Spaces:
Running
Running
leandroaraujodev
commited on
Commit
•
3fbbebb
1
Parent(s):
fa05654
Update app.py
Browse files
app.py
CHANGED
@@ -1,6 +1,16 @@
|
|
|
|
|
|
1 |
import os
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2 |
import streamlit as st
|
3 |
-
|
|
|
4 |
from llama_index.core.storage.docstore import SimpleDocumentStore
|
5 |
from llama_index.llms.ollama import Ollama
|
6 |
from llama_index.embeddings.ollama import OllamaEmbedding
|
@@ -13,29 +23,16 @@ from llama_index.core.chat_engine import CondensePlusContextChatEngine
|
|
13 |
from llama_index.retrievers.bm25 import BM25Retriever
|
14 |
from llama_index.core.retrievers import QueryFusionRetriever
|
15 |
from llama_index.vector_stores.chroma import ChromaVectorStore
|
16 |
-
import
|
17 |
-
import nest_asyncio
|
18 |
-
|
19 |
-
import os
|
20 |
-
from llama_index.core import VectorStoreIndex, SimpleDirectoryReader
|
21 |
from llama_index.llms.huggingface import HuggingFaceLLM
|
22 |
from llama_index.llms.huggingface_api import HuggingFaceInferenceAPI
|
23 |
-
from llama_index.core import Settings
|
24 |
-
from typing import List, Optional
|
25 |
-
from llama_index.core import PromptTemplate
|
26 |
-
import torch
|
27 |
from llama_index.embeddings.huggingface import HuggingFaceEmbedding
|
28 |
-
|
29 |
-
|
30 |
-
import logging
|
31 |
-
import sys
|
32 |
-
from PIL import Image
|
33 |
-
|
34 |
#Configuração da imagem da aba
|
35 |
-
|
36 |
im = Image.open("pngegg.png")
|
37 |
st.set_page_config(page_title = "Chatbot Carômetro", page_icon=im, layout = "wide")
|
38 |
-
|
39 |
#Removido loop e adicionado os.makedirs
|
40 |
os.makedirs("bm25_retriever", exist_ok=True)
|
41 |
os.makedirs("chat_store", exist_ok=True)
|
@@ -43,18 +40,19 @@ os.makedirs("chroma_db", exist_ok=True)
|
|
43 |
os.makedirs("documentos", exist_ok=True)
|
44 |
os.makedirs("curadoria", exist_ok=True)
|
45 |
os.makedirs("chroma_db_curadoria", exist_ok=True)
|
46 |
-
|
47 |
# Configuração do Streamlit
|
48 |
st.sidebar.title("Configuração de LLM")
|
49 |
sidebar_option = st.sidebar.radio("Selecione o LLM", ["gpt-3.5-turbo", "NuExtract-1.5"])
|
|
|
50 |
# logo_url = 'app\logos\logo-sicoob.jpg'
|
51 |
# st.sidebar.image(logo_url)
|
52 |
import base64
|
53 |
-
|
54 |
#Configuração da imagem da sidebar
|
55 |
with open("sicoob-logo.png", "rb") as f:
|
56 |
data = base64.b64encode(f.read()).decode("utf-8")
|
57 |
-
|
58 |
st.sidebar.markdown(
|
59 |
f"""
|
60 |
<div style="display:table;margin-top:-80%;margin-left:0%;">
|
@@ -63,8 +61,7 @@ with open("sicoob-logo.png", "rb") as f:
|
|
63 |
""",
|
64 |
unsafe_allow_html=True,
|
65 |
)
|
66 |
-
|
67 |
-
|
68 |
#if sidebar_option == "Ollama":
|
69 |
# Settings.llm = Ollama(model="llama3.2:latest", request_timeout=500.0, num_gpu=1)
|
70 |
# Settings.embed_model = OllamaEmbedding(model_name="nomic-embed-text:latest")
|
@@ -74,16 +71,15 @@ if sidebar_option == "gpt-3.5-turbo":
|
|
74 |
Settings.llm = OpenAI(model="gpt-3.5-turbo")
|
75 |
Settings.embed_model = OpenAIEmbedding(model_name="text-embedding-ada-002")
|
76 |
