from typing import TYPE_CHECKING, Any, Callable, Dict, List, Tuple, Type import logging import json import os import pickle 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 base64 from io import BytesIO import urllib.parse from urllib.parse import quote import tempfile import uuid from transformers import pipeline, AutoModelForSeq2SeqLM, AutoTokenizer, AutoModelForCausalLM, GPTNeoForCausalLM, GPT2Tokenizer, DistilBertTokenizer, DistilBertForQuestionAnswering from sentence_transformers import SentenceTransformer, util from huggingface_hub import HfApi, hf_hub_download 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, RunnableSequence from langchain.text_splitter import RecursiveCharacterTextSplitter from chromadb.errors import InvalidDimensionException import fitz # PyMuPDF import docx from huggingface_hub import hf_hub_download, list_repo_files #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, pipeline 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 # Konstanten für Datei-Upload REPO_ID = "alexkueck/SucheDemo" STORAGE_REPO_ID = "alexkueck/kkg_files" REPO_TYPE = "space" ############################### #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") HF_WRITE = os.getenv("HF_WRITE") # HfApi-Instanz erstellen api = HfApi() #Maoing für die Splits (orginal und Preprocessed split_to_original_mapping = [] ################################################# #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 = "demo/chroma/demo" CHROMA_PDF = './demo/chroma/demo/pdf' CHROMA_WORD = './demo/chroma/demo/word' CHROMA_EXCEL = './demo/chroma/demo/excel' YOUTUBE_DIR = "/youtube" HISTORY_PFAD = "/data/history" DOCS_DIR_PDF = "demo/chroma/demo/pdf" DOCS_DIR_WORD = "demo/chroma/demo/word" VECTORSTORE_DIR="demo/chroma/demo" ############################################### #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: Embedding Modelle, um relvante Texte zu einem Prompt zu finden #sowohl die texte als auch der Prompt werden embeddet! embedder_modell = SentenceTransformer("multi-qa-MPNet-base-dot-v1") #all-MiniLM-L6-v2 sentence-transformers/all-mpnet-base-v2 EMBEDDING_MODELL = "multi-qa-MPNet-base-dot-v1" #Modell und Tokenizer, um die Summary über die relevanten Texte zu machen #mögliche Modelle: "HuggingFaceH4/zephyr-7b-alpha" #"t5-small" #"meta-llama/Meta-Llama-3-8B-Instruct" #"mistralai/Mistral-7B-Instruct-v0.3" #"microsoft/Phi-3-mini-4k-instruct" #"HuggingFaceH4/zephyr-7b-alpha" """ HF_MODELL = "distilbert-base-uncased-distilled-squad" modell_rag = DistilBertForQuestionAnswering.from_pretrained(HF_MODELL) tokenizer_rag = DistilBertTokenizer.from_pretrained(HF_MODELL) qa_pipeline = pipeline("question-answering", model=modell_rag, tokenizer=tokenizer_rag) HF_MODELL ="EleutherAI/gpt-neo-2.7B" modell_rag = GPTNeoForCausalLM.from_pretrained(HF_MODELL) tokenizer_rag = GPT2Tokenizer.from_pretrained(HF_MODELL) tokenizer_rag.pad_token = tokenizer_rag.eos_token HF_MODELL = "microsoft/Phi-3-mini-4k-instruct" # Laden des Modells und Tokenizers modell_rag = AutoModelForCausalLM.from_pretrained(HF_MODELL) tokenizer_rag = AutoTokenizer.from_pretrained(HF_MODELL) 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 ################################################## #Files aus anderem Repi downloaden def access_pdf(self, filename): # Temporäre Datei erstellen with tempfile.NamedTemporaryFile(delete=False, suffix=self.file_type) as temp_file: temp_path = temp_file.name # Datei aus dem Hugging Face Space herunterladen hf_hub_download( repo_id=STORAGE_REPO_ID, filename=file_path, repo_type=DATA_REPO_TYPE, local_dir=os.path.dirname(temp_path), token=hf_token ) return temp_path ################################################ #besseren directory Loader als CustomLoader definieren, der den inhalt des dokuemnts, die seitenzahlen, die überschriften und die pfadezu den dokumenten extrahieren def create_custom_loader(file_type, file_list): loaders = { '.pdf': load_pdf_with_metadata, '.docx': load_word_with_metadata, } return