Rename app1.py to app.py

app1.py → app.py

@@ -1,114 +1,83 @@
-import os
 import streamlit as st
 from llama_index.core import VectorStoreIndex, SimpleDirectoryReader, Settings
 from llama_index.embeddings.huggingface import HuggingFaceEmbedding
 from llama_index.legacy.callbacks import CallbackManager
 from llama_index.llms.openai_like import OpenAILike
+
 # Create an instance of CallbackManager
 callback_manager = CallbackManager()
-from configparser import ConfigParser
-# 通过Spaces的secret传入
-api_key = os.environ.get('eyJ0eXBlIjoiSldUIiwiYWxnIjoiSFM1MTIifQ.eyJqdGkiOiI2NDIwNTAxNCIsInJvbCI6IlJPTEVfUkVHSVNURVIiLCJpc3MiOiJPcGVuWExhYiIsImlhdCI6MTczMTA2MTMzNywiY2xpZW50SWQiOiJlYm1ydm9kNnlvMG5semFlazF5cCIsInBob25lIjoiMTgzMDE5ODY2MDkiLCJ1dWlkIjoiZjA0ZGY1NDYtNjhkMC00ODVmLTgwYmYtMTc1NWZiNmZkOTBkIiwiZW1haWwiOiIiLCJleHAiOjE3NDY2MTMzMzd9.0huDT4TdNsHfpD6PUFQnYR7XztRKIM0uvka7ZWIS5beEaNDXD4vd8btv_rv-hdLSCu_H4MDMDrauzR5bnPow0Q')
-# 下载模型
-os.system('git lfs install')
-os.system('git clone https://www.modelscope.cn/Ceceliachenen/paraphrase-multilingual-MiniLM-L12-v2.git')
+
 api_base_url =  "https://internlm-chat.intern-ai.org.cn/puyu/api/v1/"
 model = "internlm2.5-latest"
+api_key = "eyJ0eXBlIjoiSldUIiwiYWxnIjoiSFM1MTIifQ.eyJqdGkiOiI2NDIwNTAxNCIsInJvbCI6IlJPTEVfUkVHSVNURVIiLCJpc3MiOiJPcGVuWExhYiIsImlhdCI6MTczMTA2MTMzNywiY2xpZW50SWQiOiJlYm1ydm9kNnlvMG5semFlazF5cCIsInBob25lIjoiMTgzMDE5ODY2MDkiLCJ1dWlkIjoiZjA0ZGY1NDYtNjhkMC00ODVmLTgwYmYtMTc1NWZiNmZkOTBkIiwiZW1haWwiOiIiLCJleHAiOjE3NDY2MTMzMzd9.0huDT4TdNsHfpD6PUFQnYR7XztRKIM0uvka7ZWIS5beEaNDXD4vd8btv_rv-hdLSCu_H4MDMDrauzR5bnPow0Q"
+
+# api_base_url =  "https://api.siliconflow.cn/v1"
+# model = "internlm/internlm2_5-7b-chat"
+# api_key = "请填写 API Key"
+
 llm =OpenAILike(model=model, api_base=api_base_url, api_key=api_key, is_chat_model=True,callback_manager=callback_manager)
-# 设置页面配置，包括页面标题和图标，以提供更丰富的用户体验
-st.set_page_config(page_title="由llama_index构建的RAG应用demo", page_icon="  ")
-# 显示页面标题，让用户了解当前页面的功能或主题
+
+
+
+st.set_page_config(page_title="llama_index_demo", page_icon="🦜🔗")
 st.title("llama_index_demo")
+
 # 初始化模型
 @st.cache_resource
 def init_models():
-    """
-    初始化并缓存模型。
-    本函数通过加载预训练的嵌入模型和语言模型来初始化设置，并构建查询引擎。
-    使用缓存装饰器是为了提高效率，避免重复初始化模型。
-    返回:
-        query_engine: 用于查询的引擎。
-    """
-    # 初始化嵌入模型
     embed_model = HuggingFaceEmbedding(
-        model_name="./paraphrase-multilingual-MiniLM-L12-v2"
+        model_name="model"
     )
     Settings.embed_model = embed_model
-    # 初始化语言模型
+
+    #用初始化llm
     Settings.llm = llm
-    # 加载文档并构建向量索引
-    documents = SimpleDirectoryReader("./data").load_data()
+
+    documents = SimpleDirectoryReader("data").load_data()
     index = VectorStoreIndex.from_documents(documents)
     query_engine = index.as_query_engine()
+
     return query_engine
+
 # 检查是否需要初始化模型
 if 'query_engine' not in st.session_state:
