Spaces:
Sleeping
Sleeping
Create app.py
Browse files
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()
|