Upload 3 files

app.py

@@ -0,0 +1,58 @@
+import os
+import glob
+import uvicorn
+from fastapi import FastAPI
+from sentence_transformers import SentenceTransformer
+from sklearn.metrics.pairwise import cosine_similarity
+import numpy as np
+
+app = FastAPI()
+
+# Загружаем модель для создания эмбеддингов
+model = SentenceTransformer('sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2')
+
+# Папка с файлами лора
+LORE_DIR = './lore'
+
+# Параметры нарезки текста
+CHUNK_SIZE = 1000  # символов
+CHUNK_OVERLAP = 100  # перекрытие кусков для связности текста
+
+# Загружаем и обрабатываем лор
+def load_lore_chunks():
+    chunks = []
+    file_paths = glob.glob(os.path.join(LORE_DIR, '*.txt'))
+    
+    for path in file_paths:
+        with open(path, 'r', encoding='utf-8') as f:
+            text = f.read()
+            # чистим мусорные символы
+            text = ''.join(c if 0x20 <= ord(c) <= 0xFFFF else ' ' for c in text)
+            # разбиваем на кусочки
+            for i in range(0, len(text), CHUNK_SIZE - CHUNK_OVERLAP):
+                chunk = text[i:i + CHUNK_SIZE].strip()
+                if chunk:
+                    chunks.append(chunk)
+    return chunks
+
+# Загружаем чанки и строим эмбеддинги
+print("Идёт загрузка файлов...")
+lore_chunks = load_lore_chunks()
+lore_embeddings = model.encode(lore_chunks)
+print(f"Загружено {len(lore_chunks)} частей текста.")
+
+# Функция для поиска лучшего ответа
+def find_best_answer(question):
+    question_embedding = model.encode([question])[0]
+    similarities = cosine_similarity([question_embedding], lore_embeddings)[0]
+    best_idx = np.argmax(similarities)
+    return lore_chunks[best_idx]
+
+@app.get("/")
+def read_root():
+    return {"message": "Добро пожаловать в Лор-Бота!"}
+
+@app.get("/ask/")
+def ask_question(q: str):
+    answer = find_best_answer(q)
+    return {"question": q, "answer": answer}

requirements.txt

@@ -0,0 +1,4 @@
+fastapi
+uvicorn
+sentence-transformers
+scikit-learn