Update app.py

app.py

@@ -46,6 +46,7 @@ def load_doc(list_file_path, chunk_size, chunk_overlap):
 # Função para criar o banco de dados vetorial
 def create_db(splits, collection_name):
     embedding = HuggingFaceEmbeddings()
+    # Usando PersistentClient para persistir o banco de dados
     new_client = chromadb.PersistentClient(path="./chroma_db")
     vectordb = Chroma.from_documents(
         documents=splits,
@@ -127,6 +128,8 @@ def create_collection_name(filepath):
         collection_name = 'A' + collection_name[1:]
     if not collection_name[-1].isalnum():
         collection_name = collection_name[:-1] + 'Z'
+    print('Caminho do arquivo: ', filepath)
+    print('Nome da coleção: ', collection_name)
     return collection_name
 
 # Função para inicializar o banco de dados
@@ -144,6 +147,7 @@ def initialize_database(list_file_obj, chunk_size, chunk_overlap, progress=gr.Pr
 # Função para inicializar o modelo LLM
 def initialize_LLM(llm_option, llm_temperature, max_tokens, top_k, vector_db, progress=gr.Progress()):
     llm_name = list_llm[llm_option]
+    print("Nome do LLM: ", llm_name)
     qa_chain = initialize_llmchain(llm_name, llm_temperature, max_tokens, top_k, vector_db, progress)
     return qa_chain, "Completo!"
 
