File size: 10,646 Bytes
68e8c03 | 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 | """Interface web BYOK do DocuMind AI utilizando Streamlit com isolamento por sessão."""
import os
import secrets
import tempfile
from pathlib import Path
import streamlit as st
from dotenv import load_dotenv
from src.document_loader import DocumentLoadError
from src.embeddings import EmbeddingLoadError, EmbeddingModel
from src.llm import BYOKLLM, LLMConfigError, LLMMode, sanitize_sensitive_text
from src.rag_pipeline import RAGPipeline
load_dotenv()
st.set_page_config(
page_title="DocuMind AI",
page_icon="📄",
layout="wide",
)
MODE_LABELS: dict[str, LLMMode] = {
"Modo Gemini": "gemini",
"Modo Groq": "groq",
"Modo Gemini + fallback Groq": "gemini_groq",
}
@st.cache_resource(show_spinner="Carregando modelo local de embeddings (all-MiniLM-L6-v2)...")
def get_embedding_model() -> EmbeddingModel:
"""Carrega o modelo SentenceTransformer uma única vez por processo."""
return EmbeddingModel()
def _resolve_session_storage(session_id: str) -> tuple[Path, str]:
"""Define diretório e coleção isolados por sessão em ambiente multiusuário."""
if os.getenv("SPACE_ID"):
base_dir = Path(tempfile.gettempdir()) / "documind_sessions" / session_id
return base_dir, f"session_{session_id[:16]}"
persist_dir = Path(os.getenv("CHROMA_PERSIST_DIR", "data/chroma_db"))
return persist_dir, f"session_{session_id[:16]}"
def init_session_state() -> None:
"""Inicializa estado isolado da sessão atual."""
if "session_id" not in st.session_state:
st.session_state.session_id = secrets.token_urlsafe(24)
if "messages" not in st.session_state:
st.session_state.messages = []
if "byok_mode_label" not in st.session_state:
st.session_state.byok_mode_label = "Modo Gemini"
if "byok_gemini_key" not in st.session_state:
st.session_state.byok_gemini_key = ""
if "byok_groq_key" not in st.session_state:
st.session_state.byok_groq_key = ""
def get_pipeline() -> RAGPipeline:
"""Obtém ou cria o pipeline RAG exclusivo da sessão atual."""
if "pipeline" not in st.session_state:
persist_dir, collection_name = _resolve_session_storage(st.session_state.session_id)
st.session_state.pipeline = RAGPipeline(
persist_directory=persist_dir,
collection_name=collection_name,
embedding_model=get_embedding_model(),
)
return st.session_state.pipeline
def clear_session_credentials(pipeline: RAGPipeline) -> None:
"""Remove credenciais da sessão atual em memória."""
st.session_state.byok_gemini_key = ""
st.session_state.byok_groq_key = ""
pipeline.set_llm(None)
def render_sources(sources: list[dict[str, object]]) -> None:
"""Exibe as fontes (documento, página e trecho) em um bloco expansível."""
if not sources:
return
with st.expander(f"📚 Fontes consultadas ({len(sources)})", expanded=False):
for src in sources:
st.markdown(f"**{src['source']}** — Página `{src['page']}`")
st.caption(str(src["excerpt"]))
def main() -> None:
init_session_state()
try:
pipeline = get_pipeline()
except EmbeddingLoadError as exc:
st.error(f"Erro ao inicializar o modelo local de embeddings: {exc}")
st.stop()
with st.sidebar:
st.title("📄 DocuMind AI")
st.caption("RAG com embeddings locais e arquitetura BYOK (suas próprias chaves).")
st.divider()
# Configuração BYOK (sem uso de chaves do proprietário)
st.subheader("🔑 Credenciais (BYOK)")
mode_label = st.radio(
"Modo de geração",
options=list(MODE_LABELS.keys()),
key="byok_mode_label",
)
selected_mode: LLMMode = MODE_LABELS[mode_label]
if selected_mode in ("gemini", "gemini_groq"):
st.text_input(
"GEMINI_API_KEY",
type="password",
key="byok_gemini_key",
placeholder="Cole sua chave da Google Gemini API",
)
if selected_mode in ("groq", "gemini_groq"):
st.text_input(
"GROQ_API_KEY",
type="password",
key="byok_groq_key",
placeholder="Cole sua chave da Groq API",
)
if st.button("Limpar credenciais", use_container_width=True):
clear_session_credentials(pipeline)
st.rerun()
st.divider()
# Upload e indexação de PDFs
uploaded_files = st.file_uploader(
"Envie seus arquivos PDF (máx. 20 MB cada)",
type=["pdf"],
accept_multiple_files=True,
help="Os documentos são processados localmente e isolados na sua sessão.",
)
if st.button(
"Processar documentos",
type="primary",
use_container_width=True,
disabled=not uploaded_files,
):
total_chunks = 0
errors: list[str] = []
with st.status("Processando PDFs com embeddings locais...", expanded=True) as status:
for uploaded_file in uploaded_files or []:
st.write(f"Indexando `{uploaded_file.name}`...")