elif sidebar_option == 'NuExtract-1.5':
|
77 |
-
|
78 |
logging.basicConfig(stream=sys.stdout, level=logging.INFO)
|
79 |
logging.getLogger().addHandler(logging.StreamHandler(stream=sys.stdout))
|
80 |
-
|
81 |
#Embedding do huggingface
|
82 |
Settings.embed_model = HuggingFaceEmbedding(
|
83 |
-
|
84 |
)
|
85 |
#Carregamento do modelo local, descomentar o modelo desejado
|
86 |
-
|
87 |
llm = HuggingFaceLLM(
|
88 |
context_window=2048,
|
89 |
max_new_tokens=2048,
|
@@ -96,7 +92,6 @@ elif sidebar_option == 'NuExtract-1.5':
|
|
96 |
# model_name="meta-llama/Meta-Llama-3-8B",
|
97 |
model_name="numind/NuExtract-1.5",
|
98 |
#model_name="meta-llama/Llama-3.2-3B",
|
99 |
-
|
100 |
tokenizer_name="numind/NuExtract-1.5",
|
101 |
device_map="auto",
|
102 |
tokenizer_kwargs={"max_length": 512},
|
@@ -104,28 +99,22 @@ elif sidebar_option == 'NuExtract-1.5':
|
|
104 |
model_kwargs={"torch_dtype": torch.bfloat16},
|
105 |
)
|
106 |
chat = [
|
107 |
-
|
108 |
-
|
109 |
-
|
110 |
-
{"role": "assistant", "content": "I'm doing great. How can I help you today?"},
|
111 |
-
|
112 |
-
{"role": "user", "content": "I'd like to show off how chat templating works!"},
|
113 |
-
|
114 |
]
|
115 |
-
|
116 |
from transformers import AutoTokenizer
|
117 |
-
|
118 |
tokenizer = AutoTokenizer.from_pretrained("numind/NuExtract-1.5")
|
119 |
-
|
120 |
tokenizer.apply_chat_template(chat, tokenize=False)
|
121 |
-
|
122 |
-
|
123 |
Settings.chunk_size = 512
|
124 |
Settings.llm = llm
|
125 |
-
|
126 |
else:
|
127 |
raise Exception("Opção de LLM inválida!")
|
128 |
-
|
129 |
# Diretórios configurados pelo usuário
|
130 |
chat_store_path = os.path.join("chat_store", "chat_store.json")
|
131 |
documents_path = os.path.join("documentos")
|
@@ -133,24 +122,129 @@ chroma_storage_path = os.path.join("chroma_db") # Diretório para persistência
|
|
133 |
chroma_storage_path_curadoria = os.path.join("chroma_db_curadoria") # Diretório para 'curadoria'
|
134 |
bm25_persist_path = os.path.join("bm25_retriever")
|
135 |
curadoria_path = os.path.join("curadoria")
|
136 |
-
|
137 |
-
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
138 |
# Configuração de leitura de documentos
|
139 |
-
|
140 |
-
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
141 |
# Configuração do Chroma e BM25 com persistência
|
142 |
docstore = SimpleDocumentStore()
|
143 |
docstore.add_documents(documents)
|
144 |
-
|
145 |
db = chromadb.PersistentClient(path=chroma_storage_path)
|
146 |
chroma_collection = db.get_or_create_collection("dense_vectors")
|
147 |
vector_store = ChromaVectorStore(chroma_collection=chroma_collection)
|
148 |
-
|
149 |
# Configuração do StorageContext
|
150 |
storage_context = StorageContext.from_defaults(
|
151 |
docstore=docstore, vector_store=vector_store
|
152 |
)
|
153 |
-
|
154 |
# Criação/Recarregamento do índice com embeddings
|
155 |
if os.path.exists(chroma_storage_path):
|
156 |
index = VectorStoreIndex.from_vector_store(vector_store)
|
@@ -159,10 +253,12 @@ else:
|
|
159 |
RecursiveCharacterTextSplitter(chunk_size=512, chunk_overlap=64)
