Spaces:
Runtime error
Runtime error
File size: 14,046 Bytes
76f9b76 7384f77 76f9b76 7384f77 76f9b76 d9b374b 76f9b76 7384f77 6ced434 78e02ca b5c29bb 7384f77 b5c29bb 7384f77 76f9b76 c46abc6 d9b374b 7384f77 d9b374b 7384f77 d9b374b 7384f77 d9b374b 78e02ca 7384f77 76f9b76 d9b374b 7384f77 d9b374b 76f9b76 d9b374b eb74260 4fa6b30 76f9b76 d9b374b 4fa6b30 7384f77 d9b374b 7384f77 d9b374b f641f0b 64aba59 f641f0b e736cd0 4af7e3f 4fa6b30 c46abc6 d9b374b dea918b |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 |
import os
import pickle
import requests
import faiss
import numpy as np
from sentence_transformers import SentenceTransformer
from dotenv import load_dotenv
from openai import OpenAI
from groq import Groq
# === API Keys laden ===
load_dotenv()
openai_key = os.getenv("OPENAI_API_KEY")
groq_key = os.getenv("GROQ_API_KEY")
openai_client = OpenAI(api_key=openai_key) if openai_key else None
groq_client = Groq(api_key=groq_key) if groq_key else None
# === Modell laden ===
print("🧠 Lade SentenceTransformer...")
model = SentenceTransformer("Sahajtomar/German-semantic")
# === Google Drive Direktlinks
url_index = "https://drive.google.com/uc?export=download&id=1QBg4vjitJ2xHEyp3Ae8TWJHwEHjbwgOO"
url_chunks = "https://drive.google.com/uc?export=download&id=1nsrAm_ozsK4GlmMui9yqZBjmgUfqU2qa"
local_index = "faiss_index.index"
local_chunks = "chunks_mapping.pkl"
# === Datei-Download bei Bedarf
def download_if_missing(url, path):
if not os.path.exists(path):
print(f"⬇️ Lade {path} von Google Drive...")
r = requests.get(url)
if r.status_code == 200:
with open(path, "wb") as f:
f.write(r.content)
print(f"✅ Heruntergeladen: {path}")
else:
raise Exception(f"❌ Fehler beim Herunterladen von {path}")
download_if_missing(url_index, local_index)
download_if_missing(url_chunks, local_chunks)
# === FAISS laden
print("📂 Lade FAISS & Chunks...")
with open(local_chunks, "rb") as f:
token_split_texts = pickle.load(f)
print(f"✅ {len(token_split_texts)} Chunks geladen.")
chunk_embeddings = model.encode(token_split_texts, convert_to_numpy=True)
d = chunk_embeddings.shape[1]
index = faiss.IndexFlatL2(d)
index.add(chunk_embeddings)
print(f"✅ FAISS Index mit {index.ntotal} Einträgen.")
# === Ähnliche Chunks abrufen + Distanzen mitgeben
def retrieve(query, k=5):
query_embedding = model.encode([query], convert_to_numpy=True)
distances, indices = index.search(query_embedding, k)
safe_indices = [i for i in indices[0] if i < len(token_split_texts)]
retrieved_texts = [token_split_texts[i] for i in safe_indices]
return retrieved_texts, distances[0]
# === Prompt zusammenbauen
def build_prompt(query, texts):
context = "\n\n".join(texts)
return f"""Beantworte die folgende Frage basierend auf dem Kontext.
Kontext:
{context}
Frage:
{query}
"""
# === Anfrage an OpenAI
def ask_openai(prompt):
if not openai_client:
return "❌ Kein OpenAI API Key gefunden"
res = openai_client.chat.completions.create(
model="gpt-4",
messages=[
{"role": "system", "content": "Du bist ein hilfsbereiter Catan-Regel-Experte."},
{"role": "user", "content": prompt}
]
)
return res.choices[0].message.content.strip()
# === Anfrage an Groq
def ask_groq(prompt):
if not groq_client:
return "❌ Kein Groq API Key gefunden"
res = groq_client.chat.completions.create(
model="llama3-70b-8192",
messages=[
{"role": "system", "content": "Du bist ein hilfsbereiter Catan-Regel-Experte."},
{"role": "user", "content": prompt}
]
)
return res.choices[0].message.content.strip()
# === Hauptfunktion mit FAISS-Distanzfilter
def run_qa_pipeline(query, k=5):
try:
retrieved, distances = retrieve(query, k)
if not retrieved:
return "⚠️ Keine relevanten Textstellen gefunden."
max_dist = max(distances)
print(f"ℹ️ Höchste FAISS-Distanz: {max_dist:.4f}")
# 🔒 Schwelle für Relevanz (anpassbar)
if max_dist > 1.0:
return "🚫 Diese Frage scheint nichts mit Catan zu tun zu haben."
prompt = build_prompt(query, retrieved)
print("📨 Prompt gesendet...")
if openai_client:
answer = ask_openai(prompt)
elif groq_client:
answer = ask_groq(prompt)
else:
return "⚠️ Kein LLM API-Key vorhanden. Bitte OPENAI_API_KEY oder GROQ_API_KEY hinterlegen."
return f"📌 Frage: {query}\n\n📖 Antwort:\n{answer}"
except Exception as e:
return f"❌ Fehler beim Verarbeiten der Anfrage:\n{str(e)}"def build_prompt(query, texts):
context = "\n\n".join(texts)
return f"""Beantworte die folgende Frage basierend auf dem Kontext.
