Delete app.py

app.py

@@ -1,69 +0,0 @@
-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()