new file: .python-version

modified: app.py
new file: pyproject.toml
modified: requirements.txt

.python-version

@@ -0,0 +1 @@
+3.13

app.py

@@ -1,138 +1,134 @@
-# import os 
-# import json
-# import gradio as gr
-
-# from uuid import uuid4
-# from pprint import pprint
-# from dotenv import load_dotenv
-# from qdrant_client import QdrantClient
-# from fastembed import TextEmbedding
-# from langchain_core.documents import Document
-# from src.utils.qdrant_vector_store import QdrantVectorStore, RetrievalMode
-# from src.utils.fastembed_manager import add_custom_embedding_model
-# from src.utils.fastembed_sparse import FastEmbedSparse
-
-
-
-# from qdrant_client import QdrantClient
-# from qdrant_client.http import models
-# load_dotenv()
-
-
-# COLLECTION_NAME = "test_collection"
-# qdrant_api_key = "eyJhbGciOiJIUzI1NiIsInR5cCI6IkpXVCJ9.eyJhY2Nlc3MiOiJtIn0.T97XMDCPTieAz5kVDkKtF0_HU_9BkFA71tH2j4WovkU"
-# qdrant_endpoint = "https://9ea9b30f-4284-455b-bbae-65e4e458ed35.europe-west3-0.gcp.cloud.qdrant.io"
-# qdrant_client = QdrantClient(
-#     url=qdrant_endpoint,
-#     api_key=qdrant_api_key,
-#     prefer_grpc=True,
-# )
-# sparse_embeddings = FastEmbedSparse(model_name="Qdrant/BM25")
-# embedding = add_custom_embedding_model(
-#                 model_name="models/Vietnamese_Embedding_OnnX_Quantized",
-#                 source_model="Mint1456/Vietnamese_Embedding_OnnX_Quantized", 
-#                 dim=1024,
-#                 source_file="model.onnx"
-#             )
-# client = QdrantVectorStore(
-#     client=qdrant_client,
-#     collection_name=COLLECTION_NAME,
-#     embedding=embedding,
-#     sparse_embedding=sparse_embeddings,
-#     retrieval_mode=RetrievalMode.HYBRID,
-# )
-
-# def search_document(query, top_k, search_type, slider_lambda):
-#     if not query.strip():
-#         return "⚠️ Enter query to look up!"
-#     try:
-#         if search_type == "Default":
-#             hits = client.similarity_search_with_score(query=query,k=top_k)
-#         else:
-
-#             hits = client.max_marginal_relevance_search_with_score(query=query, k=top_k, lambda_mult=slider_lambda)
-#     except Exception as e:
-#         print("error", e)
-
-#     total_found = len(hits)
-#     if total_found == 0:
-#         return json.dumps([], indent=2)
-
-#     # Nếu tìm được 10 mà đòi 15 -> chỉ lấy 10. Nếu tìm được 100 mà đòi 15 -> lấy 15
-#     safe_k = min(top_k, total_found)
-#     results = []
-#     for i in range(safe_k):
-#         hit = hits[i]
-#         if hit[0].metadata.get('parent_chunking', None) is not None:
-#             content = hit[0].metadata['parent_chunking']
-#         elif hit[0].metadata.get('type', None) == "intro":
-#             content = hit[0].page_content
-#         else:
-#             content = None
-#         results.append({
-#             "Score": round(hit[1], 4),
-#             "Content": content,
-#             # "Metadata:": {k: v for k, v in hit[0].metadata.items() if k != "page_content"}
-#         })
-    
-#     return json.dumps(results, indent=2, ensure_ascii=False)
-
-# # --- GIAO DIỆN GRADIO ---
-
-# with gr.Blocks(title="Qdrant Vector DB Demo") as demo:
-#     gr.Markdown("# 🚀 Demo Qdrant Vector Search")
-#     gr.Markdown("Tool test nhanh khả năng thêm dữ liệu và tìm kiếm ngữ nghĩa (Semantic Search).")
-
-
-#     with gr.Tab("2. Tìm Kiếm (Search)"):
-#             with gr.Row():
-#                 with gr.Column(scale=1):
-#                     txt_query = gr.Textbox(label="Câu truy vấn", placeholder="Ví dụ: Tìm về một số thông tin trên website Bệnh Viện Tâm Anh", lines=2)
-#                     gr.Examples(
-#                     examples=[
-#                             "Rủi ro khi khâu cổ tử cung",
-#                             "Biến chứng của tràn dịch phổi",
-#                             "Triệu chứng của viêm phế quản",
-#                             "Phòng ngừa đau tim"
-#                         ],
-#                         inputs=txt_query,
-#                         label="Ví dụ mẫu (Click để chọn)"
-#                     )
-#                     # Component mới: Chọn thuật toán
