. Обещания и гарантии
def check_no_promises(message):
morph = pymorphy2.MorphAnalyzer()
promise_patterns = [
"обещать", "обещание", "гарантировать", "обязаться", "обязать", "обязательство", "обязательный"
]
words = message.split()
lemmas = [morph.parse(word)[0].normal_form for word in words]
for pattern in promise_patterns:
if pattern in lemmas:
return False
return True
# 5. Составные конструкции из двух глаголов
def check_no_double_verbs(message):
morph = pymorphy2.MorphAnalyzer()
# Разделяем текст по пробелам и знакам препинания
words = re.split(r'\s+|[.!?]', message)
morphs = [morph.parse(word)[0] for word in words]
for i in range(len(morphs) - 1):
# Проверяем, что оба слова являются глаголами (в любой форме, включая инфинитивы)
if (morphs[i].tag.POS in {'VERB', 'INFN'}) and (morphs[i+1].tag.POS in {'VERB', 'INFN'}):
# Проверяем, является ли первый глагол "хотеть" или "начинать"
if morphs[i].normal_form in ['хотеть', 'начинать', 'начать']:
return True
else:
return False
return True
# 6. Причастия и причастные обороты
def check_no_participles(message):
morph = pymorphy2.MorphAnalyzer()
words = message.split()
morphs = [morph.parse(word)[0] for word in words]
for morph in morphs:
if 'PRTF' in morph.tag:
return False
return True
# 7. Деепричастия и деепричастные обороты
def check_no_adverbial_participles(message):
morph = pymorphy2.MorphAnalyzer()
words = message.split()
morphs = [morph.parse(word)[0] for word in words]
for morph in morphs:
if 'GRND' in morph.tag:
return False
return True
# 8. Превосходная степень прилагательных
def check_no_superlative_adjectives(message):
morph = pymorphy2.MorphAnalyzer()
words = message.split()
morphs = [morph.parse(word)[0] for word in words]
for morph in morphs:
if 'COMP' in morph.tag or 'Supr' in morph.tag:
return False
return True
# 9. Страдательный залог
def check_no_passive_voice(message):
morph = pymorphy2.MorphAnalyzer()
words = message.split()
morphs = [morph.parse(word)[0] for word in words]
for morph in morphs:
if 'PRTF' in morph.tag and ('passive' in morph.tag or 'в' in morph.tag):
return False
return True
# 10. Порядковые числительные от 10 прописью
def check_no_written_out_ordinals(message):
morph = pymorphy2.MorphAnalyzer()
ordinal_words = [
"десятый", "одиннадцатый", "двенадцатый", "тринадцатый", "четырнадцатый", "пятнадцатый",
"шестнадцатый", "семнадцатый", "восемнадцатый", "девятнадцатый", "двадцатый"
]
words = message.split()
lemmas = [morph.parse(word)[0].normal_form for word in words]
for word in ordinal_words:
if word in lemmas:
return False
return True
# 11. Цепочки с придаточными предложениями
def check_no_subordinate_clauses_chain(message):
# Регулярное выражение, которое ищет последовательности придаточных предложений
subordinate_clause_patterns = [
r'\b(который|которая|которое|которые)\b',
r'\b(если|потому что|так как|что|когда)\b',
r'\b(хотя|несмотря на то что)\b'
]
count = 0
for pattern in subordinate_clause_patterns:
if re.search(pattern, message):
count += 1
# Если в предложении найдено более одного придаточного предложения подряд, возвращаем False
return count < 2
# 12. Разделительные повторяющиеся союзы
def check_no_repeating_conjunctions(message):
# Регулярное выражение для поиска разделительных повторяющихся союзов с запятой перед вторым союзом
repeating_conjunctions_patterns = r'\b(и|ни|то|не то|или|либо)\b\s*(.*?)\s*,\s*\b\1\b'
# Разделяем сообщение на предложения по точке, вопросительному и восклицательному знакам
sentences = re.split(r'[.!?]\s*', message)
# Проверяем каждое предложение отдельно
for sentence in sentences:
if re.search(repeating_conjunctions_patterns, sentence, re.IGNORECASE):
return False
return True
# 13. Вводные конструкции
def check_no_introductory_phrases(message):
introductory_phrases = [
r'\b(во-первых|во-вторых|с одной стороны|по сути|по правде говоря)\b',
r'\b(может быть|кстати|конечно|естественно|безусловно|возможно)\b'
]
for pattern in introductory_phrases:
if re.search(pattern, message, re.IGNORECASE):
return False
return True
# 14. Усилители
def check_no_amplifiers(message):
amplifiers = [
r'\b(очень|крайне|чрезвычайно|совсем|полностью|чисто)\b'
]
for pattern in amplifiers:
if re.search(pattern, message, re.IGNORECASE):
return False
return True
# 15. Паразиты времени
def check_no_time_parasites(message):
time_parasites = [
r'\b(немедленно|срочно|в данный момент|теперь)\b'
]
for pattern in time_parasites:
if re.search(pattern, message, re.IGNORECASE):
return False
return True
# 16. Несколько существительных подряд
def check_no_multiple_nouns(message):
noun_count = 0
words = re.split(r'\s+|[.!?]', message) # Разбиваем по пробелам и знакам препинания
morph = pymorphy2.MorphAnalyzer()
for word in words:
parsed_word = morph.parse(word)[0]
# Если слово — существительное
if 'NOUN' in parsed_word.tag:
noun_count += 1
# Если встречен конец предложения (точка, вопросительный знак, восклицательный знак)
elif re.match(r'[.!?]', word):
noun_count = 0
else:
noun_count = 0
if noun_count > 2:
return False
return True
# 17. Производные предлоги
def check_no_derived_prepositions(message):
derived_prepositions = [
r'\b(в течение|в ходе|вследствие|в связи с|по мере|при помощи|согласно|вопреки|на основании|на случай|в продолжение|по причине|вблизи|вдалеке|вокруг|внутри|вдоль|посередине|вне|снаружи|благодаря|невзирая на|исходя из)\b'
]
for pattern in derived_prepositions:
if re.search(pattern, message, re.IGNORECASE):
return False
return True
# 19. Сложноподчиненные предложения
def check_no_compound_sentences(message):
subordinating_conjunctions = [
r'\bкогда\b', r'\bкак только\b', r'\bпока\b', r'\bпосле того как\b',
r'\bпотому что\b', r'\bтак как\b', r'\bоттого что\b', r'\bблагодаря тому что\b',
r'\bчтобы\b', r'\bдля того чтобы\b', r'\bесли\b', r'\bкогда бы\b', r'\bесли бы\b',
r'\bхотя\b', r'\bнесмотря на то что\b', r'\bкак\b', r'\bбудто\b', r'\bсловно\b', r'\bкак будто\b'
]
# Убедимся, что слово "как" используется не в вопросе
for pattern in subordinating_conjunctions:
if re.search(pattern, message) and not re.search(r'\?', message):
