Update app.py

app.py

@@ -46,7 +46,6 @@ def load_doc(list_file_path, chunk_size, chunk_overlap):
 # Função para criar o banco de dados vetorial
 def create_db(splits, collection_name):
     embedding = HuggingFaceEmbeddings()
-    # Usando PersistentClient para persistir o banco de dados
     new_client = chromadb.PersistentClient(path="./chroma_db")
     vectordb = Chroma.from_documents(
         documents=splits,
@@ -128,8 +127,6 @@ def create_collection_name(filepath):
         collection_name = 'A' + collection_name[1:]
     if not collection_name[-1].isalnum():
         collection_name = collection_name[:-1] + 'Z'
-    print('Caminho do arquivo: ', filepath)
-    print('Nome da coleção: ', collection_name)
     return collection_name
 
 # Função para inicializar o banco de dados
@@ -147,7 +144,6 @@ def initialize_database(list_file_obj, chunk_size, chunk_overlap, progress=gr.Pr
 # Função para inicializar o modelo LLM
 def initialize_LLM(llm_option, llm_temperature, max_tokens, top_k, vector_db, progress=gr.Progress()):
     llm_name = list_llm[llm_option]
-    print("Nome do LLM: ", llm_name)
     qa_chain = initialize_llmchain(llm_name, llm_temperature, max_tokens, top_k, vector_db, progress)
     return qa_chain, "Completo!"
 