CustomLoader(file_type, file_list, loaders[file_type]) ################################################ # Custom Loader-Funktionen zu dem DirektoryLoader # für PDF Dokumente: 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, split_id=None)) return documents #für Word Dokumente 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, split_id= None)) return documents ################################################ #für den Vektorstore ################################################ ################################################ # Document Splitting - und id für das Mapping ################################################ #die Inhalte splitten, um in Vektordatenbank entsprechend zu laden als Splits # Funktion zum Splitten und Zuweisen der doc_id def split_documents_with_id(docs, text_splitter): splits = [] for doc in docs: if not doc.metadata['title']: doc.metadata['title'] = "Dokument" if not doc.page_content: doc.page_content = "leer" doc_splits = text_splitter.split_text(f"{doc.metadata['title']} {doc.page_content}") for split_content in doc_splits: split_id = str(uuid.uuid4()) # Erzeuge eine eindeutige ID für jeden Split split_doc = Document(content=split_content, title=doc.metadata["title"], page=doc.metadata["page"], path=doc.metadata["path"], split_id=split_id) splits.append(split_doc) return splits ######################################## #finally die Splits erzeugen und laden..... für den Vektorstore def document_loading_splitting(): docs = [] print("Directory Loader neu............................") # Dateien im Hugging Face Space auflisten files_in_repo = list_repo_files(repo_id=STORAGE_REPO_ID, repo_type="space", token=hf_token) pdf_files = [f for f in files_in_repo if f.endswith('.pdf') and f.startswith("demo/chroma/demo/pdf/")] word_files = [f for f in files_in_repo if f.endswith('.docx') and f.startswith("demo/chroma/demo/word/")] # Erstellen von DirectoryLoader für jeden Dateityp pdf_loader = create_custom_loader('.pdf', pdf_files) word_loader = create_custom_loader('.docx', word_files) # 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_size=1000, chunk_overlap=200)# RecursiveCharacterTextSplitter(chunk_overlap = 150, chunk_size = 1500) #splits = text_splitter.split_documents(preprocessed_docs) # Vorverarbeitung der Dokumente # Split der Originaldokumente original_splits = split_documents_with_id(docs, text_splitter) # Vorverarbeitung der Originalsplits preprocessed_splits = [] for split in original_splits: preprocessed_content = preprocess_text(split.page_content) preprocessed_split = Document(content=preprocessed_content, title=split.metadata["title"], page=split.metadata["page"], path=split.metadata["path"], split_id=split.metadata["split_id"]) preprocessed_splits.append(preprocessed_split) # Mapping von vorverarbeiteten Splits zu Originalsplits anhand der split_ids split_to_original_mapping = {p_split.metadata["split_id"]: o_split for p_split, o_split in zip(preprocessed_splits, original_splits)} # Sicherstellen, dass das Mapping nicht leer ist assert split_to_original_mapping, "Das Mapping von Splits wurde nicht korrekt erstellt" return preprocessed_splits, split_to_original_mapping, original_splits ########################################### #Vektorstore über Chroma DB die splits ablegen - vektorisiert... ########################################### def document_storage_chroma(splits): # Embedding-Funktion definieren embedding_fn = HuggingFaceEmbeddings(model_name=EMBEDDING_MODELL, model_kwargs={"device": "cpu"}, encode_kwargs={'normalize_embeddings': False}) # Vectorstore initialisieren und Dokumente hinzufügen vectorstore = Chroma.from_documents(documents=splits, embedding=embedding_fn) return vectorstore ######################################################## #Splits für den Vektorstore speichern - bzw. laden ######################################################## def save_splits(preprocessed_splits, original_splits, directory="demo/chroma/demo", preprocessed_filename="preprocessed_splits.pkl", original_filename="original_splits.pkl"): # Erstellen