return False
return True
# 20. Даты прописью
def check_no_dates_written_out(message):
# Ищем упоминания месяцев или слов, связанных с датами
months = [
"января", "февраля", "марта", "апреля", "мая", "июня",
"июля", "августа", "сентября", "октября", "ноября", "декабря"
]
# Слова для проверки чисел прописью
date_written_out_patterns = [
r'\b(первого|второго|третьего|четвертого|пятого|шестого|седьмого|восьмого|девятого|десятого|одиннадцатого|двенадцатого|тринадцатого|четырнадцатого|пятнадцатого|шестнадцатого|семнадцатого|восемнадцатого|девятнадцатого|двадцатого|двадцать первого|двадцать второго|двадцать третьего|двадцать четвертого|двадцать пятого|двадцать шестого|двадцать седьмого|двадцать восьмого|двадцать девятого|тридцатого|тридцать первого)\b'
]
for month in months:
for pattern in date_written_out_patterns:
if re.search(f'{pattern}\\s{month}', message, re.IGNORECASE):
return False
return True
# Доп правило. Повторы слов
def check_no_word_repetitions(message):
morph = pymorphy2.MorphAnalyzer()
# Список союзов и предлогов, которые мы будем игнорировать
ignore_words = set([
'и', 'а', 'но', 'или', 'да', 'ни', 'как', 'так',
'в', 'на', 'под', 'над', 'за', 'к', 'до', 'по', 'из', 'у', 'о', 'про', 'для',
'не', 'вот', 'это', 'тот', 'тем', 'при', 'чем',
'же', 'ли', 'бы', 'то',
])
# Разбиваем текст на слова, удаляя знаки препинания
words = re.findall(r'\b\w+\b', message.lower())
# Словарь для хранения нормализованных форм слов
normalized_words = {}
for word in words:
if word not in ignore_words:
# Получаем нормальную форму слова
normal_form = morph.parse(word)[0].normal_form
# Если слово уже встречалось, возвращаем False
if normal_form in normalized_words:
return False
# Добавляем слово в словарь
normalized_words[normal_form] = True
# Если мы дошли до этой точки, повторов не было
return True
# ФУНКЦИИ ПРОВЕРОК (КОНЕЦ)
def safe_check(func, message):
try:
return func(message)
except Exception as e:
# Optionally, you can log the exception here if needed
return None # Indicate that the check could not be performed
def perform_checks(message):
checks = {
"forbidden_words": safe_check(check_forbidden_words, message),
"client_addressing": safe_check(check_no_greeting, message),
"promises": safe_check(check_no_promises, message),
"double_verbs": safe_check(check_no_double_verbs, message),
"participles": safe_check(check_no_participles, message),
"adverbial_participles": safe_check(check_no_adverbial_participles, message),
"superlative_adjectives": safe_check(check_no_superlative_adjectives, message),
"passive_voice": safe_check(check_no_passive_voice, message),
"written_out_ordinals": safe_check(check_no_written_out_ordinals, message),
"subordinate_clauses_chain": safe_check(check_no_subordinate_clauses_chain, message),
"repeating_conjunctions": safe_check(check_no_repeating_conjunctions, message),
"introductory_phrases": safe_check(check_no_introductory_phrases, message),
"amplifiers": safe_check(check_no_amplifiers, message),
"time_parasites": safe_check(check_no_time_parasites, message),
"multiple_nouns": safe_check(check_no_multiple_nouns, message),
"derived_prepositions": safe_check(check_no_derived_prepositions, message),
"compound_sentences": safe_check(check_no_compound_sentences, message),
"dates_written_out": safe_check(check_no_dates_written_out, message),
"no_word_repetitions": safe_check(check_no_word_repetitions, message)
}
return checks
def format_checks(checks):
translation = {
"forbidden_words": "Запрещенные слова",
"client_addressing": "Обращение к клиенту",
"promises": "Обещания и гарантии",
"double_verbs": "Два глагола подряд",
"participles": "Причастия",
"adverbial_participles": "Деепричастия",
"superlative_adjectives": "Превосходная степень",
"passive_voice": "Страдательный залог",
"written_out_ordinals": "Порядковые числительные",
"subordinate_clauses_chain": "Цепочки с придаточными предложениями",
"repeating_conjunctions": "Разделительные повторяющиеся союзы",
"introductory_phrases": "Вводные конструкции",
"amplifiers": "Усилители",
"time_parasites": "Паразиты времени",
"multiple_nouns": "Несколько существительных подряд",
"derived_prepositions": "Производные предлоги",
"compound_sentences": "Сложноподчиненные предложения",
"dates_written_out": "Даты прописью",
"no_word_repetitions": "Повторы слов"
}
formatted_results = []
for rule, result in checks.items():
if result is True:
symbol = '✔️'
elif result is False:
symbol = '❌'
else:
symbol = '❓' # Indicates that the check could not be performed
formatted_results.append(f"{translation[rule]}: {symbol}")
return " \n".join(formatted_results)
# Создание интерфейса Gradio
with gr.Blocks() as demo:
gr.Markdown("# Генерация SMS-сообщений по заданным признакам")
with gr.Tabs() as tabs:
# Вкладка 1: Рабочее поле
with gr.TabItem("Рабочее поле", id=0):
with gr.Row():
with gr.Column(scale=1):
description_input = gr.Textbox(
label="Описание предложения (предзаполненный пример можно поменять на свой)",
lines=13,
value=(
"Необходимо предложить клиенту оформить дебетовую премиальную бизнес-карту Mastercard Preffered. "
"Обслуживание карты стоит 700 рублей в месяц, но клиент может пользоваться ей бесплатно. "
"Что необходимо сделать, чтобы воспользоваться предложением:\n"
"1. Оформить премиальную бизнес-карту в офисе банка или онлайн в интернет-банке СберБизнес.\n"
"2. Забрать карту.\n"
"3. В течение календарного месяца совершить по ней покупки на сумму от 100 000 рублей.\n"
"4. В течение следующего месяца пользоваться ей бесплатно."
)
)
advantages_input = gr.Textbox(
label="Преимущества (предзаполненный пример можно поменять на свой)",
lines=6,
value=(
"Предложение по бесплатному обслуживанию — бессрочное.\n"
"Оплата покупок без отчётов и платёжных поручений.\n"
"Платёжные документы без комиссии.\n"
"Лимиты на расходы сотрудников.\n"
"Мгновенные переводы на карты любых банков."
)
)
key_message_input = gr.Textbox(
label="Ключевое сообщение (предзаполненный пример можно поменять на свой)",
lines=3,
value="Бесплатное обслуживание при покупках от 100 000 рублей в месяц."
