from typing import TYPE_CHECKING, Any, Callable, Dict, List, Tuple, Type import logging import json import os from datetime import datetime import hashlib import csv import requests import re import html import markdown2 import torch import sys import gc from pygments.lexers import guess_lexer, ClassNotFound import time import json import operator from typing import Annotated, Sequence, TypedDict import pprint from transformers import pipeline, AutoModelForSeq2SeqLM, AutoTokenizer from sentence_transformers import SentenceTransformer, util from typing import List, Dict import gradio as gr from pypinyin import lazy_pinyin import tiktoken import mdtex2html from markdown import markdown from pygments import highlight from pygments.lexers import guess_lexer,get_lexer_by_name from pygments.formatters import HtmlFormatter from langchain.chains import LLMChain, RetrievalQA from langchain.prompts import PromptTemplate from langchain_community.document_loaders import PyPDFLoader, UnstructuredWordDocumentLoader, DirectoryLoader #from langchain.document_loaders.blob_loaders.youtube_audio import YoutubeAudioLoader #from langchain.document_loaders import GenericLoader from langchain.schema import AIMessage, HumanMessage, Document #from langchain_community.llms import HuggingFaceHub #from langchain_community.llms import HuggingFaceTextGenInference #from langchain_community.embeddings import HuggingFaceInstructEmbeddings, HuggingFaceEmbeddings, HuggingFaceBgeEmbeddings, HuggingFaceInferenceAPIEmbeddings from langchain_huggingface import HuggingFaceEmbeddings #from langchain_community.tools import DuckDuckGoSearchRun from typing import Dict, TypedDict from langchain_core.messages import BaseMessage from langchain.prompts import PromptTemplate from langchain_community.vectorstores import Chroma from langchain_core.messages import BaseMessage, FunctionMessage from langchain_core.output_parsers import StrOutputParser from langchain_core.pydantic_v1 import BaseModel, Field from langchain_core.runnables import RunnablePassthrough from langchain.text_splitter import RecursiveCharacterTextSplitter from chromadb.errors import InvalidDimensionException import fitz # PyMuPDF import docx from langchain.document_loaders import DirectoryLoader #import io #from PIL import Image, ImageDraw, ImageOps, ImageFont #import base64 #from tempfile import NamedTemporaryFile import nltk from nltk.corpus import stopwords from nltk.tokenize import word_tokenize from nltk.stem import WordNetLemmatizer, PorterStemmer from nltk.tokenize import RegexpTokenizer from transformers import BertModel, BertTokenizer from nltk.stem.snowball import SnowballStemmer from sklearn.feature_extraction.text import TfidfVectorizer from sklearn.metrics.pairwise import cosine_similarity import numpy as np #für die Normalisierung nltk.download('punkt') nltk.download('stopwords') german_stopwords = set(stopwords.words('german')) #Konstanten ANZAHL_DOCS = 5 ############################### #HF Authentifizierung HUGGINGFACEHUB_API_TOKEN = os.getenv("HF_READ") os.environ["HUGGINGFACEHUB_API_TOKEN"] = HUGGINGFACEHUB_API_TOKEN HEADERS = {"Authorization": f"Bearer {HUGGINGFACEHUB_API_TOKEN}"} # Hugging Face Token direkt im Code setzen hf_token = os.getenv("HF_READ") ################################################# #Gesetzte Werte für Pfade, Prompts und Keys.. ################################################# ################################################# #Prompt Zusätze template = """\Antworte in deutsch, wenn es nicht explizit anders gefordert wird. Wenn du die Antwort nicht kennst, antworte direkt, dass du es nicht weißt. Antworte nur zu dem mitgelieferten Text. Fasse die einzelnen Text-Ausschnitte zusammen zu einem Text, gehe dabei auf jeden Textausschnitt ein.""" llm_template = "Beantworte die Frage am Ende. " + template + "Frage: {question} " #nur für HF für Stichwotre bei chatverlauf llm_template2 = "Fasse folgenden Text als Überschrift mit maximal 3 Worten zusammen. Text: {question} " rag_template = "Nutze ausschließlich die folgenden