app.py

import os
import gradio as gr
from langchain_community.document_loaders import PyPDFLoader
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain_huggingface import HuggingFaceEmbeddings, HuggingFacePipeline
from langchain_community.vectorstores import FAISS
from langchain.chains import ConversationalRetrievalChain
from langchain.memory import ConversationBufferMemory
from transformers import pipeline

EMBEDDINGS_MODEL_NAME = "sentence-transformers/all-MiniLM-L6-v2"
LLM_MODEL_NAME = "google/flan-t5-small"

# **Dokumente laden und aufteilen**
def load_and_split_docs(list_file_path):
    if not list_file_path:
        return [], "Fehler: Keine Dokumente gefunden!"
    loaders = [PyPDFLoader(x) for x in list_file_path]
    documents = []
    for loader in loaders:
        documents.extend(loader.load())
    text_splitter = RecursiveCharacterTextSplitter(chunk_size=512, chunk_overlap=32)
    return text_splitter.split_documents(documents)

# **Vektor-Datenbank mit FAISS erstellen**
def create_db(docs):
    embeddings = HuggingFaceEmbeddings(model_name=EMBEDDINGS_MODEL_NAME)
    return FAISS.from_documents(docs, embeddings)

# **Datenbank initialisieren**
def initialize_database(list_file_obj):
    if not list_file_obj or all(x is None for x in list_file_obj):
        return None, "Fehler: Keine Dateien hochgeladen!"
    list_file_path = [x.name for x in list_file_obj if x is not None]
    doc_splits = load_and_split_docs(list_file_path)
    vector_db = create_db(doc_splits)
    print("Vektordatenbank erfolgreich erstellt!")
    return vector_db, "Datenbank erfolgreich erstellt!"

# **QA-Kette initialisieren (Wrapper)**
def initialize_llm_chain_wrapper(temperature, max_tokens, vector_db):
    if vector_db is None:
        print("Fehler: Vektordatenbank nicht vorhanden!")
        return None, "Fehler: Die Vektordatenbank wurde nicht erstellt! Bitte lade ein PDF hoch und klicke 'Erstelle Vektordatenbank'."
    
    try:
        print("Initialisiere QA-Chatbot...")
        qa_chain = initialize_llm_chain(temperature, max_tokens, vector_db)
        print("QA-Chatbot erfolgreich initialisiert!")
        return qa_chain, "QA-Chatbot ist bereit!"
    except Exception as e:
        print(f"Fehler bei der Initialisierung: {str(e)}")
        return None, f"Fehler bei der Initialisierung: {str(e)}"

# **LLM-Kette erstellen**
def initialize_llm_chain(temperature, max_tokens, vector_db):
    print("Lade Modellpipeline...")
    local_pipeline = pipeline(
        "text2text-generation",
        model=LLM_MODEL_NAME,
        max_length=max_tokens,
        temperature=temperature
    )
    print(f"Modell {LLM_MODEL_NAME} erfolgreich geladen.")
    llm = HuggingFacePipeline(pipeline=local_pipeline)
    memory = ConversationBufferMemory(memory_key="chat_history")
    retriever = vector_db.as_retriever()
    return ConversationalRetrievalChain.from_llm(
        llm,
        retriever=retriever,
        memory=memory,
        return_source_documents=True
    )

# **Konversation mit QA-Kette führen**
def conversation(qa_chain, message, history):
    if qa_chain is None:
        return None, [{"role": "system", "content": "Der QA-Chain wurde nicht initialisiert!"}], history
    if not message.strip():
        return qa_chain, [{"role": "system", "content": "Bitte eine Frage eingeben!"}], history
    try:
        print(f"Frage: {message}")
        history = history[-5:]  # Beschränke den Verlauf auf die letzten 5 Nachrichten
        response = qa_chain.invoke({"question": message, "chat_history": history})
        response_text = response["answer"]
        sources = [doc.metadata["source"] for doc in response["source_documents"]]
        sources_text = "\n".join(sources) if sources else "Keine Quellen verfügbar"
        
        # Strukturierte Rückgabe an `gr.Chatbot`
        formatted_response = history + [
            {"role": "user", "content": message},
            {"role": "assistant", "content": f"{response_text}\n\n**Quellen:**\n{sources_text}"}
        ]
        print("Antwort erfolgreich generiert.")
        return qa_chain, formatted_response, formatted_response
    except Exception as e:
        print(f"Fehler während der Konversation: {str(e)}")
        return qa_chain, [{"role": "system", "content": f"Fehler: {str(e)}"}], history

# **Gradio-Demo erstellen**
def demo():
    with gr.Blocks() as demo:
        vector_db = gr.State()  # Zustand für die Vektordatenbank
        qa_chain = gr.State()  # Zustand für den QA-Chain
        chat_history = gr.State([])  # Chatverlauf speichern

        gr.HTML("<center><h1>RAG Chatbot mit FAISS und lokalen Modellen</h1></center>")
        with gr.Row():
            with gr.Column():
                document = gr.Files(file_types=[".pdf"], label="PDF hochladen")
                db_btn = gr.Button("Erstelle Vektordatenbank")
                db_status = gr.Textbox(value="Status: Nicht initialisiert", show_label=False)
                slider_temperature = gr.Slider(0.01, 1.0, value=0.5, label="Temperature")
                slider_max_tokens = gr.Slider(64, 512, value=256, label="Max Tokens")
                qachain_btn = gr.Button("Initialisiere QA-Chatbot")

            with gr.Column():
                chatbot = gr.Chatbot(label="Chatbot", type='messages', height=400)
                msg = gr.Textbox(label="Deine Frage:", placeholder="Frage eingeben...")
                submit_btn = gr.Button("Absenden")

        db_btn.click(initialize_database, [document], [vector_db, db_status])
        qachain_btn.click(initialize_llm_chain_wrapper, [slider_temperature, slider_max_tokens, vector_db], [qa_chain, db_status])
        submit_btn.click(conversation, [qa_chain, msg, chat_history], [qa_chain, chatbot, chat_history])

    demo.launch(debug=True)

if __name__ == "__main__":
    demo()