)
approach_input = gr.Dropdown(
label="Подход",
choices=["None", "Призыв к действию", "Указание на пользу", "Вопрос"],
value="None" # Default value
)
selections = []
gr.Markdown("**Персонализация**")
for feature in features.keys():
if feature not in ["Пол Поколение Психотип"]: # Исключаем этот лист из выбора
selections.append(gr.Dropdown(choices=[None] + list(features[feature].keys()), label=f"Выберите {feature}"))
with gr.Column(scale=2):
prompt_display = gr.Textbox(
label="Неперсонализированный промпт",
lines=41,
value=(
"Сгенерируй смс-сообщение для клиента.\n"
"Описание предложения: "
"Необходимо предложить клиенту оформить дебетовую премиальную бизнес-карту Mastercard Preffered. "
"Обслуживание карты стоит 700 рублей в месяц, но клиент может пользоваться ей бесплатно. "
"Что необходимо сделать, чтобы воспользоваться предложением:\n"
"1. Оформить премиальную бизнес-карту в офисе банка или онлайн в интернет-банке СберБизнес.\n"
"2. Забрать карту.\n"
"3. В течение календарного месяца совершить по ней покупки на сумму от 100 000 рублей.\n"
"4. В течение следующего месяца пользоваться ей бесплатно.\n"
"Преимущества: "
"Предложение по бесплатному обслуживанию — бессрочное.\n"
"Оплата покупок без отчётов и платёжных поручений.\n"
"Платёжные документы без комиссии.\n"
"Лимиты на расходы сотрудников.\n"
"Мгновенные переводы на карты любых банков.\n "
"В тексте смс запрещено использование:\n"
"- Запрещенные слова: № один, номер один, № 1, вкусный, дешёвый, продукт, спам, банкротство, долги, займ, срочно, лучший, главный, номер 1, гарантия, успех, лидер;\n"
"- Обращение к клиенту;\n"
"- Приветствие клиента;\n"
"- Обещания и гарантии;\n"
"- Использовать составные конструкции из двух глаголов;\n"
"- Причастия и причастные обороты;\n"
"- Деепричастия и деепричастные обороты;\n"
"- Превосходная степень прилагательных;\n"
"- Страдательный залог;\n"
"- Порядковые числительные от 10 прописью;\n"
"- Цепочки с придаточными предложениями;\n"
"- Разделительные повторяющиеся союзы;\n"
"- Вводные конструкции;\n"
"- Усилители;\n"
"- Паразиты времени;\n"
"- Несколько существительных подряд, в том числе отглагольных;\n"
"- Производные предлоги;\n"
"- Сложные предложения, в которых нет связи между частями;\n"
"- Сложноподчинённые предложения;\n"
"- Даты прописью;\n"
"- Близкие по смыслу однородные члены предложения;\n"
"- Шокирующие, экстравагантные, кликбейтные фразы;\n"
"- Абстрактные заявления без поддержки фактами и отсутствие доказательства пользы для клиента;\n"
"- Гарантирующие фразы;\n"
"- Узкоспециализированные термины;\n"
"- Фразы, способные создать двойственное ощущение, обидеть;\n"
"- Речевые клише, рекламные штампы, канцеляризмы;\n"
"Убедись, что в готовом тексте до 250 знаков с пробелами.\n"
"Убедись, что готовый текст начинается с призыва к действию с продуктом.\n"
"Убедись, что в готовом тексте есть следующая ключевая информация: Бесплатное обслуживание при покупках от 100 000 рублей в месяц."
),
interactive=False)
personalization_prompt = gr.Textbox(label="Персонализированный промпт", lines=11, interactive=False)
best_example_prompt = gr.Textbox(label="Промпт для адаптации под лучший пример", lines=7, interactive=False)
with gr.Row():
submit_btn = gr.Button("1. Создать неперсонализированное сообщение")
personalize_btn = gr.Button("2. Выполнить персонализацию (нажимать только после кнопки 1)", elem_id="personalize_button")
best_example_btn = gr.Button("3. Выполнить адаптацию под лучший пример (нажимать только после кнопки 2)", elem_id="best_example_button")
load_btn = gr.Button("Вернуть параметры предыдущего запроса")
gr.Markdown("---") # Добавляет горизонтальную линию
# Ряд кнопок "Перегенерировать"
with gr.Row():
regen_gigachat_pro_btn = gr.Button("Перегенерировать")
regen_gigachat_lite_btn = gr.Button("Перегенерировать")
regen_gigachat_plus_btn = gr.Button("Перегенерировать")
regen_gpt4o_btn = gr.Button("Перегенерировать")
regen_meta_llama_405b_btn = gr.Button("Перегенерировать")
# Первый ряд: неперсонализированные сообщения
with gr.Row():
output_text_gigachat_pro = gr.Textbox(label="Неперсонализированное сообщение 1", lines=3, interactive=False)
output_text_gigachat_lite = gr.Textbox(label="Неперсонализированное сообщение 2", lines=3, interactive=False)
output_text_gigachat_plus = gr.Textbox(label="Неперсонализированное сообщение 3", lines=3, interactive=False)
output_text_gpt4o = gr.Textbox(label="Неперсонализированное сообщение 4", lines=3, interactive=False)
output_text_meta_llama_405b = gr.Textbox(label="Неперсонализированное сообщение 5", lines=3, interactive=False)
# Ряд кнопок "Персонализировать"
with gr.Row():
personalize_gigachat_pro_btn = gr.Button("Персонализировать")
personalize_gigachat_lite_btn = gr.Button("Персонализировать")
personalize_gigachat_plus_btn = gr.Button("Персонализировать")
personalize_gpt4o_btn = gr.Button("Персонализировать")
personalize_meta_llama_405b_btn = gr.Button("Персонализировать")
# Второй ряд: персонализированные сообщения
with gr.Row():
personalized_output_text_gigachat_pro = gr.Textbox(label="Персонализированное сообщение 1", lines=3, interactive=False)
personalized_output_text_gigachat_lite = gr.Textbox(label="Персонализированное сообщение 2", lines=3, interactive=False)
personalized_output_text_gigachat_plus = gr.Textbox(label="Персонализированное сообщение 3", lines=3, interactive=False)
personalized_output_text_gpt4o = gr.Textbox(label="Персонализированное сообщение 4", lines=3, interactive=False)
personalized_output_text_meta_llama_405b = gr.Textbox(label="Персонализированное сообщение 5", lines=3, interactive=False)
# Второй (с половиной:) ряд: адаптированные сообщения
with gr.Row():
adapted_output_text_gigachat_pro = gr.Textbox(label="Адаптированное сообщение 1", lines=3, interactive=False)
adapted_output_text_gigachat_lite = gr.Textbox(label="Адаптированное сообщение 2", lines=3, interactive=False)
adapted_output_text_gigachat_plus = gr.Textbox(label="Адаптированное сообщение 3", lines=3, interactive=False)
adapted_output_text_gpt4o = gr.Textbox(label="Адаптированное сообщение 4", lines=3, interactive=False)
