Update app.py

app.py

@@ -1,39 +1,25 @@
-
+import os
 from langchain.schema import Document
 from langchain.embeddings.openai import OpenAIEmbeddings
 from langchain.chat_models import ChatOpenAI
 from langchain.prompts import PromptTemplate
 from langchain.chains import LLMChain
-from langchain.chains.question_answering import load_qa_chain
 from langchain.vectorstores import Chroma
-import pandas as pd
-import json
-import os
 from dotenv import load_dotenv
-
-import streamlit as st
 from langchain.llms import OpenAI
 from langchain.retrievers.self_query.base import SelfQueryRetriever
 from langchain.chains.query_constructor.base import AttributeInfo
-
+import streamlit as st
+import pandas as pd
+import json
 
 load_dotenv()
 
-os.environ["DASHSCOPE_API_KEY"] = 'sk-38e455061c004036a70f661a768ba779'
-DASHSCOPE_API_KEY='sk-38e455061c004036a70f661a768ba779'
-
 
 embeddings = OpenAIEmbeddings()
-vectorstore = Chroma(persist_directory="./chroma_db_modelY", embedding_function=embeddings)
-
-# vectorstore.as_retriever(search_kwargs={'k': 1})
-# vectorstore.as_retriever(search_type="mmr")
-# vectorstore.as_retriever(search_type="similarity_score_threshold",search_kwargs={'k': 3,'score_threshold': 0.1})
-
+vectorstore = Chroma(persist_directory="./chroma_db_modelY_2", embedding_function=embeddings)
 
 
-# print(len(vectorstore.get(limit=1)))
-
 metadata_field_info = [
     AttributeInfo(
         name="brand",
@@ -63,45 +49,10 @@ metadata_field_info = [
 ]
 document_content_description = "汽车车型的用户评价"
 llm = OpenAI(temperature=0)
-
-
 retriever = SelfQueryRetriever.from_llm(
     llm, vectorstore, document_content_description, metadata_field_info, verbose=True
 )
-# ,enable_limit=True
-
-# retriever=SelfQueryRetriever(search_kwargs={"k":3})
-# retriever.from_llm(llm=llm,vectorstore=vectorstore,document_content_description=document_content_description,metadata_field_info=metadata_field_info,verbose=True,enable_limit=True)
-
-
-
-#✔️ 增加name属性
-# print(retriever.get_relevant_documents(query="李光L9,2.0T自动优点"))
-
-# filter 2.0T自动 丢失
-# print(retriever.get_relevant_documents(query="我最近考虑买车，目前关注李光L9这款车，请介绍一下2.0T自动优点和缺点"))
 
-# 这个可以，三个过滤条件
-# print(retriever.get_relevant_documents(query="请介绍李光L9纯电动,这款车的缺点"))
-# 四个过滤条件就不行了，目前最多只能三个过滤条件??????结论不扎实，纯电动这个过滤条件丢失了
-# print(retriever.get_relevant_documents(query="请介绍李光L9纯电动,这款车的缺点"))
-
-
-# ✔️ 可以找出缺点
-# print(retriever.get_relevant_documents(query="李光L9的缺点"))
-
-
-# ✔️ 全部找出来，把优点排前面，缺点排后面
-# print(retriever.get_relevant_documents(query="丰田卡罗拉优点,2020年上市"))
-
-# print(retriever.get_relevant_documents(query="驾驶者之车",metadata={"brand": '理想'}))
-
-# This example only specifies a relevant query
-# ✔️
-# print(retriever.get_relevant_documents("大众高尔夫的优点"))
-# ✔️ 
-# print(retriever.get_relevant_documents("2020年之后上市的宝马"))
-# print(retriever.get_relevant_documents("2015年之后上市的宝马"))
 
 # 2.检索生成结果
 def retrieve_info(query):
@@ -130,62 +81,25 @@ prompt=PromptTemplate(
 
 
 
-st.set_page_config(page_title="汽车口碑GPT",page_icon="🚗")
 
 chain=LLMChain(llm=llm,prompt=prompt)
 # 4.检索生成结果
+
 def generate_response(message):
     best_practice = retrieve_info(message)
 
-    # st.markdown(f'<small style="color: grey;">向量召回内容：{best_practice}</small>', unsafe_allow_html=True)
     # 获取每个 Document 对象中的 page_content 属性，并将其内容组合为一个字符串
     best_practice_text = "<br>".join([doc.page_content for doc in best_practice])
-
     # 在页面上以较小的字体打印 best_practice_text 变量的内容，并设置颜色为淡灰色
     st.markdown(f'<small style="color: #aaaaaa;">召回内容：<br>{best_practice_text}</small>', unsafe_allow_html=True)
-
-
-
-
-    print('message：',message)
-    print('向量召回内容Len：',len(best_practice))
-    print('向量召回内容：',best_practice)
-
-    print('')
-    print('')
-    print('')
-    print('')
-    print('')
-    print('')
-    print('')
-
-    # chain_qw = load_qa_chain(llm=llm_qwen, chain_type="stuff",prompt=prompt)
-    # chain = load_qa_chain(OpenAI(temperature=0), chain_type="stuff", prompt=prompt)
-    # response=chain({"input_documents": best_practice, "question": message}, return_only_outputs=True)
-
-
-
-    # response=chain_qw({"input_documents": best_practice, "question": message}, return_only_outputs=True)
-    # response=chain.run(input_documents=best_practice, question=message)
     response = chain.run(message=message,best_practice=best_practice)
     return response
 
-# message='特斯拉ModelY的后备箱可以放下自行车么？'
-# message='特斯拉ModelY的后备箱可以放下冰箱么？'
-
-# 很抱歉，基于真实车主的口碑数据，我暂时不能给出您这个问题的答案。
-# message='特斯拉ModelY四驱能越野么？'
-
-
-# message='特斯拉Model Y的后备箱可以放下自行车么？'
-# print(generate_response(message))
-
-# 5.创建一个应用使用streamlit框架
 def main():
 
     st.header("汽车口碑GPT 🚗")
 
-    message = st.text_area("问问我吧：我知道关于特斯拉ModelY的一切问题：冬天充满电可以跑多少公里？后备箱能放下自行车么？")
+    message = st.text_area("问问我吧：我知道关于特斯拉ModelY的一切问题：冬天续航衰减多少？后备箱能放下自行车么？")
 
     if message:
         
@@ -193,7 +107,6 @@ def main():
         result_placeholder.write("正在生成回复内容，请稍后...")
 
         result = generate_response("特斯拉ModelY"+message)
-        
         st.info(result)
         result_placeholder.empty()  # 清空临时消息