-#                     radio_type = gr.Radio(
-#                         choices=["Default", "MMR"], 
-#                         value="Default", 
-#                         label="Search Type",
-#                         info="Default: Giống nhất | MMR: Đa dạng kết quả"
-#                     )
-                    
-#                     # Component mới: Slider cho MMR
-#                     # visible=False mặc định, sẽ hiện khi chọn MMR (nếu bạn muốn làm xịn, ở đây để luôn True cho dễ)
-#                     slider_lambda = gr.Slider(
-#                         minimum=0.0, maximum=1.0, value=0.5, step=0.1, 
-#                         label="Độ đa dạng (Lambda)",
-#                         info="1.0 = Chính xác nhất (như Default), 0.0 = Đa dạng nhất"
-#                     )
-
-#                     slider_k = gr.Slider(minimum=1, maximum=20, value=3, step=1, label="Số lượng kết quả (Top K)")
-                    
-#                     btn_search = gr.Button("🔍 Tìm kiếm ngay", variant="primary")
-                
-#                 with gr.Column(scale=2):
-#                     out_search = gr.Code(label="Kết quả trả về (JSON)", language="json")
-            
-#             # Cập nhật inputs truyền vào hàm search
-#             btn_search.click(
-#                 search_document, 
-#                 inputs=[txt_query, slider_k, radio_type, slider_lambda], 
-#                 outputs=out_search
-#             )
+import os 
+import json
 import gradio as gr
+
+from uuid import uuid4
+from pprint import pprint
+from dotenv import load_dotenv
+from qdrant_client import QdrantClient
+from fastembed import TextEmbedding
+from langchain_core.documents import Document
+from src.utils.qdrant_vector_store import QdrantVectorStore, RetrievalMode
+from src.utils.fastembed_manager import add_custom_embedding_model
+from src.utils.fastembed_sparse import FastEmbedSparse
+
+
+
+from qdrant_client import QdrantClient
+from qdrant_client.http import models
+load_dotenv()
+
+
+COLLECTION_NAME = "test_collection"
+qdrant_api_key = "eyJhbGciOiJIUzI1NiIsInR5cCI6IkpXVCJ9.eyJhY2Nlc3MiOiJtIn0.T97XMDCPTieAz5kVDkKtF0_HU_9BkFA71tH2j4WovkU"
+qdrant_endpoint = "https://9ea9b30f-4284-455b-bbae-65e4e458ed35.europe-west3-0.gcp.cloud.qdrant.io"
+qdrant_client = QdrantClient(
+    url=qdrant_endpoint,
+    api_key=qdrant_api_key,
+    prefer_grpc=True,
+)
+sparse_embeddings = FastEmbedSparse(model_name="Qdrant/BM25")
+embedding = add_custom_embedding_model(
+                model_name="models/Vietnamese_Embedding_OnnX_Quantized",
+                source_model="Mint1456/Vietnamese_Embedding_OnnX_Quantized", 
+                dim=1024,
+                source_file="model.onnx"
+            )
+client = QdrantVectorStore(
+    client=qdrant_client,
+    collection_name=COLLECTION_NAME,
+    embedding=embedding,
+    sparse_embedding=sparse_embeddings,
+    retrieval_mode=RetrievalMode.HYBRID,
+)
+
+def search_document(query, top_k, search_type, slider_lambda):
+    if not query.strip():
+        return "⚠️ Enter query to look up!"
+    try:
+        if search_type == "Default":
+            hits = client.similarity_search_with_score(query=query,k=top_k)
+        else:
+
+            hits = client.max_marginal_relevance_search_with_score(query=query, k=top_k, lambda_mult=slider_lambda)
+    except Exception as e:
+        print("error", e)
+
+    total_found = len(hits)
+    if total_found == 0:
+        return json.dumps([], indent=2)
+
+    # Nếu tìm được 10 mà đòi 15 -> chỉ lấy 10. Nếu tìm được 100 mà đòi 15 -> lấy 15
+    safe_k = min(top_k, total_found)
+    results = []
+    for i in range(safe_k):
+        hit = hits[i]
+        if hit[0].metadata.get('parent_chunking', None) is not None:
+            content = hit[0].metadata['parent_chunking']
+        elif hit[0].metadata.get('type', None) == "intro":
+            content = hit[0].page_content
+        else:
+            content = None
+        results.append({
+            "Score": round(hit[1], 4),
+            "Content": content,
+            # "Metadata:": {k: v for k, v in hit[0].metadata.items() if k != "page_content"}
+        })
     