adapted_output_text_meta_llama_405b = gr.Textbox(label="Адаптированное сообщение 5", lines=3, interactive=False)
# Третий ряд: комментарии
with gr.Row():
comment_gigachat_pro = gr.Textbox(label="Комментарий к сообщению 1", lines=3)
comment_gigachat_lite = gr.Textbox(label="Комментарий к сообщению 2", lines=3)
comment_gigachat_plus = gr.Textbox(label="Комментарий к сообщению 3", lines=3)
comment_gpt4o = gr.Textbox(label="Комментарий к сообщению 4", lines=3)
comment_meta_llama_405b = gr.Textbox(label="Комментарий к сообщению 5", lines=3)
# Четвертый ряд: откорректированные сообщения
with gr.Row():
corrected_gigachat_pro = gr.Textbox(label="Откорректированное сообщение 1", lines=3)
corrected_gigachat_lite = gr.Textbox(label="Откорректированное сообщение 2", lines=3)
corrected_gigachat_plus = gr.Textbox(label="Откорректированное сообщение 3", lines=3)
corrected_gpt4o = gr.Textbox(label="Откорректированное сообщение 4", lines=3)
corrected_meta_llama_405b = gr.Textbox(label="Откорректированное сообщение 5", lines=3)
# Пятый ряд: кнопки сохранения
with gr.Row():
save_gigachat_pro_btn = gr.Button("Сохранить в базу")
save_gigachat_lite_btn = gr.Button("Сохранить в базу")
save_gigachat_plus_btn = gr.Button("Сохранить в базу")
save_gpt4o_btn = gr.Button("Сохранить в базу")
save_meta_llama_405b_btn = gr.Button("Сохранить в базу")
gr.Markdown("---")
with gr.Row():
validation_display_1 = gr.Markdown()
validation_display_2 = gr.Markdown()
validation_display_3 = gr.Markdown()
validation_display_4 = gr.Markdown()
validation_display_5 = gr.Markdown()
gr.Markdown("---")
# Вкладка 2: Аналитика
with gr.TabItem("Аналитика", id=1):
with gr.Row():
download_btn = gr.Button("Выгрузить актуальную базу сообщений (~ 45 сек)")
download_link = gr.Markdown(value="", label="Ссылка для скачивания")
gr.Markdown("---")
gr.Markdown("## Аналитика")
total_messages_display = gr.Markdown(value="", label="Общее количество сообщений")
total_clean_messages_display = gr.Markdown(value="", label="Общее количество сообщений без необходимости корректировок")
with gr.Row():
model_pie_chart = gr.Plot(label="График 1")
clean_model_pie_chart = gr.Plot(label="График 2")
contributor_pie_chart = gr.Plot(label="График 3")
date_message_chart = gr.Plot(label="График 4")
cumulative_model_chart = gr.Plot(label="График 5")
cumulative_clean_model_chart = gr.Plot(label="График 6")
cumulative_author_chart = gr.Plot(label="График 7")
character_count_chart = gr.Plot(label="График 8")
sentence_count_chart = gr.Plot(label="График 9")
gr.Markdown("---")
with gr.TabItem("Инструкция", id=2):
gr.Markdown("""
### Инструкция
Функционал адаптации сообщений под лучший пример — в beta-версии.
Если вы сгенерировали адаптированное сообщение, и оно вам понравилось (вы хотите сохранить его в базу), то скопируйте его, пожалуйста, в поле "Откорректированное сообщение" (а поле "Комментарий" оставьте пустым).
Когда вы нажимаете адаптировать, то результаты проверок ниже обновляются и приводятся для адаптированных (а не персонализированных) сообщений.
""")
# Очистка всех полей кроме prompt_display
description_input.change(
fn=clear_outputs, # Сначала вызываем функцию очистки полей
inputs=[
output_text_gigachat_pro,
output_text_gigachat_lite,
output_text_gigachat_plus,
output_text_gpt4o,
output_text_meta_llama_405b,
personalized_output_text_gigachat_pro,
personalized_output_text_gigachat_lite,
personalized_output_text_gigachat_plus,
personalized_output_text_gpt4o,
personalized_output_text_meta_llama_405b,
adapted_output_text_gigachat_pro,
adapted_output_text_gigachat_lite,
adapted_output_text_gigachat_plus,
adapted_output_text_gpt4o,
adapted_output_text_meta_llama_405b,
comment_gigachat_pro,
corrected_gigachat_pro,
comment_gigachat_lite,
corrected_gigachat_lite,
comment_gigachat_plus,
corrected_gigachat_plus,
comment_gpt4o,
corrected_gpt4o,
comment_meta_llama_405b,
corrected_meta_llama_405b,
validation_display_1,
validation_display_2,
validation_display_3,
validation_display_4,
validation_display_5
],
outputs=[
output_text_gigachat_pro,
output_text_gigachat_lite,
output_text_gigachat_plus,
output_text_gpt4o,
output_text_meta_llama_405b,
personalized_output_text_gigachat_pro,
personalized_output_text_gigachat_lite,
personalized_output_text_gigachat_plus,
personalized_output_text_gpt4o,
personalized_output_text_meta_llama_405b,
adapted_output_text_gigachat_pro,
adapted_output_text_gigachat_lite,
adapted_output_text_gigachat_plus,
adapted_output_text_gpt4o,
adapted_output_text_meta_llama_405b,
comment_gigachat_pro,
corrected_gigachat_pro,
comment_gigachat_lite,
corrected_gigachat_lite,
comment_gigachat_plus,
corrected_gigachat_plus,
comment_gpt4o,
corrected_gpt4o,
comment_meta_llama_405b,
corrected_meta_llama_405b,
validation_display_1,
validation_display_2,
validation_display_3,
validation_display_4,
validation_display_5
]
).then(
fn=generate_standard_prompt, # После очистки вызываем функцию для обновления промпта
inputs=[description_input, advantages_input, key_message_input, approach_input] + selections,
outputs=prompt_display # Мгновенно обновляем поле неперсонализированного промпта
).then(
fn=update_best_example_prompt,
inputs=[description_input] + selections,
outputs=best_example_prompt
)
# Очистка всех полей кроме prompt_display
advantages_input.change(
fn=clear_outputs, # Сначала вызываем функцию очистки полей
inputs=[
output_text_gigachat_pro,
output_text_gigachat_lite,
output_text_gigachat_plus,
output_text_gpt4o,
output_text_meta_llama_405b,
personalized_output_text_gigachat_pro,
personalized_output_text_gigachat_lite,
personalized_output_text_gigachat_plus,
personalized_output_text_gpt4o,
personalized_output_text_meta_llama_405b,
adapted_output_text_gigachat_pro,
adapted_output_text_gigachat_lite,
adapted_output_text_gigachat_plus,
adapted_output_text_gpt4o,
adapted_output_text_meta_llama_405b,
comment_gigachat_pro,
corrected_gigachat_pro,
comment_gigachat_lite,
corrected_gigachat_lite,
comment_gigachat_plus,
corrected_gigachat_plus,
comment_gpt4o,
corrected_gpt4o,
comment_meta_llama_405b,
corrected_meta_llama_405b,
validation_display_1,
validation_display_2,
validation_display_3,
