Create app.py

app.py

@@ -0,0 +1,66 @@
+import gradio as gr
+import os
+from langchain_community.embeddings import HuggingFaceEmbeddings
+from langchain_community.vectorstores import FAISS
+from langchain.chains import RetrievalQA
+from langchain_community.llms import HuggingFaceHub
+from huggingface_hub import login
+from langchain_community.document_loaders import UnstructuredWordDocumentLoader
+from langchain.text_splitter import RecursiveCharacterTextSplitter
+
+# --- КОНФИГУРАЦИЯ ---
+HF_TOKEN = os.environ.get("HUGGINGFACEHUB_API_TOKEN")
+login(token=HF_TOKEN)
+
+EMBEDDING_MODEL = "sentence-transformers/paraphrase-multilingual-mpnet-base-v2"
+LLM_REPO_ID = "mistralai/Mistral-7B-Instruct-v0.2"
+FAISS_INDEX_PATH = "faiss_index"
+SOURCE_DOCUMENT = "Правила подготовки ВКР_СУЛ_набор 2024.docx"
+
+# --- АВТОМАТИЧЕСКАЯ ПОДГОТОВКА БАЗЫ ЗНАНИЙ (ПРИ ПЕРВОМ ЗАПУСКЕ) ---
+def create_vector_db_if_not_exists():
+    if not os.path.exists(FAISS_INDEX_PATH):
+        print("База знаний не найдена. Запускаю процесс создания...")
+        if not os.path.exists(SOURCE_DOCUMENT):
+            raise FileNotFoundError(f"Ошибка: Файл '{SOURCE_DOCUMENT}' не найден.")
+
+        loader = UnstructuredWordDocumentLoader(SOURCE_DOCUMENT)
+        documents = loader.load()
+        text_splitter = RecursiveCharacterTextSplitter(chunk_size=1000, chunk_overlap=200)
+        docs = text_splitter.split_documents(documents)
+        embeddings = HuggingFaceEmbeddings(model_name=EMBEDDING_MODEL)
+        db = FAISS.from_documents(docs, embeddings)
+        db.save_local(FAISS_INDEX_PATH)
+        print(f"База знаний успешно создана.")
+    else:
+        print(f"Обнаружена существующая база знаний. Загружаю ее.")
+
+create_vector_db_if_not_exists()
+
+# --- ЗАГРУЗКА КОМПОНЕНТОВ ДЛЯ ЧАТ-БОТА ---
+embeddings = HuggingFaceEmbeddings(model_name=EMBEDDING_MODEL)
+db = FAISS.load_local(FAISS_INDEX_PATH, embeddings, allow_dangerous_deserialization=True)
+llm = HuggingFaceHub(repo_id=LLM_REPO_ID, model_kwargs={"temperature": 0.1, "max_new_tokens": 1024})
+qa_chain = RetrievalQA.from_chain_type(llm=llm, chain_type="stuff", retriever=db.as_ retriever(search_kwargs={"k": 3}), return_source_documents=True)
+
+# --- ФУНКЦИЯ ДЛЯ ИНТЕРФЕЙСА ---
+def get_response(message, history):
+    prompt = f"Инструкция: Ты — вежливый и точный ассистент для студентов. Отвечай на вопрос пользователя строго на основе предоставленного контекста. Если в контексте нет ответа, вежливо сообщи, что не можешь ответить. Отвечай на русском языке. Вопрос: {message}"
+    result = qa_chain({"query": prompt})
+    return result["result"].split("Ответ:")[-1].strip()
+
+# --- СОЗДАНИЕ ИНТЕРФЕЙСА GRADIO ---
+demo = gr.ChatInterface(
+    fn=get_response,
+    title="🎓 Ассистент по написанию ВКР",
+    description="Задайте свой вопрос по правилам оформления, срокам или структуре выпускной квалификационной работы.",
+    examples=[
+        "Какой должен быть объем работы в страницах?",
+        "Как правильно оформить ссылку на интернет-источник?",
+        "Что делать, если таблица не помещается на одну страницу?",
+        "Какие требования к оригинальности текста?"
+    ]
+)
+
+if __name__ == "__main__":
+    demo.launch()