Update app.py

app.py

@@ -5,7 +5,6 @@ from huggingface_hub import login
 import gradio as gr
 
 # ШАГ 1: Гарантированная загрузка необходимого компонента NLTK
-# Эта команда выполняется в самом начале и решает ошибку 'LookupError'.
 try:
     print("Проверяем наличие NLTK компонента 'punkt'...")
     nltk.data.find('tokenizers/punkt')
@@ -15,7 +14,6 @@ except LookupError:
     nltk.download('punkt', quiet=False)
     print("Загрузка 'punkt' завершена.")
 
-
 from langchain_community.document_loaders import UnstructuredWordDocumentLoader
 from langchain.text_splitter import RecursiveCharacterTextSplitter
 from langchain_community.embeddings import HuggingFaceEmbeddings
@@ -30,25 +28,25 @@ MODEL_NAME = "sentence-transformers/all-MiniLM-L6-v2"
 REPO_ID = "mistralai/Mistral-7B-Instruct-v0.2"
 
 # --- ШАГ 2: Автоматическое создание базы знаний ---
-
 def create_vector_db_if_not_exists():
-    """Создает векторную базу данных, если она еще не создана."""
     if os.path.exists(FAISS_INDEX_PATH):
         print(f"База знаний найдена в '{FAISS_INDEX_PATH}'. Пропускаю создание.")
+        global DOCX_FILE_PATH
+        # Если база есть, все равно найдем имя файла для отображения в интерфейсе
+        docx_files = glob.glob("*.docx")
+        if docx_files:
+            DOCX_FILE_PATH = docx_files[0]
         return
 
     print("База знаний не найдена. Запускаю процесс создания...")
     
-    # Автоматически находим первый .docx файл в репозитории
     docx_files = glob.glob("*.docx")
     if not docx_files:
         raise FileNotFoundError("Ошибка: Не найден .docx файл в репозитории. Пожалуйста, загрузите ваш документ.")
     
-    global DOCX_FILE_PATH
     DOCX_FILE_PATH = docx_files[0]
     print(f"Найден документ для обработки: {DOCX_FILE_PATH}")
 
-    # Загрузка и обработка документа
     loader = UnstructuredWordDocumentLoader(DOCX_FILE_PATH)
     documents = loader.load()
     
@@ -57,7 +55,6 @@ def create_vector_db_if_not_exists():
     
     print(f"Документ разделен на {len(docs)} частей.")
 
-    # Создание эмбеддингов и сохранение базы
     embeddings = HuggingFaceEmbeddings(model_name=MODEL_NAME)
     db = FAISS.from_documents(docs, embeddings)
     db.save_local(FAISS_INDEX_PATH)
@@ -65,10 +62,7 @@ def create_vector_db_if_not_exists():
     print(f"База знаний успешно создана и сохранена в '{FAISS_INDEX_PATH}'.")
 
 # --- ШАГ 3: Загрузка AI и настройка логики чат-бота ---
-
 def initialize_qa_chain():
-    """Инициализирует и возвращает готовую к работе цепочку QA."""
-    # Проверка наличия токена
     HF_TOKEN = os.environ.get("HUGGINGFACEHUB_API_TOKEN")
     if not HF_TOKEN:
         raise ValueError("Секрет 'HUGGINGFACEHUB_API_TOKEN' не найден. Пожалуйста, добавьте его в настройках Space.")
@@ -76,11 +70,9 @@ def initialize_qa_chain():
     login(token=HF_TOKEN)
     print("Успешная аутентификация по токену.")
 
-    # Загрузка векторной базы
     embeddings = HuggingFaceEmbeddings(model_name=MODEL_NAME)
     db = FAISS.load_local(FAISS_INDEX_PATH, embeddings, allow_dangerous_deserialization=True)
 
-    # Настройка языковой модели (LLM) через новый класс HuggingFaceEndpoint
     llm = HuggingFaceEndpoint(
         repo_id=REPO_ID,
         temperature=0.3,
@@ -89,7 +81,6 @@ def initialize_qa_chain():
         huggingfacehub_api_token=HF_TOKEN
     )
 
-    # Создание цепочки Вопрос-Ответ
     qa_chain = RetrievalQA.from_chain_type(
         llm=llm,
         chain_type="stuff",
@@ -104,20 +95,18 @@ create_vector_db_if_not_exists()
 qa_chain = initialize_qa_chain()
 
 def chatbot_response(message, history):
-    """Основная функция для генерации ответа чат-бота."""
     response = qa_chain.invoke({"query": message})
     return response["result"]
 
-# --- ШАГ 4: Создание веб-интерфейса ---
-
+# --- ШАГ 4: Создание веб-интерфейса (ИСПРАВЛЕННАЯ ВЕРСИЯ) ---
 with gr.Blocks(theme='gradio/soft', title="AI-Ассистент по ВКР") as demo:
     gr.Markdown("# 🤖 AI-Ассистент по вопросам ВКР")
     gr.Markdown(f"Этот бот отвечает на вопросы на основе документа: **{os.path.basename(DOCX_FILE_PATH)}**.")
     
-    chatbot = gr.ChatInterface(
+    # В новой версии Gradio параметры кнопок встроены по умолчанию.
+    # Просто убираем лишние аргументы, и все заработает.
+    gr.ChatInterface(
         fn=chatbot_response,
-        chatbot=gr.Chatbot(height=400),
-        textbox=gr.Textbox(placeholder="Задайте свой вопрос о правилах оформления, сроках или структуре ВКР...", container=False, scale=7),
         title=None,
         examples=[
             "Какие требования к объему магистерской диссертации?",
@@ -125,10 +114,7 @@ with gr.Blocks(theme='gradio/soft', title="AI-Ассистент по ВКР") a
             "Какие сроки сдачи и защиты ВКР в этом году?",
             "Что должно быть во введении?",
             "Какой процент оригинальности требуется?"
-        ],
-        clear_btn="🗑️ Очистить диалог",
-        retry_btn=None,
-        undo_btn=None,
+        ]
     )
 
 # Запуск приложения