|
160 |
)
|
161 |
index = VectorStoreIndex.from_documents(
|
162 |
-
documents,
|
|
|
|
|
163 |
)
|
164 |
vector_store.persist()
|
165 |
-
|
166 |
# Criação/Recarregamento do BM25 Retriever
|
167 |
if os.path.exists(os.path.join(bm25_persist_path, "params.index.json")):
|
168 |
bm25_retriever = BM25Retriever.from_persist_dir(bm25_persist_path)
|
@@ -174,22 +270,27 @@ else:
|
|
174 |
)
|
175 |
os.makedirs(bm25_persist_path, exist_ok=True)
|
176 |
bm25_retriever.persist(bm25_persist_path)
|
177 |
-
|
178 |
#Adicionado documentos na pasta curadoria, foi setado para 1200 o chunk pra receber pergunta, contexto e resposta
|
179 |
-
curadoria_documents = SimpleDirectoryReader(
|
180 |
-
|
|
|
|
|
|
|
|
|
|
|
181 |
curadoria_docstore = SimpleDocumentStore()
|
182 |
curadoria_docstore.add_documents(curadoria_documents)
|
183 |
-
|
184 |
db_curadoria = chromadb.PersistentClient(path=chroma_storage_path_curadoria)
|
185 |
chroma_collection_curadoria = db_curadoria.get_or_create_collection("dense_vectors_curadoria")
|
186 |
vector_store_curadoria = ChromaVectorStore(chroma_collection=chroma_collection_curadoria)
|
187 |
-
|
188 |
# Configuração do StorageContext para 'curadoria'
|
189 |
storage_context_curadoria = StorageContext.from_defaults(
|
190 |
docstore=curadoria_docstore, vector_store=vector_store_curadoria
|
191 |
)
|
192 |
-
|
193 |
# Criação/Recarregamento do índice com embeddings para 'curadoria'
|
194 |
if os.path.exists(chroma_storage_path_curadoria):
|
195 |
curadoria_index = VectorStoreIndex.from_vector_store(vector_store_curadoria)
|
@@ -201,15 +302,15 @@ else:
|
|
201 |
curadoria_documents, storage_context=storage_context_curadoria, transformations=[curadoria_splitter]
|
202 |
)
|
203 |
vector_store_curadoria.persist()
|
204 |
-
|
205 |
curadoria_retriever = curadoria_index.as_retriever(similarity_top_k=2)
|
206 |
-
|
207 |
# Combinação de Retrievers (Embeddings + BM25)
|
208 |
vector_retriever = index.as_retriever(similarity_top_k=2)
|
209 |
retriever = QueryFusionRetriever(
|
210 |
[vector_retriever, bm25_retriever, curadoria_retriever],
|
211 |
similarity_top_k=2,
|
212 |
-
|
213 |
mode="reciprocal_rerank",
|
214 |
use_async=True,
|
215 |
verbose=True,
|
@@ -222,7 +323,7 @@ retriever = QueryFusionRetriever(
|
|
222 |
"Perguntas:\n"
|
223 |
),
|
224 |
)
|
225 |
-
|
226 |
# Configuração do chat engine
|
227 |
nest_asyncio.apply()
|
228 |
memory = ChatMemoryBuffer.from_defaults(token_limit=3900)
|
@@ -239,45 +340,45 @@ chat_engine = CondensePlusContextChatEngine.from_defaults(
|
|
239 |
),
|
240 |
verbose=True,
|
241 |
)
|
242 |
-
|
243 |
# Armazenamento do chat
|
244 |
chat_store = SimpleChatStore()
|
245 |
if os.path.exists(chat_store_path):
|
246 |
chat_store = SimpleChatStore.from_persist_path(persist_path=chat_store_path)
|
247 |
else:
|
248 |
chat_store.persist(persist_path=chat_store_path)
|
249 |
-
|
250 |
# Interface do Chatbot
|
251 |
st.title("Chatbot Carômetro")
|
252 |
st.write("Este chatbot pode te ajudar a conseguir informações relevantes sobre os carômetros da Sicoob.")
