File size: 3,949 Bytes
ef6d407 9b64397 ef6d407 9b64397 ef6d407 9b64397 ef6d407 9b64397 ef6d407 9b64397 ef6d407 9b64397 ef6d407 9b64397 ef6d407 9b64397 ef6d407 9b64397 ef6d407 9b64397 ef6d407 9b64397 ef6d407 9b64397 ef6d407 9b64397 ef6d407 |
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 |
import faiss
import gradio as gr
from typing import Any, Generator, Iterator
from sentence_transformers import SentenceTransformer
from utils.llm_response import generate_response_with_llm # A função unificada agora trata as estratégias de RAG e LLM
from utils.phrase_extractor import process_file_content
# from utils.report_creation import generate_report
from .strings import STRINGS
# DEPRECATED: A função volta com a consolidação de um futuro OCR.
# def extract_phrases_from_gradio_file(gradio_file: gr.File) -> gr.Textbox:
# """
# Utilizes the 'process_file' function from 'utils.phrase_extractor' to read the
# file content and extract phrases, returning them as a text block for Gradio.
# """
# if gradio_file is None:
# return gr.Textbox(value="", placeholder=STRINGS["TEXT_INPUT_PLACEHOLDER_EMPTY"])
#
# try:
# # Chama a função unificada de processamento de arquivo que retorna uma lista de frases
# phrases = process_file_content(gradio_file.name)
#
# phrases_text = "\n".join(phrases)
# return gr.Textbox(value=phrases_text, placeholder=STRINGS["TEXT_INPUT_PLACEHOLDER_LOADED"])
# except Exception as e:
# return gr.Textbox(value=f"Error: {e}", placeholder=STRINGS["TEXT_INPUT_PLACER_EMPTY"])
def process_phrases_with_rag_llm(
input_phrases_text: str, rag_docs: list[str], rag_index: faiss.Index, rag_embedder: SentenceTransformer
) -> Iterator[tuple[gr.Textbox, gr.Textbox, gr.Tabs, gr.TabItem]]:
"""
Receives a block of text (phrases separated by newlines) and processes it
with the RAG+LLM API (`res_generate_API`) using a multiple-context strategy.
Returns a status textbox, a formatted responses textbox, and updates tabs to switch to the results tab.
"""
print(f'Processando o bloco de frases para geração de resposta: "{input_phrases_text[:100]}..."')
current_symbol = " ♾️" # Emojis para indicar status de processamento e sucesso
# --- Ação 1: Mudar de aba IMEDIATAMENTE e mostrar mensagem de processamento ---
# O 'yield' envia: (Status, Resultado, Tabs)
yield (
gr.update(value=STRINGS["TXTBOX_STATUS_IDLE"], interactive=False),
gr.update(value="", interactive=False),
gr.update(selected=1),
gr.update(label=STRINGS["TAB_1_TITLE"] + current_symbol, interactive=True),
)
# time.sleep(1) # Simula um pequeno atraso para processamento
try:
# Chama a função unificada de geração de resposta, especificando a estratégia RAG
# O LLM então usará os múltiplos contextos recuperados para gerar uma única resposta consolidada.
llm_response = generate_response_with_llm(
input_phrase=input_phrases_text,
documents=rag_docs,
index=rag_index,
embedder=rag_embedder,
llm_choice="gemini", # ou 'ollama', conforme a necessidade
rag_strategy="multiple", # A chave para usar a busca por múltiplos contextos
)
# with open("./sandbox/respostateste.txt", "r", encoding="utf-8") as arquivo:
# llm_response = arquivo.read() #TODO: Test Only
status_message = STRINGS["TXTBOX_STATUS_OK"]
formatted_output = f"--- Resposta Fornecida pela LLM ---\n{llm_response}\n"
current_symbol = " ✅"
except Exception as e:
status_message = STRINGS["TXTBOX_STATUS_ERROR"]
formatted_output = f"\n{STRINGS['--- Erro ---']}\nDetalhes: {e}"
current_symbol = " ⚠️"
# --- Ação 3: Retornar o resultado final e o status ---
# A aba já está selecionada, então gr.Tabs() aqui apenas satisfaz a assinatura e mantém a aba atual.
yield (
gr.update(value=status_message, interactive=False),
gr.update(value=formatted_output, interactive=False),
gr.update(),
gr.update(label=STRINGS["TAB_1_TITLE"] + current_symbol, interactive=True),
)
|