validation_display_4,
validation_display_5
],
outputs=[
output_text_gigachat_pro,
output_text_gigachat_lite,
output_text_gigachat_plus,
output_text_gpt4o,
output_text_meta_llama_405b,
personalized_output_text_gigachat_pro,
personalized_output_text_gigachat_lite,
personalized_output_text_gigachat_plus,
personalized_output_text_gpt4o,
personalized_output_text_meta_llama_405b,
adapted_output_text_gigachat_pro,
adapted_output_text_gigachat_lite,
adapted_output_text_gigachat_plus,
adapted_output_text_gpt4o,
adapted_output_text_meta_llama_405b,
comment_gigachat_pro,
corrected_gigachat_pro,
comment_gigachat_lite,
corrected_gigachat_lite,
comment_gigachat_plus,
corrected_gigachat_plus,
comment_gpt4o,
corrected_gpt4o,
comment_meta_llama_405b,
corrected_meta_llama_405b,
validation_display_1,
validation_display_2,
validation_display_3,
validation_display_4,
validation_display_5
]
).then(
fn=generate_standard_prompt, # После очистки вызываем функцию для обновления промпта
inputs=[description_input, advantages_input, key_message_input, approach_input] + selections,
outputs=prompt_display # Мгновенно обновляем поле неперсонализированного промпта
)
# Очистка всех полей кроме prompt_display
key_message_input.change(
fn=clear_outputs, # Сначала вызываем функцию очистки полей
inputs=[
output_text_gigachat_pro,
output_text_gigachat_lite,
output_text_gigachat_plus,
output_text_gpt4o,
output_text_meta_llama_405b,
personalized_output_text_gigachat_pro,
personalized_output_text_gigachat_lite,
personalized_output_text_gigachat_plus,
personalized_output_text_gpt4o,
personalized_output_text_meta_llama_405b,
adapted_output_text_gigachat_pro,
adapted_output_text_gigachat_lite,
adapted_output_text_gigachat_plus,
adapted_output_text_gpt4o,
adapted_output_text_meta_llama_405b,
comment_gigachat_pro,
corrected_gigachat_pro,
comment_gigachat_lite,
corrected_gigachat_lite,
comment_gigachat_plus,
corrected_gigachat_plus,
comment_gpt4o,
corrected_gpt4o,
comment_meta_llama_405b,
corrected_meta_llama_405b,
validation_display_1,
validation_display_2,
validation_display_3,
validation_display_4,
validation_display_5
],
outputs=[
output_text_gigachat_pro,
output_text_gigachat_lite,
output_text_gigachat_plus,
output_text_gpt4o,
output_text_meta_llama_405b,
personalized_output_text_gigachat_pro,
personalized_output_text_gigachat_lite,
personalized_output_text_gigachat_plus,
personalized_output_text_gpt4o,
personalized_output_text_meta_llama_405b,
adapted_output_text_gigachat_pro,
adapted_output_text_gigachat_lite,
adapted_output_text_gigachat_plus,
adapted_output_text_gpt4o,
adapted_output_text_meta_llama_405b,
comment_gigachat_pro,
corrected_gigachat_pro,
comment_gigachat_lite,
corrected_gigachat_lite,
comment_gigachat_plus,
corrected_gigachat_plus,
comment_gpt4o,
corrected_gpt4o,
comment_meta_llama_405b,
corrected_meta_llama_405b,
validation_display_1,
validation_display_2,
validation_display_3,
validation_display_4,
validation_display_5
]
).then(
fn=generate_standard_prompt, # После очистки вызываем функцию для обновления промпта
inputs=[description_input, advantages_input, key_message_input, approach_input] + selections,
outputs=prompt_display # Мгновенно обновляем поле неперсонализированного промпта
)
# Очистка всех полей кроме prompt_display
approach_input.change(
fn=clear_outputs, # Сначала вызываем функцию очистки полей
inputs=[
output_text_gigachat_pro,
output_text_gigachat_lite,
output_text_gigachat_plus,
output_text_gpt4o,
output_text_meta_llama_405b,
personalized_output_text_gigachat_pro,
personalized_output_text_gigachat_lite,
personalized_output_text_gigachat_plus,
personalized_output_text_gpt4o,
personalized_output_text_meta_llama_405b,
adapted_output_text_gigachat_pro,
adapted_output_text_gigachat_lite,
adapted_output_text_gigachat_plus,
adapted_output_text_gpt4o,
adapted_output_text_meta_llama_405b,
comment_gigachat_pro,
corrected_gigachat_pro,
comment_gigachat_lite,
corrected_gigachat_lite,
comment_gigachat_plus,
corrected_gigachat_plus,
comment_gpt4o,
corrected_gpt4o,
comment_meta_llama_405b,
corrected_meta_llama_405b,
validation_display_1,
validation_display_2,
validation_display_3,
validation_display_4,
validation_display_5
],
outputs=[
output_text_gigachat_pro,
output_text_gigachat_lite,
output_text_gigachat_plus,
output_text_gpt4o,
output_text_meta_llama_405b,
personalized_output_text_gigachat_pro,
personalized_output_text_gigachat_lite,
personalized_output_text_gigachat_plus,
personalized_output_text_gpt4o,
personalized_output_text_meta_llama_405b,
adapted_output_text_gigachat_pro,
adapted_output_text_gigachat_lite,
adapted_output_text_gigachat_plus,
adapted_output_text_gpt4o,
adapted_output_text_meta_llama_405b,
comment_gigachat_pro,
corrected_gigachat_pro,
comment_gigachat_lite,
corrected_gigachat_lite,
comment_gigachat_plus,
corrected_gigachat_plus,
comment_gpt4o,
corrected_gpt4o,
comment_meta_llama_405b,
corrected_meta_llama_405b,
validation_display_1,
validation_display_2,
validation_display_3,
validation_display_4,
validation_display_5
]
).then(
fn=generate_standard_prompt, # После очистки вызываем функцию для обновления промпта
inputs=[description_input, advantages_input, key_message_input, approach_input] + selections,
outputs=prompt_display # Мгновенно обновляем поле неперсонализированного промпта
).then(
fn=generate_personalization_prompt, # Вызываем генерацию персонализированного промпта после изменения
inputs=[key_message_input, approach_input] + selections, # Передаем все нужные параметры
outputs=personalization_prompt # Обновляем поле с персонализированным промптом
)
# Добавляем обработчики для каждого поля в selections
for selection in selections:
# Очищаем все персонализированные сообщения и результаты проверок
selection.change(
fn=clear_outputs,
inputs=[
personalized_output_text_gigachat_pro,
personalized_output_text_gigachat_lite,
personalized_output_text_gigachat_plus,
personalized_output_text_gpt4o,
personalized_output_text_meta_llama_405b,
adapted_output_text_gigachat_pro,
adapted_output_text_gigachat_lite,
adapted_output_text_gigachat_plus,
adapted_output_text_gpt4o,
adapted_output_text_meta_llama_405b,