Kontexte (Beginnend mit dem Wort 'Kontext:') aus Teilen aus den angehängten Dokumenten, um die Frage (Beginnend mit dem Wort 'Frage: ') am Ende zu beantworten. Wenn du die Frage aus dem folgenden Kontext nicht beantworten kannst, sage, dass du keine passende Antwort gefunden hast. Wenn du dich auf den angegebenen Kontext beziehst, gib unbedingt den Namen des Dokumentes an, auf den du dich beziehst. Antworte nur zu dem mitgelieferten Text. Fasse die einzelnen Text-Ausschnitte zusammen zu einem Text, gehe dabei auf jeden Textausschnitt ein. Formuliere wichtige Punkte ausführlich aus." + template + "Kontext: {context} Frage: {question}" ################################################# #Konstanten LLM_CHAIN_PROMPT = PromptTemplate(input_variables = ["question"], template = llm_template) #nur für HF bei chatverlauf LLM_CHAIN_PROMPT2 = PromptTemplate(input_variables = ["question"], template = llm_template2) RAG_CHAIN_PROMPT = PromptTemplate(input_variables = ["context", "question"], template = rag_template) ################################################ #Pfad, wo Docs/Bilder/Filme abgelegt werden können - lokal, also hier im HF Space (sonst auf eigenem Rechner) PATH_WORK = "." CHROMA_DIR = "/chroma/kkg" CHROMA_PDF = './chroma/kkg/pdf' CHROMA_WORD = './chroma/kkg/word' CHROMA_EXCEL = './chroma/kkg/excel' YOUTUBE_DIR = "/youtube" HISTORY_PFAD = "/data/history" ############################################### #URLs zu Dokumenten oder andere Inhalte, die einbezogen werden sollen PDF_URL = "https://arxiv.org/pdf/2303.08774.pdf" WEB_URL = "https://openai.com/research/gpt-4" YOUTUBE_URL_1 = "https://www.youtube.com/watch?v=--khbXchTeE" YOUTUBE_URL_2 = "https://www.youtube.com/watch?v=hdhZwyf24mE" #YOUTUBE_URL_3 = "https://www.youtube.com/watch?v=vw-KWfKwvTQ" #spezielle Webseiten als Datenbasis laden urls = [ "https://kkg.hamburg.de/unser-leitbild/" "https://kkg.hamburg.de/unsere-schulcharta/", "https://kkg.hamburg.de/koordination-unterrichtsentwicklung/", "https://kkg.hamburg.de/konzept-medien-und-it-am-kkg/", ] ################################################## #Modell und Tokenizer für die Anfrage der RAG Chain ################################################## # Schritt 1: Initialisiere den Sentence-Transformer und das Generierungsmodell embedder_modell = SentenceTransformer('all-MiniLM-L6-v2') HF_MODELL = "t5-small" modell_rag = AutoModelForSeq2SeqLM.from_pretrained(HF_MODELL) tokenizer_rag = AutoTokenizer.from_pretrained(HF_MODELL) ################################################## #Normalisierung eines Prompts ################################################## #Zur zeit nicht im Gebrauch............................. def normalise_prompt (prompt): #alles Kleinbuchstaben prompt_klein =prompt.lower() #Word Tokenisation tokens = word_tokenize(prompt_klein) #Punktuierung entfernen tokens = [word for word in tokens if word.isalnum()] # Stop Word Entfernung tokens = [word for word in tokens if not word in german_stopwords] # 5. Lemmatisierung: Worte in Grundform bringen, um Text besser vergleichen zu können nltk.download('wordnet') lemmatizer = WordNetLemmatizer() tokens = [lemmatizer.lemmatize(word) for word in tokens] # 6. Handling Special Characters (Remove non-alphanumeric characters) tokens = [re.sub(r'\W+', '', word) for word in tokens] # 7. Spell Check (optional, using a library like pyspellchecker) from spellchecker import SpellChecker spell = SpellChecker() tokens = [spell.correction(word) for word in tokens] # Join tokens back to sentence normalized_prompt = ' '.join(tokens) print("normaiserd prompt..................................") print(normalized_prompt) return normalized_prompt #um ähnliche Wörter anhand ihres Wortstammes zu erkennen # Funktion zur Stemmatisierung des Textes def preprocess_text(text): if not text: return "" text = text.lower() tokenizer = RegexpTokenizer(r'\w+') word_tokens = tokenizer.tokenize(text) filtered_words = [word for word in word_tokens if word not in german_stopwords] stemmer = SnowballStemmer("german") stemmed_words = [stemmer.stem(word) for word