+    return json.dumps(results, indent=2, ensure_ascii=False)
+
+# --- GIAO DIỆN GRADIO ---
+
 with gr.Blocks(title="Qdrant Vector DB Demo") as demo:
     gr.Markdown("# 🚀 Demo Qdrant Vector Search")
     gr.Markdown("Tool test nhanh khả năng thêm dữ liệu và tìm kiếm ngữ nghĩa (Semantic Search).")
-    
+
+
+    with gr.Tab("2. Tìm Kiếm (Search)"):
+            with gr.Row():
+                with gr.Column(scale=1):
+                    txt_query = gr.Textbox(label="Câu truy vấn", placeholder="Ví dụ: Tìm về một số thông tin trên website Bệnh Viện Tâm Anh", lines=2)
+                    gr.Examples(
+                    examples=[
+                            "Rủi ro khi khâu cổ tử cung",
+                            "Biến chứng của tràn dịch phổi",
+                            "Triệu chứng của viêm phế quản",
+                            "Phòng ngừa đau tim"
+                        ],
+                        inputs=txt_query,
+                        label="Ví dụ mẫu (Click để chọn)"
+                    )
+                    # Component mới: Chọn thuật toán
+                    radio_type = gr.Radio(
+                        choices=["Default", "MMR"], 
+                        value="Default", 
+                        label="Search Type",
+                        info="Default: Giống nhất | MMR: Đa dạng kết quả"
+                    )
+                    
+                    # Component mới: Slider cho MMR
+                    # visible=False mặc định, sẽ hiện khi chọn MMR (nếu bạn muốn làm xịn, ở đây để luôn True cho dễ)
+                    slider_lambda = gr.Slider(
+                        minimum=0.0, maximum=1.0, value=0.5, step=0.1, 
+                        label="Độ đa dạng (Lambda)",
+                        info="1.0 = Chính xác nhất (như Default), 0.0 = Đa dạng nhất"
+                    )
+
+                    slider_k = gr.Slider(minimum=1, maximum=20, value=3, step=1, label="Số lượng kết quả (Top K)")
+                    
+                    btn_search = gr.Button("🔍 Tìm kiếm ngay", variant="primary")
+                
+                with gr.Column(scale=2):
+                    out_search = gr.Code(label="Kết quả trả về (JSON)", language="json")
+            
+            # Cập nhật inputs truyền vào hàm search
+            btn_search.click(
+                search_document, 
+                inputs=[txt_query, slider_k, radio_type, slider_lambda], 
+                outputs=out_search
+            )
+
+
 print("Launching server on 0.0.0.0:7860...")
 demo.launch(
     server_name="0.0.0.0",

pyproject.toml

@@ -0,0 +1,15 @@
+[project]
+name = "hf-test"
+version = "0.1.0"
+description = "Add your description here"
+readme = "README.md"
+requires-python = ">=3.13"
+dependencies = [
+    "fast-json-repair>=0.2.0",
+    "fastembed>=0.3.0",
+    "gradio>=6.5.1",
+    "langchain>=1.2.9",
+    "langchain-community>=0.4.1",
+    "qdrant-client>=1.16.2",
+    "spaces>=0.47.0",
+]

requirements.txt

@@ -2,3 +2,6 @@ fast-json-repair>=0.2.0
 fastembed>=0.3.0
 spaces
 gradio
+langchain>=1.2.9
+langchain-community>=0.4.1
+qdrant-client>=1.16.2