|
253 |
-
|
254 |
if 'chat_history' not in st.session_state:
|
255 |
st.session_state.chat_history = []
|
256 |
-
|
257 |
for message in st.session_state.chat_history:
|
258 |
role, text = message.split(":", 1)
|
259 |
with st.chat_message(role.strip().lower()):
|
260 |
st.write(text.strip())
|
261 |
-
|
262 |
user_input = st.chat_input("Digite sua pergunta")
|
263 |
if user_input:
|
264 |
# Exibir a mensagem do usuário e adicionar ao histórico
|
265 |
with st.chat_message('user'):
|
266 |
st.write(user_input)
|
267 |
st.session_state.chat_history.append(f"user: {user_input}")
|
268 |
-
|
269 |
# Placeholder para a mensagem do assistente
|
270 |
with st.chat_message('assistant'):
|
271 |
message_placeholder = st.empty()
|
272 |
assistant_message = ''
|
273 |
-
|
274 |
# Obter a resposta em streaming do chat_engine
|
275 |
response = chat_engine.stream_chat(user_input)
|
276 |
for token in response.response_gen:
|
277 |
assistant_message += token
|
278 |
# Atualizar o placeholder da mensagem
|
279 |
message_placeholder.markdown(assistant_message + "▌")
|
280 |
-
|
281 |
# Remover o cursor após a conclusão
|
282 |
message_placeholder.markdown(assistant_message)
|
283 |
st.session_state.chat_history.append(f"assistant: {assistant_message}")
|
|
|
1 |
+
import logging
|
2 |
+
import sys
|
3 |
import os
|
4 |
+
import re
|
5 |
+
import base64
|
6 |
+
import nest_asyncio
|
7 |
+
import pandas as pd
|
8 |
+
from pathlib import Path
|
9 |
+
from typing import Any, Dict, List, Optional
|
10 |
+
from PIL import Image
|
11 |
import streamlit as st
|
12 |
+
import torch
|
13 |
+
from llama_index.core import Settings, SimpleDirectoryReader, StorageContext, Document
|
14 |
from llama_index.core.storage.docstore import SimpleDocumentStore
|
15 |
from llama_index.llms.ollama import Ollama
|
16 |
from llama_index.embeddings.ollama import OllamaEmbedding
|
|
|
23 |
from llama_index.retrievers.bm25 import BM25Retriever
|
24 |
from llama_index.core.retrievers import QueryFusionRetriever
|
25 |
from llama_index.vector_stores.chroma import ChromaVectorStore
|
26 |
+
from llama_index.core import VectorStoreIndex
|
|
|
|
|
|
|
|
|
27 |
from llama_index.llms.huggingface import HuggingFaceLLM
|
28 |
from llama_index.llms.huggingface_api import HuggingFaceInferenceAPI
|
|
|
|
|
|
|
|
|
29 |
from llama_index.embeddings.huggingface import HuggingFaceEmbedding
|
30 |
+
import chromadb
|
31 |
+
|
|
|
|
|
|
|
|
|
32 |
#Configuração da imagem da aba
|
|
|
33 |
im = Image.open("pngegg.png")
|
34 |
st.set_page_config(page_title = "Chatbot Carômetro", page_icon=im, layout = "wide")
|
35 |
+
|
36 |
#Removido loop e adicionado os.makedirs
|
37 |
os.makedirs("bm25_retriever", exist_ok=True)
|
38 |
os.makedirs("chat_store", exist_ok=True)
|
|
|
40 |
os.makedirs("documentos", exist_ok=True)
|
41 |
os.makedirs("curadoria", exist_ok=True)
|
42 |
os.makedirs("chroma_db_curadoria", exist_ok=True)
|
43 |
+
|
44 |
# Configuração do Streamlit
|
45 |
st.sidebar.title("Configuração de LLM")