des Verzeichnisses, falls es nicht existiert if not os.path.exists(directory): os.makedirs(directory) # Speichern der vorverarbeiteten Splits preprocessed_filepath = os.path.join(directory, preprocessed_filename) with open(preprocessed_filepath, "wb") as f: pickle.dump(preprocessed_splits, f) # Speichern der Originalsplits original_filepath = os.path.join(directory, original_filename) with open(original_filepath, "wb") as f: pickle.dump(original_splits, f) # Hochladen der Splits-Dateien zum Hugging Face Space upload_file_to_huggingface(preprocessed_filepath, f"{directory}/{preprocessed_filename}") upload_file_to_huggingface(original_filepath, f"{directory}/{original_filename}") def load_splits(directory="chroma/demo", preprocessed_filename="preprocessed_splits.pkl", original_filename="original_splits.pkl"): preprocessed_splits = None original_splits = None try: # Laden der vorverarbeiteten Splits aus dem Hugging Face Repository preprocessed_file = hf_hub_download( repo_id=STORAGE_REPO_ID, filename=f"{directory}/{preprocessed_filename}", repo_type="space", token=hf_token ) with open(preprocessed_file, "rb") as f: preprocessed_splits = pickle.load(f) # Laden der originalen Splits aus dem Hugging Face Repository original_file = hf_hub_download( repo_id=STORAGE_REPO_ID, filename=f"{directory}/{original_filename}", repo_type="space", token=hf_token ) with open(original_file, "rb") as f: original_splits = pickle.load(f) except Exception as e: print(f"Fehler beim Laden der Splits: {str(e)}") return preprocessed_splits, original_splits ######################################## #das Mapping der orginal-Splits und der preprocessed Splits speichern - und laden ######################################## def save_split_to_original_mapping(mapping, directory="demo/chroma/demo", filename="mapping.pkl"): # Erstellen des Verzeichnisses, falls es nicht existiert if not os.path.exists(directory): os.makedirs(directory) # Speichern des Mappings filepath = os.path.join(directory, filename) with open(filepath, "wb") as f: pickle.dump(mapping, f) # Hochladen der Mapping-Datei zum Hugging Face Space upload_file_to_huggingface(filepath, f"{directory}/{filename}") def load_split_to_original_mapping(directory="demo/chroma/demo", filename="mapping.pkl"): try: # Laden des Mappings aus dem Hugging Face Repository file_path = hf_hub_download( repo_id=STORAGE_REPO_ID, filename=f"{directory}/{filename}", repo_type="space", token=hf_token ) with open(file_path, "rb") as f: return pickle.load(f) except Exception as e: print(f"Fehler beim Laden des Mappings: {str(e)}") return None ####################################### # Dokumente aus anderem Space laden und speichern ####################################### # Beispiel-Upload-Funktion def upload_file_to_huggingface(file_path, upload_path): api.upload_file( path_or_fileobj=file_path, path_in_repo=upload_path, repo_id=STORAGE_REPO_ID, repo_type=REPO_TYPE, token=HF_WRITE ) #ein File aus dem Space mit der REPO_ID laden - Authentifizierung über den HEADER def download_file_from_hf(file_name, save_path): url = f"https://huggingface.co./{STORAGE_REPO_ID}/resolve/main/{file_name}" response = requests.get(url, headers=HEADERS) response.raise_for_status() # Raise an error for bad status codes with open(save_path, 'wb') as file: file.write(response.content) return save_path ############################################### #Langchain anlegen für RAG Chaining ############################################### """ #langchain nutzen, um prompt an LLM zu leiten - llm und prompt sind austauschbar def llm_chain(llm, prompt, context): # Generiere den vollständigen Prompt mit der Eingabe # Generiere den vollständigen Prompt mit den Eingabevariablen full_prompt = RAG_CHAIN_PROMPT.format(context=context, question=prompt) # Erstellen der RunnableSequence params={ "input": full_prompt, "llm": llm } sequence = RunnableSequence(params) result = sequence.invoke() return result def