Upload app.py

app.py

@@ -1,17 +1,29 @@
 '''
+1. 大模型以Qwen API形式提供。
+1. 重塑了Qwen作为大语言模型做Text2SQL的提示词：
+    sys_prompt = """
+    1. 你是一个将文字转换成SQL语句的人工智能。
+    2. 你需要注意：你只需要用纯文本回复代码的内容，即你不允许回复代码以外的任何信息。
+    3. SQL变量默认是中文，而且只能从如下的名称列表中选择，你不可以使用这些名字以外的变量名："长度"，"宽度"，"价格"，"产品ID"，"比率"，"类别"，"*"
+    4. 你不能写IF, THEN的SQL语句，需要使用CASE。
+    5. 我需要你转换的文字如下："""   
+    
+    total_prompt = sys_prompt + "在数据表格table01中，" + prompt
+
 
 '''
-##TODO: 1. 转换成Qwen的API。 2. 
+##TODO: 2. 账号功能。
 
 import time
 import os
 import pandas as pd
 import streamlit as st
 from code_editor import code_editor
+import streamlit_authenticator as stauth
+
 # from utils.setup import setup_connexion, setup_session_state
 # from utils.vanna_calls import (
 #     generate_questions_cached,
-#     generate_sql_cached,
 #     run_sql_cached,
 #     generate_plotly_code_cached,
 #     generate_plot_cached,
@@ -54,133 +66,155 @@ st.title("本地化国产大模型数据库查询演示")
 st.markdown("_声明：内容由人工智能生成，仅供参考。如果您本人使用或对外传播本服务生成的输出，您应当主动核查输出内容的真实性、准确性，避免传播虚假信息。_")
 
 
+### authentication with a local yaml file.
+import yaml
+from yaml.loader import SafeLoader
+with open('./config.yaml') as file:
+    config = yaml.load(file, Loader=SafeLoader)
+authenticator = stauth.Authenticate(
+    config['credentials'],
+    config['cookie']['name'],
+    config['cookie']['key'],
+    config['cookie']['expiry_days'],
+    config['preauthorized']
+)
+
+user, authentication_status, username = authenticator.login('用户登录', 'main')
+print('登录的用户:', username)
+
 ### Streamlit Sidebar 左侧工具栏
 # st.sidebar.write(st.session_state)
-with st.sidebar:
-    st.markdown(
-        """
-        <style>
-        [data-testid="stSidebar"][aria-expanded="true"]{
-            min-width: 500px;
-            max-width: 500px;
-        }
-        """,
-        unsafe_allow_html=True,
-    )
-    ### siderbar的题目。
-    ### siderbar的题目。
-    # st.header(f'**大语言模型专家系统工作设定区**')
-    st.header(f'**系统控制面板** ')
-    # st.header(f'**欢迎 **{username}** 使用本系统** ') ## 用户登录显示。
-    st.write(f'_Large Language Model Expert System Working Environment_')
-    st.sidebar.button("清除记录，重启一轮新对话", on_click=clear_all, use_container_width=True, type='primary')
-    # st.sidebar.button("清除记录，重启一轮新对话", on_click=setup_session_state, use_container_width=True, type='primary')
-
-    ### 展示当前数据库
-    # st.markdown("#### 当前数据库中的数据:")
-    with st.expander("#### 当前数据库中的数据", expanded=True):
-        my_db = pd.read_sql_table('table01', 'sqlite:///myexcelDB.db')
-        st.dataframe(my_db, width=400)
-
-        ## 在sidebar上的三个分页显示，用st.tabs实现。
-    tab_1, tab_2, tab_4 = st.tabs(['使用须知', '模型参数', '角色设定'])
-    # tab_1, tab_2, tab_3, tab_4 = st.tabs(['使用须知', '模型参数', '提示词模板', '系统角色设定'])
-
-    # with st.expander(label='**使用须知**', expanded=False):
-    with tab_1:
-        # st.markdown("#### 快速上手指南")
-        # with st.text(body="说明"):
-        #     st.markdown("* 重启一轮新对话时，只需要刷新页面（按Ctrl/Command + R）即可。")
-        with st.text(body="说明"):
-            st.markdown("""* 简介
-
-本系统使用大模型技术，将自然语言描述转换为SQL查询语句。用户可以输入自然语言问题，系统会自动生成相应的SQL语句，并返回查询结果。
-
-* 使用步骤
-
-在文本框中输入您的自然语言问题。
-系统会自动生成相应的SQL语句，并显示在下方。
-点击“满意，请执行语句”选项，可查看查询结果。点击”不满意，需要改正语句“可以手动修改SQL语句。
-
-* 注意事项
-
-本系统仍在开发中，可能会存在一些错误或不准确的地方。
-自然语言描述越清晰，生成的SQL语句越准确。
-系统支持的SQL语法有限，请尽量使用简单易懂的语法。
-""")
-        # with st.text(body="说明"):
-        #     st.markdown("""在构建大语言模型本地知识库问答系统时，需要注意以下几点：
-