|
46 |
sidebar_option = st.sidebar.radio("Selecione o LLM", ["gpt-3.5-turbo", "NuExtract-1.5"])
|
47 |
+
|
48 |
# logo_url = 'app\logos\logo-sicoob.jpg'
|
49 |
# st.sidebar.image(logo_url)
|
50 |
import base64
|
51 |
+
|
52 |
#Configuração da imagem da sidebar
|
53 |
with open("sicoob-logo.png", "rb") as f:
|
54 |
data = base64.b64encode(f.read()).decode("utf-8")
|
55 |
+
|
56 |
st.sidebar.markdown(
|
57 |
f"""
|
58 |
<div style="display:table;margin-top:-80%;margin-left:0%;">
|
|
|
61 |
""",
|
62 |
unsafe_allow_html=True,
|
63 |
)
|
64 |
+
|
|
|
65 |
#if sidebar_option == "Ollama":
|
66 |
# Settings.llm = Ollama(model="llama3.2:latest", request_timeout=500.0, num_gpu=1)
|
67 |
# Settings.embed_model = OllamaEmbedding(model_name="nomic-embed-text:latest")
|
|
|
71 |
Settings.llm = OpenAI(model="gpt-3.5-turbo")
|
72 |
Settings.embed_model = OpenAIEmbedding(model_name="text-embedding-ada-002")
|
73 |
elif sidebar_option == 'NuExtract-1.5':
|
|
|
74 |
logging.basicConfig(stream=sys.stdout, level=logging.INFO)
|
75 |
logging.getLogger().addHandler(logging.StreamHandler(stream=sys.stdout))
|
76 |
+
|
77 |
#Embedding do huggingface
|
78 |
Settings.embed_model = HuggingFaceEmbedding(
|
79 |
+
model_name="BAAI/bge-small-en-v1.5"
|
80 |
)
|
81 |
#Carregamento do modelo local, descomentar o modelo desejado
|
82 |
+
|
83 |
llm = HuggingFaceLLM(
|
84 |
context_window=2048,
|
85 |
max_new_tokens=2048,
|
|
|
92 |
# model_name="meta-llama/Meta-Llama-3-8B",
|
93 |
model_name="numind/NuExtract-1.5",
|
94 |
#model_name="meta-llama/Llama-3.2-3B",
|
|
|
95 |
tokenizer_name="numind/NuExtract-1.5",
|
96 |
device_map="auto",
|
97 |
tokenizer_kwargs={"max_length": 512},
|
|
|
99 |
model_kwargs={"torch_dtype": torch.bfloat16},
|
100 |
)
|
101 |
chat = [
|
102 |
+
{"role": "user", "content": "Hello, how are you?"},
|
103 |
+
{"role": "assistant", "content": "I'm doing great. How can I help you today?"},
|
104 |
+
{"role": "user", "content": "I'd like to show off how chat templating works!"},
|
|
|
|
|
|
|
|
|
105 |
]
|
106 |
+
|
107 |
from transformers import AutoTokenizer
|
108 |
+
|
109 |
tokenizer = AutoTokenizer.from_pretrained("numind/NuExtract-1.5")
|
|
|
110 |
tokenizer.apply_chat_template(chat, tokenize=False)
|
111 |
+
|
|
|
112 |
Settings.chunk_size = 512
|
113 |
Settings.llm = llm
|
114 |
+
|
115 |
else:
|
116 |
raise Exception("Opção de LLM inválida!")
|
117 |
+
|
118 |
# Diretórios configurados pelo usuário
|
119 |
chat_store_path = os.path.join("chat_store", "chat_store.json")
|
120 |
documents_path = os.path.join("documentos")
|
|
|
122 |
chroma_storage_path_curadoria = os.path.join("chroma_db_curadoria") # Diretório para 'curadoria'
|
123 |
bm25_persist_path = os.path.join("bm25_retriever")
|
124 |
curadoria_path = os.path.join("curadoria")
|
125 |
+
|
126 |
+
# Classe CSV Customizada (novo código)
|
127 |
+
class CustomPandasCSVReader:
|
128 |
+
"""PandasCSVReader modificado para incluir cabeçalhos nos documentos."""