in filtered_words] return " ".join(stemmed_words) # Funktion zur Bereinigung des Textes aus den Pdfs und Word Dokuemtne, um den Tokenizer nicht zu überfordern def clean_text(text): # Entfernen nicht druckbarer Zeichen text = re.sub(r'[^\x00-\x7F]+', ' ', text) # Ersetzen ungewöhnlicher Leerzeichen durch normale Leerzeichen text = re.sub(r'\s+', ' ', text) return text.strip() ################################################## #RAG Hilfsfunktionen - Dokumenten bearbeiten für Vektorstore ################################################## ################################################## # Funktion, um für einen best. File-typ ein directory-loader zu definieren def create_directory_loaderBack(file_type, directory_path): #verscheidene Dokument loaders: loaders = { '.pdf': PyPDFLoader, '.word': UnstructuredWordDocumentLoader, } return DirectoryLoader( path=directory_path, glob=f"**/*{file_type}", loader_cls=loaders[file_type], ) #besseren directory Loader als CustomLoader definieren, der den inhalt des dokuemnts, die seitenzahlen, die überschriften und die pfadezu den dokumenten extrahieren def create_directory_loader(file_type, directory_path): loaders = { '.pdf': load_pdf_with_metadata, '.word': load_word_with_metadata, } class CustomLoader: def __init__(self, directory_path, file_type, loader_func): self.directory_path = directory_path self.file_type = file_type self.loader_func = loader_func def load(self): documents = [] for root, _, files in os.walk(self.directory_path): for file in files: if file.endswith(self.file_type): file_path = os.path.join(root, file) documents.extend(self.loader_func(file_path)) return documents return CustomLoader(directory_path, file_type, loaders[file_type]) ################################################ # Custom Loader-Funktionen zu dem DirektoryLoader # Custom loader functions def load_pdf_with_metadata(file_path): document = fitz.open(file_path) documents = [] for page_num in range(len(document)): page = document.load_page(page_num) content = page.get_text("text") title = document.metadata.get("title", "Unbekannt") page_number = page_num + 1 documents.append(Document(content=content, title=title, page=page_number, path=file_path)) return documents def load_word_with_metadata(file_path): document = docx.Document(file_path) title = "Dokument" path = file_path documents = [] for para in document.paragraphs: content = para.text page_number = 1 # Word-Dokumente haben keine Seitenzahlen in diesem Kontext documents.append(Document(content=content, title=title, page=page_number, path=path)) return documents ################################################ #die Inhalte splitten, um in Vektordatenbank entsprechend zu laden als Splits def document_loading_splitting(): ############################## # Document loading docs = [] # kreiere einen DirectoryLoader für jeden file type pdf_loader = create_directory_loader('.pdf', CHROMA_PDF) word_loader = create_directory_loader('.word', CHROMA_WORD) print("PDF Loader done............................") # Load the files pdf_documents = pdf_loader.load() word_documents = word_loader.load() #alle zusammen in docs... docs.extend(pdf_documents) docs.extend(word_documents) #andere loader... # Load PDF #loader = PyPDFLoader(PDF_URL) #docs.extend(loader.load()) # Load Web #loader = WebBaseLoader(WEB_URL) #docs.extend(loader.load()) # Load YouTube #loader = GenericLoader(YoutubeAudioLoader([YOUTUBE_URL_1,YOUTUBE_URL_2], PATH_WORK + YOUTUBE_DIR), OpenAIWhisperParser()) #docs.extend(loader.load()) ################################ # Document splitting text_splitter = RecursiveCharacterTextSplitter(chunk_overlap = 150, chunk_size = 1500) splits = text_splitter.split_documents(docs) return splits ########################################### #Chroma DB die splits ablegen - vektorisiert... def document_storage_chroma(splits): # Embedding-Funktion definieren embedding_fn = HuggingFaceEmbeddings(model_name="sentence-transformers/all-mpnet-base-v2", model_kwargs={"device": "cpu"}, encode_kwargs={'normalize_embeddings': False}) # Vectorstore