@@ -181,7 +185,7 @@ def upload_file(file_obj):
     return list_file_path
 
 def demo():
-    with gr.Blocks() as demo:
+    with gr.Blocks(theme="base") as demo:
         vector_db = gr.State()
         qa_chain = gr.State()
         collection_name = gr.State()
@@ -190,29 +194,91 @@ def demo():
         """<center><h2>Chatbot baseado em PDF</center></h2>
         <h3>Faça qualquer pergunta sobre seus documentos PDF</h3>""")
         gr.Markdown(
-        """<b>Nota:</b> Este assistente de IA, utilizando Langchain e LLMs de código aberto, realiza geração aumentada por recuperação, usando as informações dos documentos PDF carregados.""")
-
-        with gr.Tab("Iniciar Chatbot"):
-            with gr.Column():
-                gr.Markdown("Por favor, faça upload de um ou mais arquivos PDF.")
-                file_upload = gr.File(label="Carregar PDFs", file_count="multiple", file_types=["pdf"])
-                chunk_size = gr.Slider(minimum=500, maximum=1500, step=100, label="Tamanho do Chunk", value=1000)
-                chunk_overlap = gr.Slider(minimum=0, maximum=500, step=10, label="Sobreposição do Chunk", value=100)
-                gr.Markdown("<center><h3>Escolha o modelo LLM desejado:</h3></center>")
-                llm_option = gr.Dropdown(choices=list_llm_simple, value=list_llm_simple[0])
-                gr.Markdown(
-                    """<center><h3>Escolha os parâmetros do LLM desejados:</h3></center>""")
-                llm_temperature = gr.Slider(minimum=0, maximum=1, step=0.01, label="Temperatura", value=0.7)
-                max_tokens = gr.Slider(minimum=100, maximum=500, step=10, label="Tokens Máximos", value=150)
-                top_k = gr.Slider(minimum=10, maximum=50, step=5, label="Top-K", value=40)
-
-                progress = gr.Progress()
-                progress.clear()
-                progress_progress = gr.Progress()
-                submit_button = gr.Button("Iniciar Chatbot")
-
-                submit_button.click(initialize_database, inputs=[file_upload, chunk_size, chunk_overlap], outputs=[vector_db, collection_name, progress])
-                submit_button.click(initialize_LLM, inputs=[llm_option, llm_temperature, max_tokens, top_k, vector_db], outputs=[qa_chain, progress])
-    return demo
-
-demo().launch()
+        """<b>Nota:</b> Este assistente de IA, utilizando Langchain e LLMs de código aberto, realiza geração aumentada por recuperação (RAG) a partir de seus documentos PDF. \
+        A interface do usuário mostra explicitamente várias etapas para ajudar a entender o fluxo de trabalho do RAG. 
+        Este chatbot leva em consideração perguntas anteriores ao gerar respostas (via memória conversacional), e inclui referências documentais para maior clareza.<br>
+        <br><b>Aviso:</b> Este espaço usa a CPU básica gratuita do Hugging Face. Algumas etapas e modelos LLM utilizados abaixo (pontos finais de inferência gratuitos) podem levar algum tempo para gerar uma resposta.
+        """)
+        
+        with gr.Tab("Etapa 1 - Carregar PDF"):
+            with gr.Row():
+                document = gr.Files(height=100, file_count="multiple", file_types=["pdf"], interactive=True, label="Carregue seus documentos PDF (único ou múltiplos)")
+                # upload_btn = gr.UploadButton("Carregando documento...", height=100, file_count="multiple", file_types=["pdf"], scale=1)
+        
+        with gr.Tab("Etapa 2 - Processar documento"):
+            with gr.Row():
+                db_btn = gr.Radio(["ChromaDB"], label="Tipo de banco de dados vetorial", value = "ChromaDB", type="index", info="Escolha o banco de dados vetorial")
+            with gr.Accordion("Opções avançadas - Divisor de texto do documento", open=False):
+                with gr.Row():
+                    slider_chunk_size = gr.Slider(minimum = 100, maximum = 1000, value=600, step=20, label="Tamanho do bloco", info="Tamanho do bloco", interactive=True)
+                with gr.Row():
+                    slider_chunk_overlap = gr.Slider(minimum = 10, maximum = 200, value=40, step=10, label="Sobreposição do bloco", info="Sobreposição do bloco", interactive=True)
+            with gr.Row():
+                db_progress = gr.Textbox(label="Inicialização do banco de dados vetorial", value="Nenhum")
+            with gr.Row():
+                db_btn = gr.Button("Gerar banco de dados vetorial")
+            
+        with gr.Tab("Etapa 3 - Inicializar cadeia de QA"):
+            with gr.Row():
+                llm_btn = gr.Radio(list_llm_simple, \
+                    label="Modelos LLM", value = list_llm_simple[0], type="index", info="Escolha seu modelo LLM")
+            with gr.Accordion("Opções avançadas - Modelo LLM", open=False):
+                with gr.Row():
+                    slider_temperature = gr.Slider(minimum = 0.01, maximum = 1.0, value=0.7, step=0.1, label="Temperatura", info="Temperatura do modelo", interactive=True)
+                with gr.Row():
+                    slider_maxtokens = gr.Slider(minimum = 224, maximum = 4096, value=1024, step=32, label="Máximo de Tokens", info="Máximo de tokens do modelo", interactive=True)
+                with gr.Row():
+                    slider_topk = gr.Slider(minimum = 1, maximum = 10, value=3, step=1, label="Amostras top-k", info="Amostras top-k do modelo", interactive=True)
+            with gr.Row():
+                llm_progress = gr.Textbox(value="Nenhum",label="Inicialização da cadeia QA")
+            with gr.Row():
+                qachain_btn = gr.Button("Inicializar cadeia de Pergunta e Resposta")
+
+        with gr.Tab("Etapa 4 - Chatbot"):
+            chatbot = gr.Chatbot(height=300)
+            with gr.Accordion("Avançado - Referências do documento", open=False):
+                with gr.Row():
+                    doc_source1 = gr.Textbox(label="Referência 1", lines=2, container=True, scale=20)
+                    source1_page = gr.Number(label="Página", scale=1)
+                with gr.Row():
+                    doc_source2 = gr.Textbox(label="Referência 2", lines=2, container=True, scale=20)
+                    source2_page = gr.Number(label="Página", scale=1)
+                with gr.Row():
+                    doc_source3 = gr.Textbox(label="Referência 3", lines=2, container=True, scale=20)
+                    source3_page = gr.Number(label="Página", scale=1)
+            with gr.Row():
+                msg = gr.Textbox(placeholder="Digite a mensagem (exemplo: 'Sobre o que é este documento?')", container=True)
+            with gr.Row():
+                submit_btn = gr.Button("Enviar mensagem")
+                clear_btn = gr.ClearButton([msg, chatbot], value="Limpar conversa")
+            
+        # Eventos de pré-processamento
+        #upload_btn.upload(upload_file, inputs=[upload_btn], outputs=[document])
+        db_btn.click(initialize_database, \
+            inputs=[document, slider_chunk_size, slider_chunk_overlap], \
+            outputs=[vector_db, collection_name, db_progress])
+        qachain_btn.click(initialize_LLM, \
+            inputs=[llm_btn, slider_temperature, slider_maxtokens, slider_topk, vector_db], \
+            outputs=[qa_chain, llm_progress]).then(lambda:[None,"",0,"",0,"",0], \
+            inputs=None, \
+            outputs=[chatbot, doc_source1, source1_page, doc_source2, source2_page, doc_source3, source3_page], \
+            queue=False)
+
+        # Eventos do Chatbot
+        msg.submit(conversation, \
+            inputs=[qa_chain, msg, chatbot], \
+            outputs=[qa_chain, msg, chatbot, doc_source1, source1_page, doc_source2, source2_page, doc_source3, source3_page], \
+            queue=False)
+        submit_btn.click(conversation, \
+            inputs=[qa_chain, msg, chatbot], \
+            outputs=[qa_chain, msg, chatbot, doc_source1, source1_page, doc_source2, source2_page, doc_source3, source3_page], \
+            queue=False)
+        clear_btn.click(lambda:[None,"",0,"",0,"",0], \
+            inputs=None, \
+            outputs=[chatbot, doc_source1, source1_page, doc_source2, source2_page, doc_source3, source3_page], \
+            queue=False)
+    demo.queue().launch(debug=True)
+
+
+if __name__ == "__main__":
+    demo()