Kontext:
{context}
Frage:
{query}
"""
# === Anfrage an OpenAI
def ask_openai(prompt):
if not openai_client:
return "❌ Kein OpenAI API Key gefunden"
res = openai_client.chat.completions.create(
model="gpt-4",
messages=[
{"role": "system", "content": "Du bist ein hilfsbereiter Catan-Regel-Experte."},
{"role": "user", "content": prompt}
]
)
return res.choices[0].message.content.strip()
# === Anfrage an Groq
def ask_groq(prompt):
if not groq_client:
return "❌ Kein Groq API Key gefunden"
res = groq_client.chat.completions.create(
model="llama3-70b-8192",
messages=[
{"role": "system", "content": "Du bist ein hilfsbereiter Catan-Regel-Experte."},
{"role": "user", "content": prompt}
]
)
return res.choices[0].message.content.strip()
# === Hauptfunktion mit FAISS-Distanzfilter
def run_qa_pipeline(query, k=5):
try:
retrieved, distances = retrieve(query, k)
if not retrieved:
return "⚠️ Keine relevanten Textstellen gefunden."
max_dist = max(distances)
print(f"ℹ️ Höchste FAISS-Distanz: {max_dist:.4f}")
# 🔒 Schwelle für Relevanz
if max_dist > 1.0:
return "🚫 Diese Frage scheint nichts mit Catan zu tun zu haben."
prompt = build_prompt(query, retrieved)
print("📨 Prompt gesendet...")
if openai_client:
answer = ask_openai(prompt)
elif groq_client:
answer = ask_groq(prompt)
else:
return "⚠️ Kein LLM API-Key vorhanden. Bitte OPENAI_API_KEY oder GROQ_API_KEY hinterlegen."
return f"📌 Frage: {query}\n\n📖 Antwort:\n{answer}"
except Exception as e:
return f"❌ Fehler beim Verarbeiten der Anfrage:\n{str(e)}"def build_prompt(query, texts):
context = "\n\n".join(texts)
return f"""Beantworte die folgende Frage basierend auf dem Kontext.
Kontext:
{context}
Frage:
{query}
"""
# === Anfrage an OpenAI
def ask_openai(prompt):
if not openai_client:
return "❌ Kein OpenAI API Key gefunden"
res = openai_client.chat.completions.create(
model="gpt-4",
messages=[
{"role": "system", "content": "Du bist ein hilfsbereiter Catan-Regel-Experte."},
{"role": "user", "content": prompt}
]
)
return res.choices[0].message.content.strip()
# === Anfrage an Groq
def ask_groq(prompt):
if not groq_client:
return "❌ Kein Groq API Key gefunden"
res = groq_client.chat.completions.create(
model="llama3-70b-8192",
messages=[
{"role": "system", "content": "Du bist ein hilfsbereiter Catan-Regel-Experte."},
{"role": "user", "content": prompt}
]
)
return res.choices[0].message.content.strip()
# === Hauptfunktion mit FAISS-Distanzfilter
def run_qa_pipeline(query, k=5):
try:
retrieved, distances = retrieve(query, k)
if not retrieved:
return "⚠️ Keine relevanten Textstellen gefunden."
max_dist = max(distances)
print(f"ℹ️ Höchste FAISS-Distanz: {max_dist:.4f}")
# 🔒 Schwelle für Relevanz (anpassbar)
if max_dist > 1.0:
return "🚫 Diese Frage scheint nichts mit Catan zu tun zu haben."
prompt = build_prompt(query, retrieved)
print("📨 Prompt gesendet...")
if openai_client:
answer = ask_openai(prompt)
elif groq_client:
answer = ask_groq(prompt)
else:
return "⚠️ Kein LLM API-Key vorhanden. Bitte OPENAI_API_KEY oder GROQ_API_KEY hinterlegen."
return f"📌 Frage: {query}\n\n📖 Antwort:\n{answer}"
except Exception as e:
return f"❌ Fehler beim Verarbeiten der Anfrage:\n{str(e)}"def build_prompt(query, texts):
context = "\n\n".join(texts)
return f"""Beantworte die folgende Frage basierend auf dem Kontext.
