Spaces:
Sleeping
Sleeping
File size: 2,579 Bytes
43fb58d |
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 |
import gradio as gr
from huggingface_hub import InferenceClient
from langchain.document_loaders import TextLoader
from langchain.indexes import VectorstoreIndexCreator
from langchain.embeddings import OpenAIEmbeddings
from langchain.vectorstores import FAISS
from langchain.chains import RetrievalQA
# Initialisiere den HuggingFace InferenceClient
client = InferenceClient("HuggingFaceH4/zephyr-7b-beta")
# Funktion, um die Dokumente zu laden und den Vektorstore zu erstellen
def create_vectorstore_from_file(file):
loader = TextLoader(file.name)
documents = loader.load()
# Erstelle den Vektorstore mit FAISS und OpenAI Embeddings
embeddings = OpenAIEmbeddings()
index_creator = VectorstoreIndexCreator(vectorstore_cls=FAISS)
index = index_creator.from_documents(documents, embeddings)
# Rückgabe des erstellten Index
return index
# Funktion, um basierend auf einem geladenen Dokument und einer Frage zu antworten
def respond_with_document(message, history, system_message, max_tokens, temperature, top_p, file):
# Lade das Dokument und erstelle den Vektorstore
index = create_vectorstore_from_file(file)
# Hole den Retriever aus dem Index
retriever = index.as_retriever()
# Definiere die QA-Kette mit dem Retriever
qa_chain = RetrievalQA.from_chain_type(
llm=client,
chain_type="stuff",
retriever=retriever,
verbose=True
)
# Erstelle eine Liste von Nachrichten für den Kontext
messages = [{"role": "system", "content": system_message}]
for val in history:
if val[0]:
messages.append({"role": "user", "content": val[0]})
if val[1]:
messages.append({"role": "assistant", "content": val[1]})
# Sende die Frage und bekomme die Antwort
response = qa_chain.run(message)
return response
# Gradio-Interface
demo = gr.Interface(
fn=respond_with_document,
inputs=[
gr.Textbox(label="User Message", placeholder="Ask a question"),
gr.File(label="Upload Document", type="file"), # Ermöglicht das Hochladen eines Dokuments
gr.Textbox(value="You are a helpful assistant.", label="System Message"),
gr.Slider(minimum=1, maximum=2048, value=512, step=1, label="Max Tokens"),
gr.Slider(minimum=0.1, maximum=4.0, value=0.7, step=0.1, label="Temperature"),
gr.Slider(minimum=0.1, maximum=1.0, value=0.95, step=0.05, label="Top-p (nucleus sampling)"),
],
outputs=gr.Textbox(label="Bot Response")
)
if __name__ == "__main__":
demo.launch()
|