|
129 |
+
def __init__(
|
130 |
+
self,
|
131 |
+
*args: Any,
|
132 |
+
concat_rows: bool = True,
|
133 |
+
col_joiner: str = ", ",
|
134 |
+
row_joiner: str = "\n",
|
135 |
+
pandas_config: dict = {},
|
136 |
+
**kwargs: Any
|
137 |
+
) -> None:
|
138 |
+
self._concat_rows = concat_rows
|
139 |
+
self._col_joiner = col_joiner
|
140 |
+
self._row_joiner = row_joiner
|
141 |
+
self._pandas_config = pandas_config
|
142 |
+
|
143 |
+
def load_data(
|
144 |
+
self,
|
145 |
+
file: Path,
|
146 |
+
extra_info: Optional[Dict] = None,
|
147 |
+
) -> List[Document]:
|
148 |
+
df = pd.read_csv(file, **self._pandas_config)
|
149 |
+
text_list = [" ".join(df.columns.astype(str))]
|
150 |
+
text_list += (
|
151 |
+
df.astype(str)
|
152 |
+
.apply(lambda row: self._col_joiner.join(row.values), axis=1)
|
153 |
+
.tolist()
|
154 |
+
)
|
155 |
+
|
156 |
+
metadata = {"filename": file.name, "extension": file.suffix}
|
157 |
+
if extra_info:
|
158 |
+
metadata.update(extra_info)
|
159 |
+
|
160 |
+
if self._concat_rows:
|
161 |
+
return [Document(text=self._row_joiner.join(text_list), metadata=metadata)]
|
162 |
+
else:
|
163 |
+
return [
|
164 |
+
Document(text=text, metadata=metadata)
|
165 |
+
for text in text_list
|
166 |
+
]
|
167 |
+
|
168 |
+
def clean_documents(documents):
|
169 |
+
"""Remove caracteres não desejados diretamente nos textos dos documentos."""
|
170 |
+
cleaned_documents = []
|
171 |
+
for doc in documents:
|
172 |
+
cleaned_text = re.sub(r"[^0-9A-Za-zÀ-ÿ ]", "", doc.get_content())
|
173 |
+
doc.text = cleaned_text
|
174 |
+
cleaned_documents.append(doc)
|
175 |
+
return cleaned_documents
|
176 |
+
|
177 |
+
from llama_index.readers.google import GoogleDriveReader
|
178 |
+
|
179 |
+
credentials_path = "path_to_credentials.json" # Ajuste o caminho para seu arquivo de credenciais
|
180 |
+
google_drive_reader = GoogleDriveReader(credentials_path=credentials_path)
|
181 |
+
google_drive_reader._creds = google_drive_reader._get_credentials()
|
182 |
+
|
183 |
+
def are_docs_downloaded(directory_path: str) -> bool:
|
184 |
+
return os.path.isdir(directory_path) and any(os.scandir(directory_path))
|
185 |
+
|
186 |
+
def download_original_files_from_folder(greader: GoogleDriveReader, pasta_documentos_drive: str, local_path: str):
|
187 |
+
os.makedirs(local_path, exist_ok=True)
|
188 |
+
files_meta = greader._get_fileids_meta(folder_id=pasta_documentos_drive)
|
189 |
+
if not files_meta:
|
190 |
+
logging.info("Nenhum arquivo encontrado na pasta especificada.")
|
191 |
+
return
|
192 |
+
for fmeta in files_meta:
|
193 |
+
file_id = fmeta[0]
|
194 |
+
file_name = os.path.basename(fmeta[2])
|
195 |
+
local_file_path = os.path.join(local_path, file_name)
|
196 |
+
|
197 |
+
if os.path.exists(local_file_path):
|
198 |
+
logging.info(f"Arquivo '{file_name}' já existe localmente, ignorando download.")
|
199 |
+
continue
|
200 |
+
|
201 |
+
downloaded_file_path = greader._download_file(file_id, local_file_path)
|
202 |
+
if downloaded_file_path:
|
203 |
+
logging.info(f"Arquivo '{file_name}' baixado com sucesso em: {downloaded_file_path}")
|
204 |
+
else:
|
205 |
+
logging.warning(f"Não foi possível baixar '{file_name}'")
|
206 |
+
|
207 |
+
#DADOS/QA_database/Documentos CSV/documentos
|
208 |
+
pasta_documentos_drive = "1xVzo8s1D0blzR5ZB3m5k4dVWHuRmKUu-"
|
209 |
+
#DADOS/QA_database/Documentos CSV/curadoria
|
210 |
+
pasta_curadoria_drive = "1LRrdOkZy9p0FA3MQAyz-Ssj3ktKTWAwE"
|
211 |
+
|
212 |
+
# Verifica e baixa arquivos se necessário (novo código)
|
213 |
+
if not are_docs_downloaded(documents_path):
|
214 |
+
logging.info("Baixando arquivos originais do Drive para 'documentos'...")
