delete gradio

kaggle_gradio_app.py

@@ -1,208 +0,0 @@
-"""
-Kaggle Gradio 智能问答界面
-适合在 Kaggle Notebook 中运行的交互式 RAG 系统
-"""
-
-import gradio as gr
-import sys
-import os
-
-# 添加项目路径
-if '/kaggle/working/adaptive_RAG' not in sys.path:
-    sys.path.insert(0, '/kaggle/working/adaptive_RAG')
-
-from main import AdaptiveRAGSystem
-
-
-class RAGChatInterface:
-    """RAG聊天界面"""
-    
-    def __init__(self):
-        """初始化RAG系统"""
-        print("🚀 正在初始化RAG系统...")
-        try:
-            self.rag_system = AdaptiveRAGSystem()
-            self.initialized = True
-            print("✅ RAG系统初始化成功")
-        except Exception as e:
-            print(f"❌ RAG系统初始化失败: {e}")
-            self.initialized = False
-            self.error_message = str(e)
-    
-    def chat(self, message, history):
-        """
-        处理聊天消息
-        
-        Args:
-            message: 用户输入的消息
-            history: 聊天历史记录
-            
-        Returns:
-            响应消息
-        """
-        if not self.initialized:
-            return f"❌ 系统未初始化: {self.error_message}"
-        
-        if not message or not message.strip():
-            return "⚠️ 请输入有效的问题"
-        
-        try:
-            # 查询RAG系统
-            result = self.rag_system.query(message, verbose=False)
-            
-            # 构建响应
-            answer = result.get('answer', '无法生成答案')
-            
-            # 添加评估指标（可选）
-            metrics = result.get('retrieval_metrics')
-            if metrics:
-                metrics_text = f"\n\n📊 检索指标:\n"
-                metrics_text += f"- 耗时: {metrics.get('latency', 0):.2f}秒\n"
-                metrics_text += f"- 文档数: {metrics.get('retrieved_docs_count', 0)}\n"
-                metrics_text += f"- Precision@3: {metrics.get('precision_at_3', 0):.2f}\n"
-                # answer += metrics_text  # 取消注释以显示指标
-            
-            return answer
-            
-        except Exception as e:
-            return f"❌ 查询失败: {str(e)}"
-    
-    def create_interface(self):
-        """创建Gradio界面（兼容性增强版）"""
-        
-        # 创建简单的聊天界面（避免版本兼容问题）
-        with gr.Blocks(title="🤖 自适应RAG智能问答") as demo:
-            gr.Markdown(
-                """
-                # 🤖 自适应RAG智能问答系统
-                
-                基于LangGraph的自适应检索增强生成系统
-                
-                **使用方法**: 在下方输入框输入问题，系统会自动选择最佳检索策略并生成答案。
-                """
-            )
-            
-            # 聊天界面（使用最简单的配置）
-            chatbot = gr.Chatbot(
-                label="对话历史",
-                height=500
-            )
-            
-            # 输入框
-            msg = gr.Textbox(
-                label="输入问题",
-                placeholder="例如: AlphaCodium论文讲的是什么？",
-                lines=2
-            )
-            
-            with gr.Row():
-                submit_btn = gr.Button("🚀 发送", variant="primary")
-                clear_btn = gr.Button("🗑️ 清空对话")
-                
-            # 示例问题
-            gr.Examples(
-                examples=[
-                    "AlphaCodium论文讲的是什么？",
-                    "解释embedding嵌入的原理",
-                    "什么是LLM Agent？",
-                    "如何防止LLM产生幻觉？",
-                ],
-                inputs=msg,
-                label="💡 示例问题"
-            )
-            
-            # 状态信息
-            if self.initialized:
-                gr.Markdown("✅ **系统状态**: 运行正常")
-            else:
-                gr.Markdown(f"❌ **系统状态**: 初始化失败 - {self.error_message}")
-            
-            # 事件绑定
-            def respond(message, chat_history):
-                """响应用户消息"""
-                if not message:
-                    return "", chat_history
-                
-                # 添加用户消息到历史
-                chat_history.append((message, None))
-                
-                # 获取AI响应
-                bot_message = self.chat(message, chat_history)
-                
-                # 更新历史
-                chat_history[-1] = (message, bot_message)
-                
-                return "", chat_history
-            
-            # 绑定发送按钮
-            submit_btn.click(
-                respond,
-                inputs=[msg, chatbot],
-                outputs=[msg, chatbot]
-            )
-            
-            # 绑定回车键
-            msg.submit(
-                respond,
-                inputs=[msg, chatbot],
-                outputs=[msg, chatbot]
-            )
-            
-            # 清空对话
-            clear_btn.click(lambda: None, None, chatbot, queue=False)
-        
-        return demo
-
-
-def launch_app(share=False, server_port=None):
-    """
-    启动Gradio应用
-    
-    Args:
-        share: 是否创建公开链接（Kaggle中建议False）
-        server_port: 服务器端口（None表示自动选择）
-    """
-    print("=" * 60)
-    print("🚀 启动 Gradio RAG 智能问答系统")
-    print("=" * 60)
-    
-    # 检查是否在Kaggle环境
-    is_kaggle = os.path.exists('/kaggle/working')
-    
-    if is_kaggle:
-        print("🎯 检测到 Kaggle 环境")
-        print("💡 提示: 运行后会显示本地URL")
-    
-    # 创建界面
-    interface = RAGChatInterface()
-    demo = interface.create_interface()
-    
-    # 启动服务
-    print(f"\n🌐 正在启动服务...")
-    
-    # Kaggle 环境特殊配置
-    if is_kaggle:
-        # 在 Kaggle 中必须使用 share=True 或 inline 模式
-        demo.launch(
-            share=True,  # Kaggle 中强制使用 share
-            server_name="0.0.0.0",
-            server_port=server_port,  # None会自动选择端口
-            show_error=True,
-            inline=True,  # 内嵌显示
-            quiet=False
-        )
-    else:
-        # 本地环境配置
-        demo.launch(
-            share=share,
-            server_port=server_port if server_port else 7860,
-            server_name="0.0.0.0",
-            show_error=True,
-            quiet=False
-        )
-
-
-if __name__ == "__main__":
-    # 在Kaggle Notebook中运行时自动启动
-    # server_port=None 会自动选择可用端口，避免端口冲突
-    launch_app(share=False, server_port=None)