try:
uploaded_file.seek(0)
chunks_added = pipeline.index_pdf(uploaded_file, filename=uploaded_file.name)
total_chunks += chunks_added
st.write(f"✅ `{uploaded_file.name}` ({chunks_added} trechos)")
except DocumentLoadError as exc:
errors.append(str(exc))
st.write(f"⚠️ {exc}")
except Exception as exc:
errors.append(f"Erro inesperado ao processar '{uploaded_file.name}': {exc}")
st.write(f"❌ Erro em `{uploaded_file.name}`")
if total_chunks > 0 and not errors:
status.update(label=f"Concluído! {total_chunks} trechos indexados.", state="complete")
elif total_chunks > 0:
status.update(label=f"Finalizado com avisos ({total_chunks} trechos).", state="complete")
else:
status.update(label="Nenhum trecho foi indexado.", state="error")
st.divider()
indexed_sources = pipeline.list_indexed_sources()
st.subheader("Documentos da sessão")
if indexed_sources:
for source_name in indexed_sources:
st.markdown(f"- `{source_name}`")
else:
st.caption("Nenhum documento indexado nesta sessão.")
if os.getenv("SPACE_ID"):
st.caption(
"ℹ️ Sessão isolada em armazenamento temporário no Hugging Face Spaces."
)
top_k = st.slider(
"Trechos recuperados por pergunta",
min_value=3,
max_value=5,
value=4,
help="Quantidade de trechos mais relevantes enviados como contexto para a LLM.",
)
st.divider()
col_clear_chat, col_clear_db = st.columns(2)
with col_clear_chat:
if st.button("Limpar conversa", use_container_width=True):
st.session_state.messages = []
st.rerun()
with col_clear_db:
if st.button("Limpar base", use_container_width=True, disabled=not indexed_sources):
pipeline.clear_index()
st.rerun()
# Área principal: Chat
st.header("💬 Converse com seus documentos")
st.caption(
"Os embeddings são gerados localmente (`all-MiniLM-L6-v2`). "
"Suas chaves de API ficam apenas na memória da sua sessão."
)
if not st.session_state.messages:
st.info(
"1) Selecione o modo e informe sua chave de API na barra lateral. "
"2) Envie e processe ao menos um PDF. 3) Faça sua pergunta abaixo."
)
for message in st.session_state.messages:
with st.chat_message(message["role"]):
st.markdown(message["content"])
if message.get("used_fallback"):
st.caption("⚡ Resposta gerada via fallback Groq (Gemini temporariamente indisponível).")
if message["role"] == "assistant" and message.get("sources"):
render_sources(message["sources"])
if prompt := st.chat_input("Digite sua pergunta sobre os documentos..."):
st.session_state.messages.append({"role": "user", "content": prompt})
with st.chat_message("user"):
st.markdown(prompt)
gemini_key = st.session_state.byok_gemini_key if selected_mode in ("gemini", "gemini_groq") else None
groq_key = st.session_state.byok_groq_key if selected_mode in ("groq", "gemini_groq") else None
with st.chat_message("assistant"):
used_fallback = False
sources_payload: list[dict[str, object]] = []
with st.spinner("Buscando trechos relevantes e gerando resposta..."):
try:
llm_client = BYOKLLM(
mode=selected_mode,
gemini_api_key=gemini_key,
groq_api_key=groq_key,
)
pipeline.set_llm(llm_client)
rag_response = pipeline.ask(question=prompt, top_k=top_k)
answer_text = rag_response.answer
used_fallback = rag_response.used_fallback
sources_payload = [
{"source": s.source, "page": s.page, "excerpt": s.excerpt}
for s in rag_response.sources
]
except LLMConfigError as exc:
answer_text = f"⚠️ **Configuração necessária:** {exc}"
except Exception as exc:
safe_err = sanitize_sensitive_text(str(exc), [gemini_key or "", groq_key or ""])
answer_text = f"❌ **Erro na geração da resposta:** {safe_err}"
st.markdown(answer_text)
if used_fallback:
st.caption("⚡ Resposta gerada via fallback Groq (Gemini temporariamente indisponível).")
render_sources(sources_payload)
st.session_state.messages.append(
{
"role": "assistant",
"content": answer_text,
"sources": sources_payload,
"used_fallback": used_fallback,
}
)
if __name__ == "__main__":
main()
|