|
215 |
+
download_original_files_from_folder(google_drive_reader, pasta_documentos_drive, documents_path)
|
216 |
+
else:
|
217 |
+
logging.info("'documentos' já contém arquivos, ignorando download.")
|
218 |
+
|
219 |
+
if not are_docs_downloaded(curadoria_path):
|
220 |
+
logging.info("Baixando arquivos originais do Drive para 'curadoria'...")
|
221 |
+
download_original_files_from_folder(google_drive_reader, pasta_curadoria_drive, curadoria_path)
|
222 |
+
else:
|
223 |
+
logging.info("'curadoria' já contém arquivos, ignorando download.")
|
224 |
+
|
225 |
# Configuração de leitura de documentos
|
226 |
+
file_extractor = {".csv": CustomPandasCSVReader()}
|
227 |
+
documents = SimpleDirectoryReader(
|
228 |
+
input_dir=documents_path,
|
229 |
+
file_extractor=file_extractor,
|
230 |
+
filename_as_id=True
|
231 |
+
).load_data()
|
232 |
+
|
233 |
+
documents = clean_documents(documents)
|
234 |
+
|
235 |
# Configuração do Chroma e BM25 com persistência
|
236 |
docstore = SimpleDocumentStore()
|
237 |
docstore.add_documents(documents)
|
238 |
+
|
239 |
db = chromadb.PersistentClient(path=chroma_storage_path)
|
240 |
chroma_collection = db.get_or_create_collection("dense_vectors")
|
241 |
vector_store = ChromaVectorStore(chroma_collection=chroma_collection)
|
242 |
+
|
243 |
# Configuração do StorageContext
|
244 |
storage_context = StorageContext.from_defaults(
|
245 |
docstore=docstore, vector_store=vector_store
|
246 |
)
|
247 |
+
|
248 |
# Criação/Recarregamento do índice com embeddings
|
249 |
if os.path.exists(chroma_storage_path):
|
250 |
index = VectorStoreIndex.from_vector_store(vector_store)
|
|
|
253 |
RecursiveCharacterTextSplitter(chunk_size=512, chunk_overlap=64)
|
254 |
)
|
255 |
index = VectorStoreIndex.from_documents(
|
256 |
+
documents,
|
257 |
+
storage_context=storage_context,
|
258 |
+
transformations=[splitter]
|
259 |
)
|
260 |
vector_store.persist()
|
261 |
+
|
262 |
# Criação/Recarregamento do BM25 Retriever
|
263 |
if os.path.exists(os.path.join(bm25_persist_path, "params.index.json")):
|
264 |
bm25_retriever = BM25Retriever.from_persist_dir(bm25_persist_path)
|
|
|
270 |
)
|
271 |
os.makedirs(bm25_persist_path, exist_ok=True)
|
272 |
bm25_retriever.persist(bm25_persist_path)
|
273 |
+
|
274 |
#Adicionado documentos na pasta curadoria, foi setado para 1200 o chunk pra receber pergunta, contexto e resposta
|
275 |
+
curadoria_documents = SimpleDirectoryReader(
|
276 |
+
input_dir=curadoria_path,
|
277 |
+
file_extractor=file_extractor,
|
278 |
+
filename_as_id=True
|
279 |
+
).load_data()
|
280 |
+
|
281 |
+
curadoria_documents = clean_documents(curadoria_documents)
|
282 |
curadoria_docstore = SimpleDocumentStore()
|
283 |
curadoria_docstore.add_documents(curadoria_documents)
|
284 |
+
|
285 |
db_curadoria = chromadb.PersistentClient(path=chroma_storage_path_curadoria)
|
286 |
chroma_collection_curadoria = db_curadoria.get_or_create_collection("dense_vectors_curadoria")
|
287 |
vector_store_curadoria = ChromaVectorStore(chroma_collection=chroma_collection_curadoria)