-        #                 LLM的选择：LLM的选择应根据系统的应用场景和需求进行。对于需要处理通用问题的系统，可以选择通用LLM；对于需要处理特定领域问题的系统，可以选择针对该领域进行微调的LLM。
-        #                 本地知识库的构建：本地知识库应包含系统所需的所有知识。知识的组织方式应便于LLM的访问和处理。
-        #                 系统的评估：系统应进行充分的评估，以确保其能够准确地回答用户问题。
-        #                 大语言模型本地知识库问答系统具有以下优势：
-
-        #                 准确性：LLM和本地知识库的结合可以提高系统的准确性。
-        #                 全面性：LLM和本地知识库的结合可以使系统能够回答更广泛的问题。
-        #                 效率：LLM可以快速生成候选答案，而本地知识库可以快速评估候选答案的准确性。
-        #                 """)
-                        
-                        
-        # with st.text(body="说明"):
-        #     st.markdown(
-        #         "* “数据分析模式”暂时只支持1000个单元格以内的数据分析，单元格中的内容不支持中文数据（表头也尽量不使用中文）。一般运行时间在1至10分钟左右，期间需要保持网络畅通。")
-        # with st.text(body="说明"):
-        #     st.markdown("* “数据分析模式”推荐上传csv格式的文件，部分Excel文件容易出现数据不兼容的情况。")
-
-    ## 大模型参数
-    # with st.expander(label='**大语言模型参数**', expanded=True):
-    with tab_2:
-        max_tokens = st.slider(label='Max_Token（生成结果时最大字数）', min_value=100, max_value=4096, value=2048, step=100)
-        temperature = st.slider(label='Temperature (温度)', min_value=0.0, max_value=1.0, value=0.8, step=0.1)
-        top_p = st.slider(label='Top_P (核采样)', min_value=0.0, max_value=1.0, value=0.6, step=0.1)
-        frequency_penalty = st.slider(label='Frequency Penalty (重复度惩罚因子)', min_value=-2.0, max_value=2.0, value=1.0, step=0.1)
-        presence_penalty = st.slider(label='Presence Penalty (控制主题的重复度)', min_value=-2.0, max_value=2.0, value=1.0, step=0.1)
-
-    ## reset password widget
-    # try:
-    #     if authenticator.reset_password(st.session_state["username"], 'Reset password'):
-    #         st.success('Password modified successfully')
-    # except Exception as e:
-    #     st.error(e)
-
-    # with st.header(body="欢迎"):
-    #     st.markdown("# 欢迎使用大语言模型商业智能中心")
-    # with st.expander(label=("**重要的使用注意事项**"), expanded=True):
-    # with st.container():
-
-    ##NOTE： 在SQL场景去不需要展示这些提示词。
-    # with tab_3:
-    #     # st.markdown("#### Prompt提示词参考资料")
-    #     # with st.expander(label="**大语言模型基础提示词Prompt示例**", expanded=False):
-    #     st.code(
-    #         body="继续用中文写一篇关于 [文章主题] 的文章，以下列句子开头：[文章开头］。", language='plaintext')
-    #     st.code(body="将以下文字概括为 100 个字，使其易于阅读和理解。避免使用复杂的句子结构或技术术语。",
-    #             language='plaintext')
-    #     st.code(body="给我出一个迪奥2023春季发布会活动策划。", language='plaintext')
-    #     st.code(body="帮我按照正式会议结构写一个会邀：主题是xx手机游戏立项会议。", language='plaintext')
-    #     st.code(body="帮我写一个车内健康监测全场景落地的项目计划，用表格。", language='plaintext')
-    #     st.code(
-    #         body="同时掷两枚质地均匀的骰子，则两枚骰子向上的点数之和为 7 的概率是多少。", language='plaintext')
-    #     st.code(body="写一篇产品经理的演讲稿，注意使用以下词汇: 赋能,抓手,中台,闭环,落地,漏斗,沉淀,给到,同步,对齐,对标,迭代,拉通,打通,升级,交付,聚焦,倒逼,复盘,梳理,方案,联动,透传,咬合,洞察,渗透,兜底,解耦,耦合,复用,拆解。", language='plaintext')
-
-        # with st.expander(label="**数据分析模式的专用提示词Prompt示例**", expanded=False):
-        #     # with st.subheader(body="提示词Prompt"):
-        #     st.code(body="分析此数据集并绘制一些'有趣的图表'。", language='python')
+if authentication_status:
+
+    with st.sidebar:
+        st.markdown(
+            """
+            <style>
+            [data-testid="stSidebar"][aria-expanded="true"]{
+                min-width: 500px;
+                max-width: 500px;
+            }
+            """,
+            unsafe_allow_html=True,
+        )
+        
+        # st.header(f'**大语言模型专家系统工作设定区**')