query(api_llm, payload): response = requests.post(api_llm, headers=HEADERS, json=payload) return response.json() def llm_chain2(prompt, context): full_prompt = RAG_CHAIN_PROMPT.format(context=context, question=prompt) inputs = tokenizer_rag(full_prompt, return_tensors="pt", max_length=1024, truncation=True) #Generiere die Antwort outputs = modell_rag.generate( inputs.input_ids, attention_mask=inputs.attention_mask, max_new_tokens=1024, do_sample=True, temperature=0.9, pad_token_id=tokenizer_rag.eos_token_id ) #outputs = modell_rag.generate(inputs['input_ids'], max_new_tokens=1024, num_beams=2, early_stopping=True) answer = tokenizer_rag.decode(outputs[0], skip_special_tokens=True) return answer ############################################# #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=[] #passend zum Prompt relevante Dokuemnte raussuchen relevant_docs = retriever.invoke(prompt) #zu jedem relevanten Dokument die wichtigen Informationen zusammenstellen (im Dict) extracted_docs = extract_document_info(relevant_docs) if (len(extracted_docs)>0): # 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]) ############################################# #Verschiedene LLMs ausprobieren als Generierungsmodell #für die Zusammenfassung ############################################# #1. Alternative, wenn llm direkt übergeben.................................... #answer = llm_chain2(prompt, combined_content) #Formuliere die Eingabe für das Generierungsmodell #input_text = f"frage: {prompt} kontext: {combined_content}" #2. Alternative, wenn mit API_URL ........................................... #answer = query(llm, {"inputs": input_text,}) #3. Alternative: mit pipeline #für summarizatiuon #answer = llm(input_text,max_length=1024, min_length=150, do_sample=False) #result = qa_pipeline(question=prompt, context=combined_content) #answer=result['answer'] # Erstelle das Ergebnis-Dictionary result = { "answer": "Folgende relevante Dokumente wurden gefunden:", "relevant_docs": most_relevant_docs } else: # keine relevanten Dokumente gefunden result = { "answer": "Keine relevanten Dokumente gefunden", "relevant_docs": None } return result """ ############################################# #keine History des chatbots einbeziehen, keine Zusammenfassung am Anfang - nur mit Vektorstore arbeiten, um relevante Dokumente anzuzeigen def rag_chain_simpel( prompt, retriever): #Langgraph nutzen für ein wenig mehr Intelligenz beim Dokumente suchen relevant_docs=[] most_relevant_docs=[] #passend zum Prompt relevante Dokuemnte raussuchen relevant_docs = retriever.invoke(prompt) #zu jedem relevanten Dokument die wichtigen Informationen zusammenstellen (im Dict) extracted_docs = extract_document_info(relevant_docs) if (len(extracted_docs)>0): # 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]) # Erstelle das Ergebnis-Dictionary result = { "answer": "Folgende relevante Dokumente wurden gefunden:", "relevant_docs": most_relevant_docs } else: # keine relevanten Dokumente gefunden result = { "answer": "Keine relevanten Dokumente gefunden", "relevant_docs": None } return result ############################################################# #in einem Dictionary die wichtigen Infos zu jedem Dok zusammenstellen def extract_document_info(documents): extracted_info = [] for doc in documents: # Extract the filename from the path to use as the title filename = os.path.basename(doc.metadata.get("path", "")) title = filename if filename else "Keine Überschrift" doc_path = doc.metadata.get("path", "") # Determine the document type and adjust the path accordingly d_link = download_link(doc) info = { 'content': doc.page_content, 'metadata': doc.metadata, 'titel': title, 'seite': doc.metadata.get("page", "Unbekannte Seite"), 'pfad': doc_path, 'download_link': d_link, } 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 """ ########################################## #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), ) ######################################################## ######## Hilfsfunktionen