Upload folder using huggingface_hub

README.md

@@ -1,6 +1,6 @@
 ---
 title: nk-test
-app_file: app2.py
+app_file: app.py
 sdk: gradio
 sdk_version: 3.39.0
 ---

app.py

@@ -1,15 +1,23 @@
+# En variant av gamla app.py där jag inte bygger om indexed varje gång utan använder det som redan är byggt.
+# För tillfället tror jag indexet är Nordiska Kliniken.
+
 from llama_index import GPTVectorStoreIndex, SimpleDirectoryReader, LLMPredictor, ServiceContext, StorageContext, load_index_from_storage
 from langchain import OpenAI
 from langchain.prompts import ChatMessagePromptTemplate
 import gradio
 import os
+import openai
+
 
-os.environ["OPENAI_API_KEY"] = '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'
+api_key = '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'
+os.environ["OPENAI_API_KEY"] = api_key
 
 def construct_index(directory_path):
     # set number of output tokens
     num_outputs = 256
 
+    system_prompt = "Du är chattboten Nora som arbetar för Nordiska Kliniken. Du ska vara hjälpsam och svara på användares frågor om Nordiska Kliniken och dess tjänster. Var alltid otroligt trevlig mot användaren. Börja ditt första meddelande till användaren med att hälsa välkommen till Nordiska Kliniken."
+
     _llm_predictor = LLMPredictor(llm=OpenAI(temperature=0.5, model_name="gpt-3.5-turbo", max_tokens=num_outputs))
 
     service_context = ServiceContext.from_defaults(llm_predictor=_llm_predictor)
@@ -45,7 +53,7 @@ iface = gradio.Interface(fn=chatbot,
 
 #Constructing indexes based on the documents in traininData folder
 #This can be skipped if you have already trained your app and need to re-run it
-index = construct_index("trainingData")
+#index = construct_index("trainingData")
 
 #launching the web UI using gradio
 iface.launch(share=True)