import gradio as gr
import numpy as np
import os
from sentence_transformers import SentenceTransformer

# 使用更轻量的模型
model = SentenceTransformer('all-MiniLM-L6-v2')

def predict(vector):
    """处理向量输入并返回答案"""
    try:
        # 转换为 numpy 数组
        vector = np.array(vector).reshape(1, -1)
        
        # 实际项目中这里应该是您的 RAG 推理逻辑
        # 这里用示例替代
        if vector.shape[1] == 384:  # MiniLM 向量维度
            return "这是基于向量生成的回答示例。实际使用时应连接您的 RAG 模型"
        else:
            return f"错误：接收的向量维度是 {vector.shape[1]}，但预期是 384"
            
    except Exception as e:
        return f"处理错误: {str(e)}"

# 创建更简单的接口
with gr.Blocks() as demo:
    gr.Markdown("## 🛍️ 电商智能客服系统")
    with gr.Row():
        vector_input = gr.Dataframe(
            headers=["向量值"], 
            type="array",
            label="输入向量 (384维)"
        )
        output = gr.Textbox(label="智能回答")
    
    submit_btn = gr.Button("生成回答")
    submit_btn.click(
        fn=predict, 
        inputs=vector_input, 
        outputs=output
    )

# 启动应用 - 添加共享选项
demo.launch(
    server_name="0.0.0.0",
    server_port=7860,
    share=False  # 在 Space 中设置为 False
)