DHEIVER commited on
Commit
121fc9e
·
verified ·
1 Parent(s): 2a969ae

Create app.py

Browse files
Files changed (1) hide show
  1. app.py +100 -0
app.py ADDED
@@ -0,0 +1,100 @@
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
+ import gradio as gr
2
+ import torch
3
+ from sentence_transformers import SentenceTransformer, util
4
+ from transformers import T5ForConditionalGeneration, T5Tokenizer
5
+
6
+ # --- 1. Carregamento dos Modelos (faça isso apenas uma vez) ---
7
+
8
+ # Modelo para criar embeddings (vetores) a partir do texto
9
+ # 'all-MiniLM-L6-v2' é um modelo rápido e eficaz para essa tarefa.
10
+ print("Carregando o modelo de recuperação (Sentence Transformer)...")
11
+ retriever_model = SentenceTransformer('all-MiniLM-L6-v2')
12
+
13
+ # Modelo para gerar as respostas (um T5 do Hugging Face)
14
+ # 'google/flan-t5-base' é ótimo para tarefas de pergunta e resposta.
15
+ print("Carregando o modelo de geração (Flan-T5)...")
16
+ generator_tokenizer = T5Tokenizer.from_pretrained('google/flan-t5-base')
17
+ generator_model = T5ForConditionalGeneration.from_pretrained('google/flan-t5-base')
18
+ print("Modelos carregados com sucesso!")
19
+
20
+ # --- 2. Base de Conhecimento (Nosso "banco de dados" simples) ---
21
+ # Em um aplicativo real, isso viria de arquivos, um banco de dados, etc.
22
+
23
+ knowledge_base = [
24
+ "A capital da França é Paris. A cidade é famosa pela Torre Eiffel e pelo Museu do Louvre.",
25
+ "A fórmula química da água é H2O, composta por dois átomos de hidrogênio e um de oxigênio.",
26
+ "Gradio é uma biblioteca de Python que permite criar interfaces de usuário para modelos de machine learning de forma rápida.",
27
+ "O Sol é a estrela no centro do Sistema Solar. Mercúrio, Vênus, Terra, Marte, Júpiter, Saturno, Urano e Netuno são os planetas que o orbitam.",
28
+ "Retrieval-Augmented Generation (RAG) é uma técnica que melhora os resultados de modelos de linguagem grandes ao acessar uma base de conhecimento externa."
29
+ ]
30
+
31
+ # --- 3. Pré-processamento da Base de Conhecimento ---
32
+ # Convertendo nossos documentos em vetores numéricos (embeddings) para busca.
33
+ # Isso é feito apenas uma vez para otimizar a velocidade.
34
+ knowledge_base_embeddings = retriever_model.encode(knowledge_base, convert_to_tensor=True)
35
+
36
+
37
+ # --- 4. A Função Principal do RAG ---
38
+
39
+ def answer_question(question):
40
+ """
41
+ Esta função recebe uma pergunta, encontra o documento mais relevante na base de conhecimento
42
+ e gera uma resposta baseada nesse documento.
43
+ """
44
+ # Etapa de Recuperação (Retrieval)
45
+ # 1. Codificar a pergunta do usuário em um vetor.
46
+ question_embedding = retriever_model.encode(question, convert_to_tensor=True)
47
+
48
+ # 2. Calcular a similaridade de cosseno entre a pergunta e todos os documentos da base.
49
+ # Isso nos diz qual documento é o mais "parecido" com a pergunta.
50
+ cosine_scores = util.cos_sim(question_embedding, knowledge_base_embeddings)
51
+
52
+ # 3. Encontrar o documento com a maior pontuação de similaridade.
53
+ best_doc_index = torch.argmax(cosine_scores)
54
+ retrieved_context = knowledge_base[best_doc_index]
55
+
56
+ print(f"\n--- Nova Pergunta ---")
57
+ print(f"Pergunta: {question}")
58
+ print(f"Contexto Recuperado: {retrieved_context}")
59
+
60
+ # Etapa de Geração (Generation)
61
+ # 1. Criar um prompt combinando o contexto recuperado e a pergunta.
62
+ # Este formato instrui o modelo T5 a usar o contexto para responder.
63
+ prompt = f"""
64
+ Contexto: {retrieved_context}
65
+
66
+ Pergunta: {question}
67
+
68
+ Com base apenas no contexto fornecido, responda à pergunta.
69
+ Resposta:
70
+ """
71
+
72
+ # 2. Tokenizar o prompt para o modelo gerador.
73
+ input_ids = generator_tokenizer(prompt, return_tensors="pt").input_ids
74
+
75
+ # 3. Gerar a resposta usando o modelo.
76
+ outputs = generator_model.generate(
77
+ input_ids,
78
+ max_length=100, # Define um limite para o tamanho da resposta
79
+ num_beams=5, # Usa beam search para respostas de melhor qualidade
80
+ early_stopping=True # Para de gerar quando a frase está completa
81
+ )
82
+
83
+ # 4. Decodificar a resposta gerada para texto legível.
84
+ answer = generator_tokenizer.decode(outputs[0], skip_special_tokens=True)
85
+
86
+ return answer
87
+
88
+ # --- 5. Criação da Interface com Gradio ---
89
+
90
+ interface = gr.Interface(
91
+ fn=answer_question,
92
+ inputs=gr.Textbox(lines=2, placeholder="Faça sua pergunta aqui...", label="Pergunta"),
93
+ outputs=gr.Textbox(label="Resposta Gerada pelo RAG"),
94
+ title="🤖 App RAG Simples",
95
+ description="Faça uma pergunta sobre os tópicos da nossa base de conhecimento: França, água, Gradio, o Sistema Solar ou RAG. O sistema encontrará o documento relevante e gerará uma resposta."
96
+ )
97
+
98
+ # --- 6. Lançamento do App ---
99
+ if __name__ == "__main__":
100
+ interface.launch()