initialisieren und Dokumente hinzufügen vectorstore = Chroma.from_documents(documents=splits, embedding=embedding_fn, persist_directory = PATH_WORK + CHROMA_DIR) retriever = vectorstore.as_retriever(search_kwargs = {"k": ANZAHL_DOCS}) # Persist the vectorstore to disk vectorstore.persist() return vectorstore, retriever ############################################ #dokumente in chroma db vektorisiert ablegen können - die Db vorbereiten daüfur def document_retrieval_chroma(llm, prompt): #HF embeddings ----------------------------------- #Alternative Embedding - für Vektorstore, um Ähnlichkeitsvektoren zu erzeugen - die ...InstructEmbedding ist sehr rechenaufwendig #embeddings = HuggingFaceInstructEmbeddings(model_name="sentence-transformers/all-MiniLM-L6-v2", model_kwargs={"device": "cpu"}) #etwas weniger rechenaufwendig: embeddings = HuggingFaceEmbeddings(model_name="sentence-transformers/all-mpnet-base-v2", model_kwargs={"device": "cpu"}, encode_kwargs={'normalize_embeddings': False}) #ChromaDb um die embedings zu speichern db = Chroma(embedding_function = embeddings, persist_directory = PATH_WORK + CHROMA_DIR) return db ############################################### #Langchain anlegen für RAG Chaining ############################################### #langchain nutzen, um prompt an LLM zu leiten - llm und prompt sind austauschbar def llm_chain(llm, prompt): llm_chain = LLMChain(llm = llm, prompt = LLM_CHAIN_PROMPT) result = llm_chain.run({"question": prompt}) return result """ #nur für HF-um bei chatverlauf kurzbeschreibung zu erzeugen def llm_chain2(llm, prompt): llm_chain = LLMChain(llm = llm, prompt = LLM_CHAIN_PROMPT2) result = llm_chain.run({"question": prompt}) return result """ ############################################# #langchain nutzen, um prompt an llm zu leiten, aber vorher in der VektorDB suchen, um passende splits zum Prompt hinzuzufügen def rag_chain(llm, prompt, retriever): #Langgraph nutzen für ein wenig mehr Intelligenz beim Dokumente suchen relevant_docs=[] most_relevant_docs=[] relevant_docs = retriever.get_relevant_documents(prompt) extracted_docs = extract_document_info(relevant_docs) if (len(extracted_docs)>0): #llm_chain = LLMChain(llm = llm, prompt = RAG_CHAIN_PROMPT) #result = llm_chain.run({"context": relevant_docs, "question": prompt}) # Erstelle ein PromptTemplate mit Platzhaltern für Kontext und Frage #RAG_CHAIN_PROMPT = PromptTemplate(template="Context: {context}\n\nQuestion: {question}\n\nAnswer:") # Inahlte Abrufen der relevanten Dokumente doc_contents = [doc["content"] for doc in extracted_docs] #Berechne die Ähnlichkeiten und finde das relevanteste Dokument question_embedding = embedder_modell.encode(prompt, convert_to_tensor=True) doc_embeddings = embedder_modell.encode(doc_contents, convert_to_tensor=True) similarity_scores = util.pytorch_cos_sim(question_embedding, doc_embeddings) most_relevant_doc_indices = similarity_scores.argsort(descending=True).squeeze().tolist() #Erstelle eine Liste der relevantesten Dokumente most_relevant_docs = [extracted_docs[i] for i in most_relevant_doc_indices] #Kombiniere die Inhalte aller relevanten Dokumente combined_content = " ".join([doc["content"] for doc in most_relevant_docs]) #Formuliere die Eingabe für das Generierungsmodell input_text = f"frage: {prompt} kontext: {combined_content}" """ inputs = tokenizer_rag(input_text, return_tensors="pt", max_length=1024, truncation=True) #Generiere die Antwort outputs = modell_rag.generate(inputs['input_ids'], max_length=150, num_beams=2, early_stopping=True) answer = tokenizer_rag.decode(outputs[0], skip_special_tokens=True) """ #Alternative, wenn llm direkt übergeben.................................... #llm_chain = LLMChain(llm = llm, prompt = RAG_CHAIN_PROMPT) #answer = llm_chain.run({"context": combined_content, "question": prompt}) #Alternative, wenn mit API_URL ........................................... answer = query(llm, {"inputs": input_text,}) # Erstelle das Ergebnis-Dictionary result = { "answer": answer, "relevant_docs": most_relevant_docs } else: # keine relevanten Dokumente gefunden result = { "answer": "Keine relevanten Dokumente gefunden", "relevant_docs": most_relevant_docs } return result def query(api_llm, payload): response = requests.post(api_llm, headers=HEADERS, json=payload) return response.json() def extract_document_info(documents): extracted_info = [] for doc in documents: info = { 'content': doc.page_content, 'metadata': doc.metadata, 'titel': doc.metadata.get("title", "Keine Überschrift"), 'seite': doc.metadata.get("page", "Unbekannte Seite"), 'pfad': doc.metadata.get("path", "Kein Pfad verfügbar") } extracted_info.append(info) return extracted_info ################################################### #Prompts mit History erzeugen für verschiednee Modelle ################################################### #Funktion, die einen Prompt mit der history zusammen erzeugt - allgemein def generate_prompt_with_history(text, history, max_length=4048): #prompt = "The following is a conversation between a human and an AI assistant named Baize (named after a mythical creature in Chinese folklore). Baize is an open-source AI assistant developed by UCSD and Sun Yat-Sen University. The human and the AI assistant take turns chatting. Human statements start with [|Human|] and AI assistant statements start with [|AI|]. The AI assistant always provides responses in as much detail as possible, and in Markdown format. The AI assistant always declines to engage with topics, questions and instructions related to unethical, controversial, or sensitive issues. Complete the transcript in exactly that format.\n[|Human|]Hello!\n[|AI|]Hi!" #prompt = "Das folgende ist eine Unterhaltung in deutsch zwischen einem Menschen und einem KI-Assistenten, der Baize genannt wird. Baize ist ein open-source KI-Assistent, der von UCSD entwickelt wurde. Der Mensch und der KI-Assistent chatten abwechselnd miteinander in deutsch. Die Antworten des KI Assistenten sind immer so ausführlich wie möglich und in Markdown Schreibweise und in deutscher Sprache. Wenn nötig übersetzt er sie ins Deutsche. Die Antworten des KI-Assistenten vermeiden Themen und Antworten zu unethischen, kontroversen oder sensiblen Themen. Die Antworten sind immer sehr höflich formuliert..\n[|Human|]Hallo!\n[|AI|]Hi!" prompt="" history = ["\n{}\n{}".format(x[0],x[1]) for x in history] history.append("\n{}\n".format(text)) history_text = "" flag = False for x in history[::-1]: history_text = x + history_text flag = True if flag: return prompt+history_text else: return None ############################################# #Prompt und History für Hugging Face Schnittstelle def generate_prompt_with_history_hf(prompt, history): history_transformer_format = history + [[prompt, ""]] #stop = StopOnTokens() messages = "".join(["".join(["\n:"+item[0], "\n:"+item[1]]) #curr_system_message + for item in history_transformer_format]) ########################################## #Hashing.... Für die Validierung........ # Funktion zum Hashen des Eingabewerts def hash_input(input_string): return hashlib.sha256(input_string.encode()).hexdigest() ######################################## #zur Zeit nicht im Gebrauch def transfer_input(inputs): textbox = reset_textbox() return ( inputs, gr.update(value=""), gr.Button.update(visible=True), ) ################################################# #Klasse mit zuständen - z.B. für interrupt wenn Stop gedrückt... ################################################# class State: interrupted = False def interrupt(self): self.interrupted = True def recover(self): self.interrupted = False shared_state = State() #Für die relevanten Dokumente - damit sie passend zum Dictionary die Attribute haben class Document: def __init__(self, content, title, page, path): self.page_content = content self.metadata = { "title": title, "page": page, "path": path } def is_stop_word_or_prefix(s: str, stop_words: list) -> bool: for stop_word in stop_words: if s.endswith(stop_word): return True for i in range(1, len(stop_word)): if s.endswith(stop_word[:i]): return True return False