Datei-Download ################## def download_link(doc): # Basis-URL für das Hugging Face Repository base_url = f"https://huggingface.co./spaces/{STORAGE_REPO_ID}/resolve/main" if isinstance(doc, dict): # Wenn doc ein Dictionary ist (wie in Ihrem ursprünglichen Beispiel) if 'pfad' in doc: doc_path = doc['pfad'] title = doc.get('titel', doc_path) else: return f'{doc.get("titel", "Unbekannter Titel")}' else: # Wenn doc ein String ist oder ein anderes Objekt mit einem 'metadata' Attribut doc_path = getattr(doc, 'metadata', {}).get('path', doc if isinstance(doc, str) else '') title = os.path.basename(doc_path) # Bestimmen des Dokumenttyps und Anpassen des Pfads if doc_path.lower().endswith('.pdf'): file_url = f"{base_url}/chroma/demo/pdf/{quote(title)}?token={hf_token}" elif doc_path.lower().endswith('.docx'): file_url = f"{base_url}/chroma/demo/word/{quote(title)}?token={hf_token}" else: # Fallback für andere Dateitypen file_url = f"{base_url}/{quote(doc_path)}?token={hf_token}" return file_url #f'{title}' ################################################# #File Liste beim Tab für File-Upload schön darstellen ################################################# def display_files(): files_table = "" # PDF-Dateien files_table += "" pdf_files = [f for f in list_repo_files(repo_id=STORAGE_REPO_ID, repo_type="space", token=hf_token) if f.endswith('.pdf') and f.startswith("chroma/demo/pdf/")] for i, file in enumerate(pdf_files): row_color = "#4f4f4f" if i % 2 == 0 else "#3a3a3a" files_table += f"" files_table += f"" # Word-Dateien files_table += "" word_files = [f for f in list_repo_files(repo_id=STORAGE_REPO_ID, repo_type="space", token=hf_token) if f.endswith('.docx') and f.startswith("chroma/demo/word/")] for i, file in enumerate(word_files): row_color = "#4f4f4f" if i % 2 == 0 else "#3a3a3a" files_table += f"" files_table += f"" files_table += "
Dateiname - PDF-Ordner
{file.split('/')[-1]}
Dateiname - Word-Ordner
{file.split('/')[-1]}
" return files_table ########################################## #Extension des hochgeladenen Files bestimmen def analyze_file(file): file_extension = file.name.split('.')[-1] # Holen Sie sich die Dateiendung return file_extension ######################################## #Aus dem File-Pfad nur den Namen herausholen def get_filename(file_pfad): parts = file_pfad.rsplit('/', 1) # Den String nach dem letzten '/' aufteilen if len(parts) == 2: result = parts[1] # Der Teil nach dem letzten '/' ist in parts[1] else: result = "Ein Fehler im Filenamen ist aufgetreten..." return result 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 ################################################# #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, split_id=None): self.page_content = content self.metadata = { "title": title, "page": page, "path": path, "split_id": split_id # Füge die ID in die Metadaten ein } ########################################## #Class für die Directory Loader - um sie anzupassen ########################################## class CustomLoader: def __init__(self, file_type, file_list, loader_func): self.file_type = file_type self.file_list = file_list self.loader_func = loader_func def load(self): documents = [] for file_path in self.file_list: with tempfile.NamedTemporaryFile(delete=False, suffix=self.file_type) as temp_file: temp_path = temp_file.name try: # Datei aus dem Hugging Face Space herunterladen downloaded_path = hf_hub_download( repo_id=STORAGE_REPO_ID, filename=file_path, repo_type="space", local_dir=os.path.dirname(temp_path), token=hf_token ) # Überprüfen, ob die Datei leer ist if os.path.getsize(downloaded_path) == 0: print(f"Warnung: Die Datei {file_path} ist leer und wird übersprungen.") continue documents.extend(self.loader_func(downloaded_path)) except Exception as e: print(f"Fehler beim Verarbeiten der Datei {file_path}: {str(e)}") finally: # Sicherstellen, dass die temporäre Datei gelöscht wird if os.path.exists(temp_path): os.unlink(temp_path) return documents