+        st.header(f'**欢迎 **{username}** 使用本系统** ')
+        st.write(f'_Large Language Model Expert System Working Environment_')
+        # st.write(f'_Welcome and Hope U Enjoy Staying Here_')
+        authenticator.logout('登出', 'sidebar')
+        ### siderbar的题目。
+        ### siderbar的题目。
+        # st.header(f'**大语言模型专家系统工作设定区**')
+        # st.header(f'**欢迎 **{username}** 使用本系统** ') ## 用户登录显示。
+        st.sidebar.button("清除记录，重启一轮新对话", on_click=clear_all, use_container_width=True, type='primary')
+        # st.sidebar.button("清除记录，重启一轮新对话", on_click=setup_session_state, use_container_width=True, type='primary')
+
+        ### 展示当前数据库
+        # st.markdown("#### 当前数据库中的数据:")
+        with st.expander("#### 当前数据库中的数据", expanded=True):
+            my_db = pd.read_sql_table('table01', 'sqlite:///myexcelDB.db')
+            st.dataframe(my_db, width=400)
+
+            ## 在sidebar上的三个分页显示，用st.tabs实现。
+        tab_1, tab_2, tab_4 = st.tabs(['使用须知', '模型参数', '角色设定'])
+        # tab_1, tab_2, tab_3, tab_4 = st.tabs(['使用须知', '模型参数', '提示词模板', '系统角色设定'])
+
+        # with st.expander(label='**使用须知**', expanded=False):
+        with tab_1:
+            # st.markdown("#### 快速上手指南")
+            # with st.text(body="说明"):
+            #     st.markdown("* 重启一轮新对话时，只需要刷新页面（按Ctrl/Command + R）即可。")
+            with st.text(body="说明"):
+                st.markdown("""* 简介
+
+    本系统使用大模型技术，将自然语言描述转换为SQL查询语句。用户可以输入自然语言问题，系统会自动生成相应的SQL语句，并返回查询结果。
+
+    * 使用步骤
+
+    在文本框中输入您的自然语言问题。
+    系统会自动生成相应的SQL语句，并显示在下方。
+    点击“满意，请执行语句”选项，可查看查询结果。点击”不满意，需要改正语句“可以手动修改SQL语句。
+
+    * 注意事项
+
+    本系统仍在开发中，可能会存在一些错误或不准确的地方。
+    自然语言描述越清晰，生成的SQL语句越准确。
+    系统支持的SQL语法有限，请尽量使用简单易懂的语法。
+    """)
+            # with st.text(body="说明"):
+            #     st.markdown("""在构建大语言模型本地知识库问答系统时，需要注意以下几点：
+
+            #                 LLM的选择：LLM的选择应根据系统的应用场景和需求进行。对于需要处理通用问题的系统，可以选择通用LLM；对于需要处理特定领域问题的系统，可以选择针对该领域进行微调的LLM。
+            #                 本地知识库的构建：本地知识库应包含系统所需的所有知识。知识的组织方式应便于LLM的访问和处理。
+            #                 系统的评估：系统应进行充分的评估，以确保其能够准确地回答用户问题。
+            #                 大语言模型本地知识库问答系统具有以下优势：
+
+            #                 准确性：LLM和本地知识库的结合可以提高系统的准确性。
+            #                 全面性：LLM和本地知识库的结合可以使系统能够回答更广泛的问题。
+            #                 效率：LLM可以快速生成候选答案，而本地知识库可以快速评估候选答案的准确性。
+            #                 """)
+                            
+                            
+            # with st.text(body="说明"):
+            #     st.markdown(
+            #         "* “数据分析模式”暂时只支持1000个单元格以内的数据分析，单元格中的内容不支持中文数据（表头也尽量不使用中文）。一般运行时间在1至10分钟左右，期间需要保持网络畅通。")
+            # with st.text(body="说明"):
+            #     st.markdown("* “数据分析模式”推荐上传csv格式的文件，部分Excel文件容易出现数据不兼容的情况。")
+
+        ## 大模型参数
+        # with st.expander(label='**大语言模型参数**', expanded=True):
+        with tab_2:
+            max_tokens = st.slider(label='Max_Token（生成结果时最大字数）', min_value=100, max_value=4096, value=2048, step=100)
+            temperature = st.slider(label='Temperature (温度)', min_value=0.0, max_value=1.0, value=0.8, step=0.1)
+            top_p = st.slider(label='Top_P (核采样)', min_value=0.0, max_value=1.0, value=0.6, step=0.1)
+            frequency_penalty = st.slider(label='Frequency Penalty (重复度惩罚因子)', min_value=-2.0, max_value=2.0, value=1.0, step=0.1)
+            presence_penalty = st.slider(label='Presence Penalty (控制主题的重复度)', min_value=-2.0, max_value=2.0, value=1.0, step=0.1)