Kontext:
{context}
Frage:
{query}
"""
# === Anfrage an OpenAI
def ask_openai(prompt):
if not openai_client:
return "❌ Kein OpenAI API Key gefunden"
res = openai_client.chat.completions.create(
model="gpt-4",
messages=[
{"role": "system", "content": "Du bist ein hilfsbereiter Catan-Regel-Experte."},
{"role": "user", "content": prompt}
]
)
return res.choices[0].message.content.strip()
# === Anfrage an Groq
def ask_groq(prompt):
if not groq_client:
return "❌ Kein Groq API Key gefunden"
res = groq_client.chat.completions.create(
model="llama3-70b-8192",
messages=[
{"role": "system", "content": "Du bist ein hilfsbereiter Catan-Regel-Experte."},
{"role": "user", "content": prompt}
]
)
return res.choices[0].message.content.strip()
# === Hauptfunktion mit FAISS-Distanzfilter
def run_qa_pipeline(query, k=5):
try:
retrieved, distances = retrieve(query, k)
if not retrieved:
return "⚠️ Keine relevanten Textstellen gefunden."
max_dist = max(distances)
print(f"ℹ️ Höchste FAISS-Distanz: {max_dist:.4f}")
# 🔒 Schwelle für Relevanz (anpassbar)
if max_dist > 1.0:
return "🚫 Diese Frage scheint nichts mit Catan zu tun zu haben."
prompt = build_prompt(query, retrieved)
print("📨 Prompt gesendet...")
if openai_client:
answer = ask_openai(prompt)
elif groq_client:
answer = ask_groq(prompt)
else:
return "⚠️ Kein LLM API-Key vorhanden. Bitte OPENAI_API_KEY oder GROQ_API_KEY hinterlegen."
return f"📌 Frage: {query}\n\n📖 Antwort:\n{answer}"
except Exception as e:
return f"❌ Fehler beim Verarbeiten der Anfrage:\n{str(e)}"def build_prompt(query, texts):
context = "\n\n".join(texts)
return f"""Beantworte die folgende Frage basierend auf dem Kontext.
Kontext:
{context}
Frage:
{query}
"""
# === Anfrage an OpenAI
def ask_openai(prompt):
if not openai_client:
return "❌ Kein OpenAI API Key gefunden"
res = openai_client.chat.completions.create(
model="gpt-4",
messages=[
{"role": "system", "content": "Du bist ein hilfsbereiter Catan-Regel-Experte."},
{"role": "user", "content": prompt}
]
)
return res.choices[0].message.content.strip()
# === Anfrage an Groq
def ask_groq(prompt):
if not groq_client:
return "❌ Kein Groq API Key gefunden"
res = groq_client.chat.completions.create(
model="llama3-70b-8192",
messages=[
{"role": "system", "content": "Du bist ein hilfsbereiter Catan-Regel-Experte."},
{"role": "user", "content": prompt}
]
)
return res.choices[0].message.content.strip()
# === Hauptfunktion mit FAISS-Distanzfilter
def run_qa_pipeline(query, k=5):
try:
retrieved, distances = retrieve(query, k)
if not retrieved:
return "⚠️ Keine relevanten Textstellen gefunden."
max_dist = max(distances)
print(f"ℹ️ Höchste FAISS-Distanz: {max_dist:.4f}")
# 🔒 Schwelle für Relevanz (je nach Modell ggf. anpassen)
if max_dist > 1.0:
return "🚫 Deine Frage passt wahrscheinlich nicht zu den Catan-Regeln. Bitte stelle eine spezifischere Frage."
prompt = build_prompt(query, retrieved)
print("📨 Prompt gesendet...")
if openai_client:
answer = ask_openai(prompt)
elif groq_client:
answer = ask_groq(prompt)
else:
return "⚠️ Kein LLM API-Key vorhanden. Bitte OPENAI_API_KEY oder GROQ_API_KEY hinterlegen."
return f"📌 Frage: {query}\n\n📖 Antwort:\n{answer}"
except Exception as e:
return f"❌ Fehler beim Verarbeiten der Anfrage:\n{str(e)}" context = "\n\n".join(texts)
return f"""Beantworte die folgende Frage basierend auf dem Kontext.
Kontext:
{context}
Frage:
{query}
"""
# === Anfrage an OpenAI
def ask_openai(prompt):
if not openai_client:
return "❌ Kein OpenAI API Key gefunden"
res = openai_client.chat.completions.create(
model="gpt-4",
messages=[
{"role": "system", "content": "Du bist ein hilfsbereiter Catan-Regel-Experte."},
{"role": "user", "content": prompt}
]
)
return res.choices[0].message.content.strip()
# === Anfrage an Groq
def ask_groq(prompt):
if not groq_client:
return "❌ Kein Groq API Key gefunden"
res = groq_client.chat.completions.create(
model="llama3-70b-8192",
messages=[
{"role": "system", "content": "Du bist ein hilfsbereiter Catan-Regel-Experte."},
{"role": "user", "content": prompt}
]
)
return res.choices[0].message.content.strip()
# === Hauptfunktion für Gradio
def run_qa_pipeline(query, k=5):
try:
retrieved = retrieve(query, k)
if not retrieved:
return "⚠️ Keine relevanten Textstellen gefunden."
prompt = build_prompt(query, retrieved)
print("📨 Prompt gesendet...")
if openai_client:
answer = ask_openai(prompt)
elif groq_client:
answer = ask_groq(prompt)
else:
return "⚠️ Kein LLM API-Key vorhanden. Bitte OPENAI_API_KEY oder GROQ_API_KEY hinterlegen."
return f"📌 Frage: {query}\n\n📖 Antwort:\n{answer}"
except Exception as e:
return f"❌ Fehler beim Verarbeiten der Anfrage:\n{str(e)}" |