comment_gigachat_pro,
corrected_gigachat_pro,
comment_gigachat_lite,
corrected_gigachat_lite,
comment_gigachat_plus,
corrected_gigachat_plus,
comment_gpt4o,
corrected_gpt4o,
comment_meta_llama_405b,
corrected_meta_llama_405b,
validation_display_1,
validation_display_2,
validation_display_3,
validation_display_4,
validation_display_5],
outputs=[
personalized_output_text_gigachat_pro,
personalized_output_text_gigachat_lite,
personalized_output_text_gigachat_plus,
personalized_output_text_gpt4o,
personalized_output_text_meta_llama_405b,
adapted_output_text_gigachat_pro,
adapted_output_text_gigachat_lite,
adapted_output_text_gigachat_plus,
adapted_output_text_gpt4o,
adapted_output_text_meta_llama_405b,
comment_gigachat_pro,
corrected_gigachat_pro,
comment_gigachat_lite,
corrected_gigachat_lite,
comment_gigachat_plus,
corrected_gigachat_plus,
comment_gpt4o,
corrected_gpt4o,
comment_meta_llama_405b,
corrected_meta_llama_405b,
validation_display_1,
validation_display_2,
validation_display_3,
validation_display_4,
validation_display_5
]
).then(
fn=generate_personalization_prompt, # Вызываем генерацию персонализированного промпта после изменения
inputs=[key_message_input, approach_input] + selections, # Передаем все нужные параметры
outputs=personalization_prompt # Обновляем поле с персонализированным промптом
).then(
fn=update_best_example_prompt,
inputs=[description_input] + selections,
outputs=best_example_prompt
)
# Добавление функционала для кнопок
submit_btn.click(
clear_outputs,
inputs=[
personalized_output_text_gigachat_pro,
personalized_output_text_gigachat_lite,
personalized_output_text_gigachat_plus,
personalized_output_text_gpt4o,
personalized_output_text_meta_llama_405b,
adapted_output_text_gigachat_pro,
adapted_output_text_gigachat_lite,
adapted_output_text_gigachat_plus,
adapted_output_text_gpt4o,
adapted_output_text_meta_llama_405b,
comment_gigachat_pro,
corrected_gigachat_pro,
comment_gigachat_lite,
corrected_gigachat_lite,
comment_gigachat_plus,
corrected_gigachat_plus,
comment_gpt4o,
corrected_gpt4o,
comment_meta_llama_405b,
corrected_meta_llama_405b,
validation_display_1, # Очистка результатов проверок
validation_display_2,
validation_display_3,
validation_display_4,
validation_display_5
],
outputs=[
personalized_output_text_gigachat_pro,
personalized_output_text_gigachat_lite,
personalized_output_text_gigachat_plus,
personalized_output_text_gpt4o,
personalized_output_text_meta_llama_405b,
adapted_output_text_gigachat_pro,
adapted_output_text_gigachat_lite,
adapted_output_text_gigachat_plus,
adapted_output_text_gpt4o,
adapted_output_text_meta_llama_405b,
comment_gigachat_pro,
corrected_gigachat_pro,
comment_gigachat_lite,
corrected_gigachat_lite,
comment_gigachat_plus,
corrected_gigachat_plus,
comment_gpt4o,
corrected_gpt4o,
comment_meta_llama_405b,
corrected_meta_llama_405b,
validation_display_1, # Очистка результатов проверок
validation_display_2,
validation_display_3,
validation_display_4,
validation_display_5
]
)
submit_btn.click(
generate_messages,
inputs=[description_input, advantages_input, key_message_input, approach_input] + selections,
outputs=[
prompt_display,
output_text_gigachat_pro,
output_text_gigachat_lite,
output_text_gigachat_plus,
output_text_gpt4o,
output_text_meta_llama_405b
]
)
personalize_btn.click(
fn=clear_outputs,
inputs=[
personalized_output_text_gigachat_pro,
personalized_output_text_gigachat_lite,
personalized_output_text_gigachat_plus,
personalized_output_text_gpt4o,
personalized_output_text_meta_llama_405b,
adapted_output_text_gigachat_pro,
adapted_output_text_gigachat_lite,
adapted_output_text_gigachat_plus,
adapted_output_text_gpt4o,
adapted_output_text_meta_llama_405b,
comment_gigachat_pro,
corrected_gigachat_pro,
comment_gigachat_lite,
corrected_gigachat_lite,
comment_gigachat_plus,
corrected_gigachat_plus,
comment_gpt4o,
corrected_gpt4o,
comment_meta_llama_405b,
corrected_meta_llama_405b
],
outputs=[
personalized_output_text_gigachat_pro,
personalized_output_text_gigachat_lite,
personalized_output_text_gigachat_plus,
personalized_output_text_gpt4o,
personalized_output_text_meta_llama_405b,
adapted_output_text_gigachat_pro,
adapted_output_text_gigachat_lite,
adapted_output_text_gigachat_plus,
adapted_output_text_gpt4o,
adapted_output_text_meta_llama_405b,
comment_gigachat_pro,
corrected_gigachat_pro,
comment_gigachat_lite,
corrected_gigachat_lite,
comment_gigachat_plus,
corrected_gigachat_plus,
comment_gpt4o,
corrected_gpt4o,
comment_meta_llama_405b,
corrected_meta_llama_405b
]
)
personalize_btn.click(
fn=personalize_and_save,
inputs=[
output_text_gigachat_pro,
output_text_gigachat_lite,
output_text_gigachat_plus,
output_text_gpt4o,
output_text_meta_llama_405b,
description_input,
advantages_input,
key_message_input,
approach_input,
] + selections,
outputs=[
personalization_prompt,
personalized_output_text_gigachat_pro,
personalized_output_text_gigachat_lite,
personalized_output_text_gigachat_plus,
personalized_output_text_gpt4o,
personalized_output_text_meta_llama_405b,
validation_display_1,
validation_display_2,
validation_display_3,
validation_display_4,
validation_display_5,
]
)
best_example_btn.click(
fn=adapt_messages_and_perform_checks,
inputs=[
description_input,
personalized_output_text_gigachat_pro,
personalized_output_text_gigachat_lite,
personalized_output_text_gigachat_plus,
personalized_output_text_gpt4o,
personalized_output_text_meta_llama_405b,
key_message_input,
approach_input,
] + selections,
outputs=[
adapted_output_text_gigachat_pro,
adapted_output_text_gigachat_lite,
adapted_output_text_gigachat_plus,
adapted_output_text_gpt4o,
adapted_output_text_meta_llama_405b,
validation_display_1,
validation_display_2,
validation_display_3,
validation_display_4,
validation_display_5
]
)
# Обработка клика по кнопке восстановления
load_btn.click(
fn=lambda: load_previous_user_request_from_github(),
inputs=[],
outputs=[
description_input, # Описание предложения
advantages_input, # Преимущества
key_message_input, # Ключевое сообщение
approach_input, # Подход
*selections, # Параметры персонализации (Пол, Поколение и т.д.)
