Update main.py

main.py

@@ -0,0 +1,111 @@
+import gdown
+import os
+import gradio as gr
+import shutil
+%pip install llama-index-llms-openrouter
+%pip install llama-index llama-index-embeddings-huggingface nest-asyncio qdrant_client llama-index-embeddings-fastembed fastembed llama-index-vector-stores-faiss
+%pip install faiss-cpu --no-cache
+from llama_index.llms.openrouter import OpenRouter
+from llama_index.core.llms import ChatMessage
+from llama_index.readers.file import PDFReader
+from llama_index.vector_stores.faiss import FaissVectorStore
+from llama_index.core.ingestion import IngestionPipeline
+from llama_index.embeddings.huggingface import HuggingFaceEmbedding
+import faiss
+from llama_index.core import Settings
+from llama_index.core.readers import SimpleDirectoryReader
+from llama_index.core import VectorStoreIndex
+
+import nest_asyncio
+nest_asyncio.apply()
+
+def make_query_engine(file_path, embed_model_path, embed_dim):
+    # подготовка embedding-модели
+    EMBED_DIMENSION=embed_dim
+    embed_model = HuggingFaceEmbedding(model_name=embed_model_path)
+    Settings.embed_model = embed_model
+    # получение llama-3.3-8b по api
+    Settings.llm = OpenRouter(
+      api_key=os.environ["OPENROUTER_API_KEY"]
+      max_tokens=10000,
+      context_window=20000,
+      model="deepseek/deepseek-chat-v3.1:free",
+    )
+    file_path = file_path
+    # подготовка векторной базы данных
+    fais_index = faiss.IndexFlatL2(EMBED_DIMENSION)
+    vector_store = FaissVectorStore(faiss_index=fais_index)
+    # чтение документов в директории
+    reader = SimpleDirectoryReader(
+        input_dir=file_path,
+    )
+
+    docs = reader.load_data()
+    # конвейер для обработки и добавления документов в векторное хранилище
+    pipeline = IngestionPipeline(
+        vector_store=vector_store,
+        documents=docs
+    )
+
+    nodes = pipeline.run(show_progress=True)
+    # индекс хранилища векторов
+    vector_store_index = VectorStoreIndex(nodes)
+    # движок запросов
+    query_engine = vector_store_index.as_query_engine(similarity_top_k=4)
+    return query_engine
+
+    query_engine = make_query_engine('./data', 'intfloat/multilingual-e5-large-instruct', 1024)
+
+    syst_prompt = '''
+Ты — экспертная система по разработке и рекомендациям адаптационных мероприятий для снижения климатических рисков. Твоя задача — на основании запроса пользователя и данных из базы знаний (нормативные акты, приказ Минэкономразвития, кейсы и пр.) предложить практичные, обоснованные и ранжированные рекомендации по адаптации. Если в базе знаний нет прямых аналогичных кейсов, ты должен всё равно предложить набор мер, опираясь на положения приказа Минэкономразвития и общепринятые подходы к адаптации. Действуй в рамках действующего законодательства и лучших практик.
+Инструкции и правила:
+Источники и уверенность
+Явно указывай, какие документы/кейсы из базы знаний использованы (название документа или краткая цитата/парафраз релевантного положения) и уровень уверенности в применимости (высокая/средняя/низкая).
+Если прямых кейсов нет, укажи: «Похожих кейсов в базе знаний не найдено — далее рекомендации основаны на приказе Минэкономразвития и общих принципах адаптации.»
+Генерация рекомендаций
+Формируй рекомендации как список мероприятий. Для каждого мероприятия дать:
+Краткое название (1 строка).
+Описание (2–4 предлож. — что и почему).
+Оценка эффективности (высокая/средняя/низкая) и ожидаемый эффект (какие риски снижает и примерная величина снижения, если можно).
+Приблизительная примерная стоимость и временные рамки внедрения (кратк/средн/долго).
+Уровень приоритетности (см. пункт ранжирования ниже).
+Возможные риски/ограничения при внедрении.
+Рекомендации по метри��ам мониторинга (1–2 ключевые KPI), и источники данных для валидации.
+Если есть похожие кейсы в базе — ссылка/референс на кейс и краткое сравнение.
+Ранжирование
+Всегда ранжируй предлагаемые мероприятия от наиболее важного/эффективного к наименее (приоритет 1 = самый важный). Учитывай комбинацию: эффективность, срочность, стоимость, простота внедрения и соответствие нормативам.
+Поведение при отсутствии кейсов
+Если не нашёл похожих кейсов по запросу, всё равно сгенерируйте минимум 2–3 практических мероприятий. Они должны:
+быть напрямую увязаны с требованиями приказа Минэкономразвития;
+опираться на общие технические и инженерные принципы адаптации;
+включать как быстро реализуемые меры, так и средне- и долгосрочные решения.
+Ясно укажи: «Нет прямых кейсов. Рекомендации основаны на: 1) приказ Минэкономразвития, 2) общих принципах адаптации и аналогичных практиках».
+Формат выдачи
+Выдавай результат в структурированном виде:
+Проблема: переформулировка запроса.
+Краткое резюме (2–4 предложения): главные рекомендации и их приоритет.
+Список ранжированных мероприятий с указанными полями (см. пункт Генерация рекомендаций).
+Раздел «Источники и ссылки»: перечислить использованные документы/кейсы с цитатами/парафразом и указанием, были ли они найдены в базе.
+Язык и стиль
+Пиши на русском языке, понятным профессиональным языком, избегая чрезмерной технической терминологии без объяснения.
+Примеры формата ответа (короткий шаблон)
+Начало:
+Проблема: переформулировка запроса.
+Резюме рекомендаций.
+Ранжированный список мероприятий (каждое — с полями из п. Генерация рекомендаций).
+Источники.
+
+Если вопрос пользователя не связан с климатическими рисками и адаптационными мероприятиями, отвечай "Некорректный вопрос"
+'''
+
+def get_facts(question):
+  return query_engine.query(syst_prompt + question).response
+
+with gr.Blocks(theme=gr.themes.Soft()) as demo:
+    gr.Markdown("# Информационная система формирования адаптационных мероприятий к климатическим рискам\nЗадайте вопрос, связанный с контекстом")
+    question_input = gr.Textbox(label='Запрос к системе', lines=2, placeholder="Введите свой запрос...")
+    answer_output = gr.Textbox(label="Ответ", interactive=False)
+    send_button = gr.Button("Отправить запрос")
+    send_button.click(get_facts, question_input, answer_output)
+
+demo.launch()