app.py

import os
import gradio as gr
import torch
import logging

from langchain_community.embeddings import HuggingFaceEmbeddings
from langchain_community.vectorstores import Chroma
from langchain_community.llms import HuggingFacePipeline
from langchain.chains import RetrievalQA
from langchain.prompts import PromptTemplate
from transformers import AutoTokenizer, AutoModelForCausalLM, pipeline

logging.basicConfig(level=logging.INFO)

# ─── 配置 ─────────────────────────────────────────────────────
VECTOR_STORE_DIR = "./vector_store"
MODEL_NAME = "uer/gpt2-chinese-cluecorpussmall"
EMBEDDING_MODEL_NAME = "sentence-transformers/paraphrase-multilingual-mpnet-base-v2"

# ─── 1. 加载 LLM ────────────────────────────────────────────────
print("🔧 加载生成模型…")
tokenizer = AutoTokenizer.from_pretrained(MODEL_NAME, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(
    MODEL_NAME,
    torch_dtype=torch.float16 if torch.cuda.is_available() else torch.float32,
    device_map="auto",
)
gen_pipe = pipeline(
    task="text-generation",
    model=model,
    tokenizer=tokenizer,
    max_new_tokens=256,
    temperature=0.5,
    top_p=0.9,
    do_sample=True,
)
llm = HuggingFacePipeline(pipeline=gen_pipe)
print("✅ 生成模型加载成功。")

# ─── 2. 加载向量库 ─────────────────────────────────────────────
print("📚 加载向量库…")
embeddings = HuggingFaceEmbeddings(model_name=EMBEDDING_MODEL_NAME)
vectordb = Chroma(persist_directory=VECTOR_STORE_DIR, embedding_function=embeddings)
retriever = vectordb.as_retriever(search_kwargs={"k": 3})
print("✅ 向量库加载成功。")

# ─── 3. 自定义 Prompt ─────────────────────────────────────────
prompt_template = PromptTemplate.from_template(
    """你是一位专业的数学助教，请根据以下参考资料回答用户的问题。
如果资料中没有相关内容，请直接回答“我不知道”或“资料中未提及”，不要编造答案。

参考资料：
{context}

用户问题：
{question}

回答（只允许基于参考资料，不要编造）：
"""
)

# ─── 4. 构建 RAG 问答链 ───────────────────────────────────────
qa_chain = RetrievalQA.from_chain_type(
    llm=llm,
    chain_type="stuff",
    retriever=retriever,
    chain_type_kwargs={"prompt": prompt_template},
    return_source_documents=True,
)
print("✅ RAG 问答链构建成功。")

# ─── 5. 业务函数 ───────────────────────────────────────────────
def qa_fn(query: str):
    if not query.strip():
        return "❌ 请输入问题内容。"
    # 执行检索与问答
    result = qa_chain({"query": query})
    answer = result["result"].strip()
    sources = result.get("source_documents", [])
    if not sources:
        return "📌 回答：未在知识库中找到相关内容，请尝试更换问题或补充教材。"
    # 拼接参考片段
    sources_text = "\n\n".join(
        [f"【片段 {i+1}】\n{doc.page_content}" for i, doc in enumerate(sources)]
    )
    return f"📌 回答：{answer}\n\n📚 参考：\n{sources_text}"

# ─── 6. Gradio 界面 ─────────────────────────────────────────────
with gr.Blocks(title="智能学习助手") as demo:
    gr.Markdown("## 📘 智能学习助手\n输入教材相关问题，例如：“什么是函数的定义域？”")
    with gr.Row():
        query = gr.Textbox(label="问题", placeholder="请输入你的问题", lines=2)
        answer = gr.Textbox(label="回答", lines=12)
    gr.Button("提问").click(fn=qa_fn, inputs=query, outputs=answer)
    gr.Markdown(
        "---\n"
        "模型：UER/GPT2-Chinese-ClueCorpus + Sentence-Transformers RAG  \n"
        "由 Hugging Face Spaces 提供算力支持"
    )

if __name__ == "__main__":
    demo.launch()