]
).then(
fn=clear_outputs,
inputs=[
prompt_display,
personalization_prompt, # Очищаем personalization_prompt
output_text_gigachat_pro,
output_text_gigachat_lite,
output_text_gigachat_plus,
output_text_gpt4o,
output_text_meta_llama_405b,
personalized_output_text_gigachat_pro,
personalized_output_text_gigachat_lite,
personalized_output_text_gigachat_plus,
personalized_output_text_gpt4o,
personalized_output_text_meta_llama_405b,
adapted_output_text_gigachat_pro,
adapted_output_text_gigachat_lite,
adapted_output_text_gigachat_plus,
adapted_output_text_gpt4o,
adapted_output_text_meta_llama_405b,
comment_gigachat_pro,
corrected_gigachat_pro,
comment_gigachat_lite,
corrected_gigachat_lite,
comment_gigachat_plus,
corrected_gigachat_plus,
comment_gpt4o,
corrected_gpt4o,
comment_meta_llama_405b,
corrected_meta_llama_405b,
validation_display_1, # Очистка результатов проверок
validation_display_2,
validation_display_3,
validation_display_4,
validation_display_5
],
outputs=[
prompt_display,
personalization_prompt, # Очищаем personalization_prompt
output_text_gigachat_pro,
output_text_gigachat_lite,
output_text_gigachat_plus,
output_text_gpt4o,
output_text_meta_llama_405b,
personalized_output_text_gigachat_pro,
personalized_output_text_gigachat_lite,
personalized_output_text_gigachat_plus,
personalized_output_text_gpt4o,
personalized_output_text_meta_llama_405b,
adapted_output_text_gigachat_pro,
adapted_output_text_gigachat_lite,
adapted_output_text_gigachat_plus,
adapted_output_text_gpt4o,
adapted_output_text_meta_llama_405b,
comment_gigachat_pro,
corrected_gigachat_pro,
comment_gigachat_lite,
corrected_gigachat_lite,
comment_gigachat_plus,
corrected_gigachat_plus,
comment_gpt4o,
corrected_gpt4o,
comment_meta_llama_405b,
corrected_meta_llama_405b,
validation_display_1, # Очистка результатов проверок
validation_display_2,
validation_display_3,
validation_display_4,
validation_display_5
]
).then(
fn=generate_standard_prompt, # Генерация неперсонализированного промпта на основе загруженных данных
inputs=[description_input, advantages_input, key_message_input, approach_input] + selections,
outputs=prompt_display # Обновляем поле с неперсонализированным промптом
).then(
fn=generate_personalization_prompt, # Генерация персонализированного промпта
inputs=[key_message_input, approach_input] + selections,
outputs=personalization_prompt # Обновляем поле с персонализированным промптом
)
regen_gigachat_pro_btn.click(
fn=lambda: ("", "", ""), # Очищаем текст персонализированного сообщения и проверку
inputs=[],
outputs=[personalized_output_text_gigachat_pro, adapted_output_text_gigachat_pro, validation_display_1]
).then(
fn=regen_message_gigachat_pro,
inputs=[description_input, advantages_input, key_message_input, approach_input] + selections,
outputs=output_text_gigachat_pro
)
regen_gigachat_lite_btn.click(
fn=lambda: ("", "", ""), # Очищаем текст персонализированного сообщения и проверку
inputs=[],
outputs=[personalized_output_text_gigachat_lite, adapted_output_text_gigachat_lite, validation_display_2]
).then(
fn=regen_message_gigachat_lite,
inputs=[description_input, advantages_input, key_message_input, approach_input] + selections,
outputs=output_text_gigachat_lite
)
regen_gigachat_plus_btn.click(
fn=lambda: ("", "", ""), # Очищаем текст персонализированного сообщения и проверку
inputs=[],
outputs=[personalized_output_text_gigachat_plus, adapted_output_text_gigachat_plus, validation_display_3]
).then(
fn=regen_message_gigachat_plus,
inputs=[description_input, advantages_input, key_message_input, approach_input] + selections,
outputs=output_text_gigachat_plus
)
regen_gpt4o_btn.click(
fn=lambda: ("", "", ""), # Очищаем текст персонализированного сообщения и проверку
inputs=[],
outputs=[personalized_output_text_gpt4o, adapted_output_text_gpt4o, validation_display_4]
).then(
fn=regen_message_gpt4o,
inputs=[description_input, advantages_input, key_message_input, approach_input] + selections,
outputs=output_text_gpt4o
)
regen_meta_llama_405b_btn.click(
fn=lambda: ("", "", ""), # Очищаем текст персонализированного сообщения и проверку
inputs=[],
outputs=[personalized_output_text_meta_llama_405b, adapted_output_text_meta_llama_405b, validation_display_5]
).then(
fn=regen_message_meta_llama_405b,
inputs=[description_input, advantages_input, key_message_input, approach_input] + selections,
outputs=output_text_meta_llama_405b
)
personalize_gigachat_pro_btn.click(
personalize_message_gigachat_pro,
inputs=[output_text_gigachat_pro, key_message_input, approach_input] + selections,
outputs=[personalized_output_text_gigachat_pro, validation_display_1]
).then(
fn=lambda: (""),
inputs=[],
outputs=[adapted_output_text_gigachat_pro]
).then(
fn=generate_personalization_prompt, # Вызов генерации промпта
inputs=[key_message_input, approach_input] + selections, # Передача нужных данных
outputs=personalization_prompt # Вывод в поле с промптом
)
personalize_gigachat_lite_btn.click(
personalize_message_gigachat_lite,
inputs=[output_text_gigachat_lite, key_message_input, approach_input] + selections,
outputs=[personalized_output_text_gigachat_lite, validation_display_2] # Поле для проверки
).then(
fn=lambda: (""),
inputs=[],
outputs=[adapted_output_text_gigachat_lite]
).then(
fn=generate_personalization_prompt, # Вызов генерации промпта
inputs=[key_message_input, approach_input] + selections, # Передача нужных данных
outputs=personalization_prompt # Вывод в поле с промптом
)
personalize_gigachat_plus_btn.click(
personalize_message_gigachat_plus,
inputs=[output_text_gigachat_plus, key_message_input, approach_input] + selections,
outputs=[personalized_output_text_gigachat_plus, validation_display_3] # Добавляем результат проверки
).then(
fn=lambda: (""),
inputs=[],
outputs=[adapted_output_text_gigachat_plus]
).then(
fn=generate_personalization_prompt, # Вызов генерации промпта
inputs=[key_message_input, approach_input] + selections, # Передача нужных данных
outputs=personalization_prompt # Вывод в поле с промптом
)
personalize_gpt4o_btn.click(
personalize_message_gpt4o,
inputs=[output_text_gpt4o, key_message_input, approach_input] + selections,
outputs=[personalized_output_text_gpt4o, validation_display_4] # Добавляем результат проверки
).then(
fn=lambda: (""),
inputs=[],
outputs=[adapted_output_text_gpt4o]
).then(
fn=generate_personalization_prompt, # Вызов генерации промпта
inputs=[key_message_input, approach_input] + selections, # Передача нужных данных
outputs=personalization_prompt # Вывод в поле с промптом
)
personalize_meta_llama_405b_btn.click(
personalize_message_meta_llama_405b,
inputs=[output_text_meta_llama_405b, key_message_input, approach_input] + selections,