|
288 |
+
|
289 |
# Configuração do StorageContext para 'curadoria'
|
290 |
storage_context_curadoria = StorageContext.from_defaults(
|
291 |
docstore=curadoria_docstore, vector_store=vector_store_curadoria
|
292 |
)
|
293 |
+
|
294 |
# Criação/Recarregamento do índice com embeddings para 'curadoria'
|
295 |
if os.path.exists(chroma_storage_path_curadoria):
|
296 |
curadoria_index = VectorStoreIndex.from_vector_store(vector_store_curadoria)
|
|
|
302 |
curadoria_documents, storage_context=storage_context_curadoria, transformations=[curadoria_splitter]
|
303 |
)
|
304 |
vector_store_curadoria.persist()
|
305 |
+
|
306 |
curadoria_retriever = curadoria_index.as_retriever(similarity_top_k=2)
|
307 |
+
|
308 |
# Combinação de Retrievers (Embeddings + BM25)
|
309 |
vector_retriever = index.as_retriever(similarity_top_k=2)
|
310 |
retriever = QueryFusionRetriever(
|
311 |
[vector_retriever, bm25_retriever, curadoria_retriever],
|
312 |
similarity_top_k=2,
|
313 |
+
num_queries=0,
|
314 |
mode="reciprocal_rerank",
|
315 |
use_async=True,
|
316 |
verbose=True,
|
|
|
323 |
"Perguntas:\n"
|
324 |
),
|
325 |
)
|
326 |
+
|
327 |
# Configuração do chat engine
|
328 |
nest_asyncio.apply()
|
329 |
memory = ChatMemoryBuffer.from_defaults(token_limit=3900)
|
|
|
340 |
),
|
341 |
verbose=True,
|
342 |
)
|
343 |
+
|
344 |
# Armazenamento do chat
|
345 |
chat_store = SimpleChatStore()
|
346 |
if os.path.exists(chat_store_path):
|
347 |
chat_store = SimpleChatStore.from_persist_path(persist_path=chat_store_path)
|
348 |
else:
|
349 |
chat_store.persist(persist_path=chat_store_path)
|
350 |
+
|
351 |
# Interface do Chatbot
|
352 |
st.title("Chatbot Carômetro")
|
353 |
st.write("Este chatbot pode te ajudar a conseguir informações relevantes sobre os carômetros da Sicoob.")
|
354 |
+
|
355 |
if 'chat_history' not in st.session_state:
|
356 |
st.session_state.chat_history = []
|
357 |
+
|
358 |
for message in st.session_state.chat_history:
|
359 |
role, text = message.split(":", 1)
|
360 |
with st.chat_message(role.strip().lower()):
|
361 |
st.write(text.strip())
|
362 |
+
|
363 |
user_input = st.chat_input("Digite sua pergunta")
|
364 |
if user_input:
|
365 |
# Exibir a mensagem do usuário e adicionar ao histórico
|
366 |
with st.chat_message('user'):
|
367 |
st.write(user_input)
|
368 |
st.session_state.chat_history.append(f"user: {user_input}")
|
369 |
+
|
370 |
# Placeholder para a mensagem do assistente
|
371 |
with st.chat_message('assistant'):
|
372 |
message_placeholder = st.empty()
|
373 |
assistant_message = ''
|
374 |
+
|
375 |
# Obter a resposta em streaming do chat_engine
|
376 |
response = chat_engine.stream_chat(user_input)
|
377 |
for token in response.response_gen:
|
378 |
assistant_message += token
|
379 |
# Atualizar o placeholder da mensagem
|
380 |
message_placeholder.markdown(assistant_message + "▌")
|
381 |
+
|
382 |
# Remover o cursor após a conclusão
|
383 |
message_placeholder.markdown(assistant_message)
|
384 |
st.session_state.chat_history.append(f"assistant: {assistant_message}")
|