+
+        ## reset password widget
+        # try:
+        #     if authenticator.reset_password(st.session_state["username"], 'Reset password'):
+        #         st.success('Password modified successfully')
+        # except Exception as e:
+        #     st.error(e)
+
+        # with st.header(body="欢迎"):
+        #     st.markdown("# 欢迎使用大语言模型商业智能中心")
+        # with st.expander(label=("**重要的使用注意事项**"), expanded=True):
+        # with st.container():
+
+        ##NOTE： 在SQL场景去不需要展示这些提示词。
+        # with tab_3:
+        #     # st.markdown("#### Prompt提示词参考资料")
+        #     # with st.expander(label="**大语言模型基础提示词Prompt示例**", expanded=False):
         #     st.code(
-        #         body="对于这个文件中的数据，你需要要找出[X,Y]数据之间的寻找'相关性'。", language='python')
-        #     st.code(body="对于这个文件中的[xxx]数据给我一个'整体的分析'。", language='python')
-        #     st.code(body="对于[xxx]数据给我一个'直方图'，提供图表，并给出分析结果。", language='python')
-        #     st.code(body="对于[xxx]数据给我一个'小提琴图'，并给出分析结果。", language='python')
+        #         body="继续用中文写一篇关于 [文章主题] 的文章，以下列句子开头：[文章开头］。", language='plaintext')
+        #     st.code(body="将以下文字概括为 100 个字，使其易于阅读和理解。避免使用复杂的句子结构或技术术语。",
+        #             language='plaintext')
+        #     st.code(body="给我出一个迪奥2023春季发布会活动策划。", language='plaintext')
+        #     st.code(body="帮我按照正式会议结构写一个会邀：主题是xx手机游戏立项会议。", language='plaintext')
+        #     st.code(body="帮我写一个车内健康监测全场景落地的项目计划，用表格。", language='plaintext')
         #     st.code(
-        #         body="对于[X,Y,Z]数据在一个'分布散点图 (stripplot)'，所有的数据在一张图上展现, 并给出分析结果。", language='python')
-        #     st.code(body="对于[X，Y]数据，进行'T检验'，你需要展示图表，并给出分析结果。",
-        #             language='python')
-        #     st.code(body="对于[X，Y]数据给我一个3个类别的'聚类分析'，并给出分析结果。",
-        #             language='python')
-            
-    with tab_4:
-        st.text_area(label='系统角色设定', value='你是一个人工智能，你需要回答我提出的问题，或者完成我交代的任务。你需要使用我提问的语言（如中文、英文）来回答。', height=200, label_visibility='hidden')
+        #         body="同时掷两枚质地均匀的骰子，则两枚骰子向上的点数之和为 7 的概率是多少。", language='plaintext')
+        #     st.code(body="写一篇产品经理的演讲稿，注意使用以下词汇: 赋能,抓手,中台,闭环,落地,漏斗,沉淀,给到,同步,对齐,对标,迭代,拉通,打通,升级,交付,聚焦,倒逼,复盘,梳理,方案,联动,透传,咬合,洞察,渗透,兜底,解耦,耦合,复用,拆解。", language='plaintext')
+
+            # with st.expander(label="**数据分析模式的专用提示词Prompt示例**", expanded=False):
+            #     # with st.subheader(body="提示词Prompt"):
+            #     st.code(body="分析此数据集并绘制一些'有趣的图表'。", language='python')
+            #     st.code(
+            #         body="对于这个文件中的数据，你需要要找出[X,Y]数据之间的寻找'相关性'。", language='python')
+            #     st.code(body="对于这个文件中的[xxx]数据给我一个'整体的分析'。", language='python')
+            #     st.code(body="对于[xxx]数据给我一个'直方图'，提供图表，并给出分析结果。", language='python')
+            #     st.code(body="对于[xxx]数据给我一个'小提琴图'，并给出分析结果。", language='python')
+            #     st.code(
+            #         body="对于[X,Y,Z]数据在一个'分布散点图 (stripplot)'，所有的数据在一张图上展现, 并给出分析结果。", language='python')
+            #     st.code(body="对于[X，Y]数据，进行'T检验'，你需要展示图表，并给出分析结果。",
+            #             language='python')
+            #     st.code(body="对于[X，Y]数据给我一个3个类别的'聚类分析'，并给出分析结果。",
+            #             language='python')
+                
+        with tab_4:
+            st.text_area(label='系统角色设定', value='你是一个人工智能，你需要回答我提出的问题，或者完成我交代的任务。你需要使用我提问的语言（如中文、英文）来回答。', height=200, label_visibility='hidden')
 
 
 myavatar = "./2D.png"