Update app.py

app.py

@@ -16,85 +16,112 @@ def verify_environment():
         if not find_spec(package):
             raise ModuleNotFoundError(f"缺失关键依赖: {package}")
 
+    # 检查环境变量
+    if "HF_TOKEN" not in os.environ:
+        print("警告: 未设置HF_TOKEN环境变量，模型调用可能会失败")
+        
     # 打印版本信息
     try:
         from importlib.metadata import version
         print(f"Tenacity 版本: {version('tenacity')}")
+        print(f"Gradio 版本: {version('gradio')}")
     except ImportError:
         from pkg_resources import get_distribution
         print(f"Tenacity 版本: {get_distribution('tenacity').version}")
+        print(f"Gradio 版本: {get_distribution('gradio').version}")
 
 if __name__ == "__main__":
     verify_environment()
-    # 原有应用代码...
-
-# 修改模型调用代码添加详细日志
-def model_pipeline(input_text):
-    try:
-        print(f"\n--- 推理开始 ---\n输入: {input_text}")
-        
-        # 模型加载验证
-        if not hasattr(model, "generate"):
-            raise AttributeError("模型未正确加载")
-            
-        # 输入预处理
-        inputs = tokenizer(input_text, return_tensors="pt")
-        print(f"输入张量形状: {inputs['input_ids'].shape}")
-        
-        # 推理执行
-        outputs = model.generate(**inputs, max_new_tokens=50)
-        print(f"输出张量形状: {outputs.shape}")
-        
-        # 结果解码
-        decoded = tokenizer.decode(outputs[0], skip_special_tokens=True)
-        print(f"解码结果: {decoded[:100]}...")
-        
-        return decoded
-    except Exception as e:
-        print(f"\n!!! 推理错误 !!!\n类型: {type(e)}\n内容: {str(e)}\n")
-        return "[内部错误]"
-
-
 
 # 使用 Hugging Face Inference API 调用云端模型（无需本地加载）
-# 正确方法1：从环境变量读取
 import os
-client = InferenceClient(token=os.environ["HF_TOKEN"])
-
-def medical_chat(user_input, history):
-    # 构建医学对话 prompt
-    prompt = f"患者：{user_input}\n医生："
-    
-    # 调用云端模型（示例使用微软BioGPT）
 from tenacity import retry, stop_after_attempt, wait_exponential
 
+# 安全地获取token，如果不存在则使用空字符串
+hf_token = os.environ.get("HF_TOKEN", "")
+client = InferenceClient(token=hf_token)
+
 @retry(stop=stop_after_attempt(3), wait=wait_exponential(multiplier=1, min=2, max=10))
 def safe_model_call(prompt):
-    return client.text_generation(
-        prompt=prompt,
-        model="microsoft/BioGPT-Large",
-        max_new_tokens=150
-    )
-    # response = client.text_generation(
-    #     prompt=prompt,
-    #     model="microsoft/BioGPT-Large",
-    #     max_new_tokens=150,
-    #     temperature=0.7,
-    #     repetition_penalty=1.2
-    # )
-    
-    # 提取医生回复部分
-    doctor_response = response.split("医生：")[-1].strip()
-    
-    # 添加安全过滤
-    if "死亡" in doctor_response or "癌症" in doctor_response:
-        return "⚠️ 请及时联系线下医疗机构进行专业诊断！"
+    try:
+        return client.text_generation(
+            prompt=prompt,
+            model="microsoft/BioGPT-Large",
+            max_new_tokens=150,
+            temperature=0.7,
+            repetition_penalty=1.2
+        )
+    except Exception as e:
+        print(f"模型调用失败: {str(e)}")
+        raise
+
+def medical_chat(user_input, history):
+    # 构建医学对话 prompt
+    prompt = f"患者：{user_input}\n医生："
     
-    return doctor_response
+    try:
+        # 调用云端模型
+        print(f"发送到模型的提示: {prompt}")
+        response = safe_model_call(prompt)
+        print(f"模型原始响应: {response}")
+        
+        # 检查响应是否为空
+        if not response:
+            print("模型返回空响应")
+            return "系统错误: 模型返回空响应"
+            
+        # 检查响应类型并适当处理
+        if isinstance(response, str):
+            # 如果响应是字符串，直接处理
+            doctor_response = response
+        else:
+            # 如果响应是其他类型的对象，尝试获取文本内容
+            # 这取决于InferenceClient的返回类型
+            print(f"响应类型: {type(response)}")
+            try:
+                # 尝试不同的属性或方法来获取文本
+                if hasattr(response, 'generated_text'):
+                    doctor_response = response.generated_text
+                elif hasattr(response, 'text'):
+                    doctor_response = response.text
+                else:
+                    # 尝试将响应转换为字符串
+                    doctor_response = str(response)
+            except Exception as e:
+                print(f"处理响应时出错: {str(e)}")
+                return f"系统错误: 无法处理模型响应 - {str(e)}"
+        
+        print(f"处理后的响应: {doctor_response}")
+        
+        # 如果响应中没有"医生："，则直接返回整���响应
+        if "医生：" not in doctor_response:
+            # 添加安全过滤
+            if "死亡" in doctor_response or "癌症" in doctor_response:
+                return "⚠️ 请及时联系线下医疗机构进行专业诊断！"
+            return doctor_response
+            
+        # 提取医生回复部分
+        doctor_response = doctor_response.split("医生：")[-1].strip()
+        
+        # 添加安全过滤
+        if "死亡" in doctor_response or "癌症" in doctor_response:
+            return "⚠️ 请及时联系线下医疗机构进行专业诊断！"
+        
+        return doctor_response
+    except Exception as e:
+        print(f"调用模型时出错: {str(e)}")
+        return f"系统错误: {str(e)}"
 
 # 构建 Gradio 界面
 with gr.Blocks(theme=gr.themes.Soft()) as demo:
     gr.Markdown("# 🏥 在线医疗问诊系统 (AI版)")
+    gr.Markdown("### 系统状态:")
+    
+    # 显示系统状态
+    hf_token_status = "✅ 已设置" if "HF_TOKEN" in os.environ else "❌ 未设置"
+    gr.Markdown(f"- HF_TOKEN: {hf_token_status}")
+    gr.Markdown(f"- HF_ENDPOINT: {os.environ.get('HF_ENDPOINT', '默认')}")
+    
     gr.ChatInterface(
         fn=medical_chat,
         examples=["头痛三天了怎么办？", "接种疫苗后发烧正常吗？"],
@@ -102,7 +129,8 @@ with gr.Blocks(theme=gr.themes.Soft()) as demo:
     )
 
 # 启动应用（Hugging Face Spaces 会自动处理）
-demo.launch(debug=False)
+print("启动应用...")
+demo.launch(debug=True)  # 启用调试模式以获取更多错误信息