Update app.py

app.py

@@ -4,81 +4,136 @@ from llama_index.core import VectorStoreIndex, SimpleDirectoryReader, Settings
 from llama_index.embeddings.huggingface import HuggingFaceEmbedding
 from llama_index.legacy.callbacks import CallbackManager
 from llama_index.llms.openai_like import OpenAILike
-
+ 
 # Create an instance of CallbackManager
 callback_manager = CallbackManager()
-
+ 
+from configparser import ConfigParser
+ 
+# 通过Spaces的secret传入
+api_key = os.environ.get('API_KEY')
+ 
+# 下载模型
+os.system('git lfs install')
+os.system('git clone https://www.modelscope.cn/Ceceliachenen/paraphrase-multilingual-MiniLM-L12-v2.git')
+ 
 api_base_url =  "https://internlm-chat.intern-ai.org.cn/puyu/api/v1/"
 model = "internlm2.5-latest"
-api_key = os.environ.get('API_KEY')
-
-# api_base_url =  "https://api.siliconflow.cn/v1"
-# model = "internlm/internlm2_5-7b-chat"
-# api_key = "请填写 API Key"
-
+ 
 llm =OpenAILike(model=model, api_base=api_base_url, api_key=api_key, is_chat_model=True,callback_manager=callback_manager)
-
-
-
-st.set_page_config(page_title="llama_index_demo", page_icon="🦜🔗")
+ 
+# 设置页面配置，包括页面标题和图标，以提供更丰富的用户体验
+st.set_page_config(page_title="由llama_index构建的RAG应用demo", page_icon="🦜🔗")
+ 
+# 显示页面标题，让用户了解当前页面的功能或主题
 st.title("llama_index_demo")
-
+ 
 # 初始化模型
 @st.cache_resource
 def init_models():
+    """
+    初始化并缓存模型。
+    
+    本函数通过加载预训练的嵌入模型和语言模型来初始化设置，并构建查询引擎。
+    使用缓存装饰器是为了提高效率，避免重复初始化模型。
+    
+    返回:
+        query_engine: 用于查询的引擎。
+    """
+    # 初始化嵌入模型
     embed_model = HuggingFaceEmbedding(
-        model_name="/root/model/sentence-transformer"
+        model_name="./paraphrase-multilingual-MiniLM-L12-v2"
     )
     Settings.embed_model = embed_model
-
-    #用初始化llm
+ 
+    # 初始化语言模型
     Settings.llm = llm
-
-    documents = SimpleDirectoryReader("/root/llamaindex_demo/data").load_data()
+ 
+    # 加载文档并构建向量索引
+    documents = SimpleDirectoryReader("./data").load_data()
     index = VectorStoreIndex.from_documents(documents)
     query_engine = index.as_query_engine()
-
+ 
     return query_engine
-
+ 
 # 检查是否需要初始化模型
 if 'query_engine' not in st.session_state:
     st.session_state['query_engine'] = init_models()
-
+ 
 def greet2(question):
+    """
+    使用预设的question参数调用session_state中的query_engine来生成响应。
+    参数:
+    question (str): 一个字符串，代表用户的问题或查询。
+    返回:
+    response: query_engine对question的响应结果，类型依据具体实现而定。
+    """
+    # 从session_state字典中获取名为'query_engine'的引擎，并使用它来查询问题
     response = st.session_state['query_engine'].query(question)
+    # 返回查询得到的响应结果
     return response
-
+ 
       
-# Store LLM generated responses
+# 检查会话状态中是否存在 'messages' 键，如果不存在则初始化
+# 初始化时，设置一个默认的助手消息，用于首次与用户交互
 if "messages" not in st.session_state.keys():
-    st.session_state.messages = [{"role": "assistant", "content": "你好，我是你的助手，有什么我可以帮助你的吗？"}]    
-
-    # Display or clear chat messages
+    st.session_state.messages = [{"role": "assistant", "content": "你好，我是你的助手，有什么我可以帮助你的吗？"}]
+ 
+ 
+# 遍历当前会话状态中的所有消息
 for message in st.session_state.messages:
+    # 根据消息的角色类型创建聊天消息框
     with st.chat_message(message["role"]):
+        # 在消息框中写入消息内容
         st.write(message["content"])
-
+ 
 def clear_chat_history():
+    """
+    清除聊天记录并重置会话状态。
+    此函数将当前会话状态的消息清空，仅保留一条表示助手问候的初始消息。
+    这有助于为用户提供一个新的开始，并确保聊天记录不会变得过于冗长。
+    """
     st.session_state.messages = [{"role": "assistant", "content": "你好，我是你的助手，有什么我可以帮助你的吗？"}]
-
-st.sidebar.button('Clear Chat History', on_click=clear_chat_history)
-
-# Function for generating LLaMA2 response
+ 
+# 在侧边栏添加一个'Clear Chat History'按钮，点击时调用clear_chat_history函数来清除聊天记录
+st.sidebar.button('清空聊天历史', on_click=clear_chat_history)
+ 
 def generate_llama_index_response(prompt_input):
+    """
+    根据输入的提示生成基于llama索引的响应。
+    此函数的作用是通过特定的提示输入，生成一个相应的响应。它调用了另一个函数greet2，
+    以完成响应的生成过程。这种封装方式允许在greet2函数中实现复杂的处理逻辑，
+    同时对外提供一个简单的接口。
+    参数:
+    prompt_input (str): 用于生成响应的输入提示。
+    返回:
+    str: 由greet2函数生成的响应。
+    """
     return greet2(prompt_input)
-
+ 
 # User-provided prompt
+# 如果用户通过聊天输入提供了信息，则执行以下操作
 if prompt := st.chat_input():
+    # 将用户的聊天信息添加到会话状态的消息列表中
     st.session_state.messages.append({"role": "user", "content": prompt})
+    # 在聊天界面的用户消息区域显示用户输入的内容
     with st.chat_message("user"):
         st.write(prompt)
-
+ 
 # Gegenerate_llama_index_response last message is not from assistant
+# 检查最近的一条消息是否不是由助手发送的
 if st.session_state.messages[-1]["role"] != "assistant":
+    # 在助手的聊天消息框中
     with st.chat_message("assistant"):
+        # 显示“Thinking...”动画，表示正在处理请求
         with st.spinner("Thinking..."):
+            # 生成响应
             response = generate_llama_index_response(prompt)
+            # 创建一个占位符，用于显示响应内容
             placeholder = st.empty()
+            # 在占位符中显示响应内容
             placeholder.markdown(response)
+    # 创建一个新的消息对象，表示助手的响应
     message = {"role": "assistant", "content": response}
+    # 将助手的响应消息添加到会话状态的消息列表中
     st.session_state.messages.append(message)