@@ -185,7 +181,7 @@ def upload_file(file_obj):
     return list_file_path
 
 def demo():
-    with gr.Blocks(theme="base") as demo:
+    with gr.Blocks() as demo:
         vector_db = gr.State()
         qa_chain = gr.State()
         collection_name = gr.State()
@@ -194,72 +190,29 @@ def demo():
         """<center><h2>Chatbot baseado em PDF</center></h2>
         <h3>Faça qualquer pergunta sobre seus documentos PDF</h3>""")
         gr.Markdown(
-        """<b>Nota:</b> Este assistente de IA, utilizando Langchain e LLMs de código aberto, realiza geração aumentada por recuperação (RAG) a partir de seus documentos PDF. \
-        A interface do usuário mostra explicitamente várias etapas para ajudar a entender o fluxo de trabalho do RAG. 
-        Este chatbot leva em consideração perguntas anteriores ao gerar respostas (via memória conversacional), e inclui referências documentais para maior clareza.<br>
-        <br><b>Aviso:</b> Este espaço usa a CPU básica gratuita do Hugging Face. Algumas etapas e modelos LLM utilizados abaixo (pontos finais de inferência gratuitos) podem levar algum tempo para gerar uma resposta.
-        """)
-        
-        with gr.Tab("Etapa 1 - Carregar PDF"):
-            with gr.Row():
-                document = gr.Files(height=100, file_count="multiple", file_types=["pdf"], interactive=True, label="Carregue seus documentos PDF (único ou múltiplos)")
-
-        with gr.Tab("Etapa 2 - Processar documento"):
-            with gr.Row():
-                db_btn = gr.Radio(["ChromaDB"], label="Tipo de banco de dados vetorial", value="ChromaDB", type="index", info="Escolha o banco de dados vetorial para armazenar os embeddings dos documentos.")
-            with gr.Accordion("Opções avançadas - Divisor de texto do documento", open=False):
-                with gr.Row():
-                    slider_chunk_size = gr.Slider(minimum=100, maximum=1000, value=600, step=20, label="Tamanho do bloco", info="Define o tamanho de cada bloco de texto dividido.", interactive=True)
-                with gr.Row():
-                    slider_chunk_overlap = gr.Slider(minimum=10, maximum=200, value=40, step=10, label="Sobreposição do bloco", info="Define a quantidade de sobreposição entre blocos consecutivos.", interactive=True)
-            with gr.Row():
-                db_progress = gr.Textbox(label="Progresso do banco de dados vetorial", value="Nenhum", info="Acompanhe o progresso da criação do banco de dados vetorial.")
-            with gr.Row():
-                db_btn = gr.Button("Gerar banco de dados vetorial", info="Clique para gerar o banco de dados vetorial a partir dos documentos carregados.")
-            
-        with gr.Tab("Etapa 3 - Inicializar cadeia de QA"):
-            with gr.Row():
-                llm_btn = gr.Radio(list_llm_simple, label="Modelos LLM", value=list_llm_simple[0], type="index", info="Escolha o modelo de linguagem que será usado para gerar respostas.")
-            with gr.Accordion("Opções avançadas - Modelo LLM", open=False):
-                with gr.Row():
-                    slider_temperature = gr.Slider(minimum=0.01, maximum=1.0, value=0.7, step=0.1, label="Temperatura", info="Controla a criatividade das respostas. Valores mais altos geram respostas mais diversificadas.", interactive=True)
-                with gr.Row():
-                    slider_maxtokens = gr.Slider(minimum=224, maximum=4096, value=1024, step=32, label="Máximo de Tokens", info="Define o número máximo de tokens que o modelo pode gerar por resposta.", interactive=True)
-                with gr.Row():
-                    slider_topk = gr.Slider(minimum=1, maximum=10, value=3, step=1, label="Amostras top-k", info="Controla o número de amostras consideradas durante a geração de respostas.", interactive=True)
-            with gr.Row():
-                llm_progress = gr.Textbox(value="Nenhum", label="Progresso da cadeia QA", info="Acompanhe o progresso da inicialização da cadeia de Pergunta e Resposta.")
-            with gr.Row():
-                qachain_btn = gr.Button("Inicializar cadeia de Pergunta e Resposta", info="Clique para inicializar a cadeia de Pergunta e Resposta com o modelo LLM selecionado.")
-
-        with gr.Tab("Etapa 4 - Chatbot"):
-            chatbot = gr.Chatbot(height=300, label="Chatbot", info="Interaja com o chatbot fazendo perguntas sobre os documentos carregados.")
-            with gr.Accordion("Avançado - Referências do documento", open=False):
-                with gr.Row():
-                    doc_source1 = gr.Textbox(label="Referência 1", lines=2, container=True, scale=20, info="Trecho do documento referente à primeira fonte de informação.")
-                    source1_page = gr.Number(label="Página", scale=1, info="Página do documento onde a referência foi encontrada.")
-                with gr.Row():
-                    doc_source2 = gr.Textbox(label="Referência 2", lines=2, container=True, scale=20, info="Trecho do documento referente à segunda fonte de informação.")
-                    source2_page = gr.Number(label="Página", scale=1, info="Página do documento onde a referência foi encontrada.")
-                with gr.Row():
-                    doc_source3 = gr.Textbox(label="Referência 3", lines=2, container=True, scale=20, info="Trecho do documento referente à terceira fonte de informação.")
-                    source3_page = gr.Number(label="Página", scale=1, info="Página do documento onde a referência foi encontrada.")
-            with gr.Row():
-                msg = gr.Textbox(placeholder="Digite a mensagem (exemplo: 'Sobre o que é este documento?')", container=True, label="Mensagem", info="Digite sua pergunta aqui.")
-            with gr.Row():
-                submit_btn = gr.Button("Enviar mensagem", info="Clique para enviar sua pergunta ao chatbot.")
-                clear_btn = gr.ClearButton([msg, chatbot], value="Limpar conversa", info="Clique para limpar a conversa atual.")
-            
-        # Eventos de pré-processamento
-        db_btn.click(initialize_database, inputs=[document, slider_chunk_size, slider_chunk_overlap], outputs=[vector_db, collection_name, db_progress])
-        qachain_btn.click(initialize_LLM, inputs=[llm_btn, slider_temperature, slider_maxtokens, slider_topk, vector_db], outputs=[qa_chain, llm_progress]).then(lambda:[None,"",0,"",0,"",0], inputs=None, outputs=[chatbot, doc_source1, source1_page, doc_source2, source2_page, doc_source3, source3_page], queue=False)
-
-        # Eventos do Chatbot
-        msg.submit(conversation, inputs=[qa_chain, msg, chatbot], outputs=[qa_chain, msg, chatbot, doc_source1, source1_page, doc_source2, source2_page, doc_source3, source3_page], queue=False)
-        submit_btn.click(conversation, inputs=[qa_chain, msg, chatbot], outputs=[qa_chain, msg, chatbot, doc_source1, source1_page, doc_source2, source2_page, doc_source3, source3_page], queue=False)
-        clear_btn.click(lambda:[None,"",0,"",0,"",0], inputs=None, outputs=[chatbot, doc_source1, source1_page, doc_source2, source2_page, doc_source3, source3_page], queue=False)
-    demo.queue().launch(debug=True)
-
-
-if __name__ == "__main__":
-    demo()
+        """<b>Nota:</b> Este assistente de IA, utilizando Langchain e LLMs de código aberto, realiza geração aumentada por recuperação, usando as informações dos documentos PDF carregados.""")
+
+        with gr.Tab("Iniciar Chatbot"):
+            with gr.Column():
+                gr.Markdown("Por favor, faça upload de um ou mais arquivos PDF.")
+                file_upload = gr.File(label="Carregar PDFs", file_count="multiple", file_types=["pdf"])
+                chunk_size = gr.Slider(minimum=500, maximum=1500, step=100, label="Tamanho do Chunk", value=1000)
+                chunk_overlap = gr.Slider(minimum=0, maximum=500, step=10, label="Sobreposição do Chunk", value=100)
+                gr.Markdown("<center><h3>Escolha o modelo LLM desejado:</h3></center>")
+                llm_option = gr.Dropdown(choices=list_llm_simple, value=list_llm_simple[0])
+                gr.Markdown(
+                    """<center><h3>Escolha os parâmetros do LLM desejados:</h3></center>""")
+                llm_temperature = gr.Slider(minimum=0, maximum=1, step=0.01, label="Temperatura", value=0.7)
+                max_tokens = gr.Slider(minimum=100, maximum=500, step=10, label="Tokens Máximos", value=150)
+                top_k = gr.Slider(minimum=10, maximum=50, step=5, label="Top-K", value=40)
+
+                progress = gr.Progress()
+                progress.clear()
+                progress_progress = gr.Progress()
+                submit_button = gr.Button("Iniciar Chatbot")
+
+                submit_button.click(initialize_database, inputs=[file_upload, chunk_size, chunk_overlap], outputs=[vector_db, collection_name, progress])
+                submit_button.click(initialize_LLM, inputs=[llm_option, llm_temperature, max_tokens, top_k, vector_db], outputs=[qa_chain, progress])
+    return demo
+
+demo().launch()