outputs=[personalized_output_text_meta_llama_405b, validation_display_5] # Добавляем результат проверки
).then(
fn=lambda: (""),
inputs=[],
outputs=[adapted_output_text_meta_llama_405b]
).then(
fn=generate_personalization_prompt, # Вызов генерации промпта
inputs=[key_message_input, approach_input] + selections, # Передача нужных данных
outputs=personalization_prompt # Вывод в поле с промптом
)
# Привязка кнопок к функциям сохранения
save_gigachat_pro_btn.click(
fn=prepare_button_text,
inputs=[],
outputs=[save_gigachat_pro_btn]
).then(
fn=lambda adapted_message, personalized_message, comment, corrected_message, description, advantages,
non_personalized_prompt, non_personalized_message, personalization_prompt, gender, generation, psychotype,
business_stage, industry, legal_form, key_message, approach:
save_both(adapted_message, personalized_message, "GigaChat-Pro", comment, corrected_message, description,
advantages, non_personalized_prompt, non_personalized_message, personalization_prompt, gender,
generation, psychotype, business_stage, industry, legal_form, key_message, approach),
inputs=[
adapted_output_text_gigachat_pro,
personalized_output_text_gigachat_pro,
comment_gigachat_pro,
corrected_gigachat_pro,
description_input,
advantages_input,
prompt_display,
output_text_gigachat_pro,
personalization_prompt,
selections[0], # Пол
selections[1], # Поколение
selections[2], # Психотип
selections[3], # Стадия бизнеса
selections[4], # Отрасль
selections[5], # ОПФ
key_message_input, # Ключевое сообщение
approach_input # Подход
],
outputs=None
).then(
fn=update_button_text,
outputs=[save_gigachat_pro_btn]
).then(
fn=reset_button_text,
outputs=[save_gigachat_pro_btn]
)
# Повторяем аналогично для других кнопок:
save_gigachat_lite_btn.click(
fn=prepare_button_text,
inputs=[],
outputs=[save_gigachat_lite_btn]
).then(
fn=lambda adapted_message, personalized_message, comment, corrected_message, description, advantages,
non_personalized_prompt, non_personalized_message, personalization_prompt, gender, generation, psychotype,
business_stage, industry, legal_form, key_message, approach:
save_both(adapted_message, personalized_message, "GigaChat-Lite", comment, corrected_message, description,
advantages, non_personalized_prompt, non_personalized_message, personalization_prompt, gender,
generation, psychotype, business_stage, industry, legal_form, key_message, approach),
inputs=[
adapted_output_text_gigachat_lite,
personalized_output_text_gigachat_lite,
comment_gigachat_lite,
corrected_gigachat_lite,
description_input,
advantages_input,
prompt_display,
output_text_gigachat_lite,
personalization_prompt,
selections[0],
selections[1],
selections[2],
selections[3],
selections[4],
selections[5],
key_message_input,
approach_input
],
outputs=None
).then(
fn=update_button_text,
outputs=[save_gigachat_lite_btn]
).then(
fn=reset_button_text,
outputs=[save_gigachat_lite_btn]
)
save_gigachat_plus_btn.click(
fn=prepare_button_text,
inputs=[],
outputs=[save_gigachat_plus_btn]
).then(
fn=lambda adapted_message, personalized_message, comment, corrected_message, description, advantages,
non_personalized_prompt, non_personalized_message, personalization_prompt, gender, generation, psychotype,
business_stage, industry, legal_form, key_message, approach:
save_both(adapted_message, personalized_message, "Vikhr-Nemo-12B", comment, corrected_message, description,
advantages, non_personalized_prompt, non_personalized_message, personalization_prompt, gender,
generation, psychotype, business_stage, industry, legal_form, key_message, approach),
inputs=[
adapted_output_text_gigachat_plus,
personalized_output_text_gigachat_plus,
comment_gigachat_plus,
corrected_gigachat_plus,
description_input,
advantages_input,
prompt_display,
output_text_gigachat_plus,
personalization_prompt,
selections[0],
selections[1],
selections[2],
selections[3],
selections[4],
selections[5],
key_message_input,
approach_input
],
outputs=None
).then(
fn=update_button_text,
outputs=[save_gigachat_plus_btn]
).then(
fn=reset_button_text,
outputs=[save_gigachat_plus_btn]
)
save_gpt4o_btn.click(
fn=prepare_button_text,
inputs=[],
outputs=[save_gpt4o_btn]
).then(
fn=lambda adapted_message, personalized_message, comment, corrected_message, description, advantages,
non_personalized_prompt, non_personalized_message, personalization_prompt, gender, generation, psychotype,
business_stage, industry, legal_form, key_message, approach:
save_both(adapted_message, personalized_message, "GPT-4o", comment, corrected_message, description,
advantages, non_personalized_prompt, non_personalized_message, personalization_prompt, gender,
generation, psychotype, business_stage, industry, legal_form, key_message, approach),
inputs=[
adapted_output_text_gpt4o,
personalized_output_text_gpt4o,
comment_gpt4o,
corrected_gpt4o,
description_input,
advantages_input,
prompt_display,
output_text_gpt4o,
personalization_prompt,
selections[0],
selections[1],
selections[2],
selections[3],
selections[4],
selections[5],
key_message_input,
approach_input
],
outputs=None
).then(
fn=update_button_text,
outputs=[save_gpt4o_btn]
).then(
fn=reset_button_text,
outputs=[save_gpt4o_btn]
)
save_meta_llama_405b_btn.click(
fn=prepare_button_text,
inputs=[],
outputs=[save_meta_llama_405b_btn]
).then(
fn=lambda adapted_message, personalized_message, comment, corrected_message, description, advantages,
non_personalized_prompt, non_personalized_message, personalization_prompt, gender, generation, psychotype,
business_stage, industry, legal_form, key_message, approach:
save_both(adapted_message, personalized_message, "Meta-Llama-3.1-405B", comment, corrected_message, description,
advantages, non_personalized_prompt, non_personalized_message, personalization_prompt, gender,
generation, psychotype, business_stage, industry, legal_form, key_message, approach),
inputs=[
adapted_output_text_meta_llama_405b,
personalized_output_text_meta_llama_405b,
comment_meta_llama_405b,
corrected_meta_llama_405b,
description_input,
advantages_input,
prompt_display,
output_text_meta_llama_405b,
personalization_prompt,
selections[0],
selections[1],
selections[2],
selections[3],
selections[4],
selections[5],
key_message_input,
approach_input
],
outputs=None
).then(
fn=update_button_text,
outputs=[save_meta_llama_405b_btn]
).then(
fn=reset_button_text,
outputs=[save_meta_llama_405b_btn]
)
# Связываем кнопку с функцией
download_btn.click(
fn=update_download_link,
inputs=[],
outputs=[
download_link,
total_messages_display,
total_clean_messages_display,
model_pie_chart,
clean_model_pie_chart,
contributor_pie_chart,
date_message_chart,
cumulative_model_chart,
cumulative_clean_model_chart,
cumulative_author_chart,
character_count_chart,
sentence_count_chart
]
)
demo.launch()
|