     st.session_state['query_engine'] = init_models()
+
 def greet2(question):
-    """
-    使用预设的question参数调用session_state中的query_engine来生成响应。
-    参数:
-    question (str): 一个字符串，代表用户的问题或查询。
-    返回:
-    response: query_engine对question的响应结果，类型依据具体实现而定。
-    """
-    # 从session_state字典中获取名为'query_engine'的引擎，并使用它来查询问题
     response = st.session_state['query_engine'].query(question)
-    # 返回查询得到的响应结果
     return response
-# 检查会话状态中是否存在 'messages' 键，如果不存在则初始化
-# 初始化时，设置一个默认的助手消息，用于首次与用户交互
+
+      
+# Store LLM generated responses
 if "messages" not in st.session_state.keys():
-    st.session_state.messages = [{"role": "assistant", "content": "你好，我是你的助手，有什么我可以帮助你的吗？"}]
-# 遍历当前会话状态中的所有消息
+    st.session_state.messages = [{"role": "assistant", "content": "你好，我是你的助手，有什么我可以帮助你的吗？"}]    
+
+    # Display or clear chat messages
 for message in st.session_state.messages:
-    # 根据消息的角色类型创建聊天消息框
     with st.chat_message(message["role"]):
-        # 在消息框中写入消息内容
         st.write(message["content"])
+
 def clear_chat_history():
-    """
-    清除聊天记录并重置会话状态。
-    此函数将当前会话状态的消息清空，仅保留一条表示助手问候的初始消息。
-    这有助于为用户提供一个新的开始，并确保聊天记录不会变得过于冗长。
-    """
     st.session_state.messages = [{"role": "assistant", "content": "你好，我是你的助手，有什么我可以帮助你的吗？"}]
-# 在侧边栏添加一个'Clear Chat History'按钮，点击时调用clear_chat_history函数来清除聊天记录
-st.sidebar.button('清空聊天历史', on_click=clear_chat_history)
+
+st.sidebar.button('Clear Chat History', on_click=clear_chat_history)
+
+# Function for generating LLaMA2 response
 def generate_llama_index_response(prompt_input):
-    """
-    根据输入的提示生成基于llama索引的响应。
-    此函数的作用是通过特定的提示输入，生成一个相应的响应。它调用了另一个函数greet2，
-    以完成响应的生成过程。这种封装方式允许在greet2函数中实现复杂的处理逻辑，
-    同时对外提供一个简单的接口。
-    参数:
-    prompt_input (str): 用于生成响应的输入提示。
-    返回:
-    str: 由greet2函数生成的响应。
-    """
     return greet2(prompt_input)
+
 # User-provided prompt
-# 如果用户通过聊天输入提供了信息，则执行以下操作
 if prompt := st.chat_input():
-    # 将用户的聊天信息添加到会话状态的消息列表中
     st.session_state.messages.append({"role": "user", "content": prompt})
-    # 在聊天界面的用户消息区域显示用户输入的内容
     with st.chat_message("user"):
         st.write(prompt)
+
 # Gegenerate_llama_index_response last message is not from assistant
-# 检查最近的一条消息是否不是由助手发送的
 if st.session_state.messages[-1]["role"] != "assistant":
-    # 在助手的聊天消息框中
     with st.chat_message("assistant"):
-        # 显示“Thinking...”动画，表示正在处理请求
         with st.spinner("Thinking..."):
-            # 生成响应
             response = generate_llama_index_response(prompt)
-            # 创建一个占位符，用于显示响应内容
             placeholder = st.empty()
-            # 在占位符中显示响应内容
             placeholder.markdown(response)
-    # 创建一个新的消息对象，表示助手的响应
     message = {"role": "assistant", "content": response}
-    # 将助手的响应消息添加到会话状态的消息列表中
-st.session_state.messages.append(message)
+    st.session_state.messages.append(message)