Update app.py

app.py

@@ -6,8 +6,11 @@ from langchain.vectorstores import FAISS
 from transformers import pipeline, AutoTokenizer, AutoModelForSeq2SeqLM
 import os
 import torch
+import warnings
 
 # --- 0. Global Ayarlar ---
+warnings.filterwarnings("ignore", message="The following encoder weights")
+
 PDF_PATH = "mevzuat.pdf"
 CHUNK_SIZE = 1000
 CHUNK_OVERLAP = 150
@@ -18,9 +21,8 @@ MAX_NEW_TOKENS = 256
 DEVICE = "cuda" if torch.cuda.is_available() else "cpu"
 
 # --- 1. PDF'ten Vektör Veritabanı Oluştur ---
-# Bu fonksiyonda bir değişiklik yok.
 def create_vector_db_from_pdf(pdf_path):
-    print(f"PDF okunuyor: {pdf_path}")
+    print(f"📄 PDF okunuyor: {pdf_path}")
     text = ""
     try:
         with open(pdf_path, "rb") as file:
@@ -30,112 +32,110 @@ def create_vector_db_from_pdf(pdf_path):
                 if page_text:
                     text += f"Sayfa {page_num + 1}:\n{page_text}\n\n"
     except Exception as e:
-        print(f"PDF okunurken hata oluştu: {e}")
+        print(f"⚠️ PDF okunurken hata oluştu: {e}")
         return None
+
     if not text:
-        print("PDF'ten metin çıkarılamadı.")
+        print("⚠️ PDF'ten metin çıkarılamadı.")
         return None
-    print(f"Metin toplam {len(text)} karakter.")
+
+    print(f"📏 Toplam {len(text)} karakter okundu.")
     text_splitter = RecursiveCharacterTextSplitter(
         chunk_size=CHUNK_SIZE, chunk_overlap=CHUNK_OVERLAP, length_function=len
     )
     chunks = text_splitter.split_text(text)
-    print(f"Metin {len(chunks)} parçaya ayrıldı.")
-    print(f"Embedding modeli yükleniyor: {EMBEDDING_MODEL_NAME}")
+    print(f"📚 Metin {len(chunks)} parçaya ayrıldı.")
+
+    print(f"🔢 Embedding modeli yükleniyor: {EMBEDDING_MODEL_NAME}")
     embeddings = HuggingFaceEmbeddings(model_name=EMBEDDING_MODEL_NAME, model_kwargs={'device': DEVICE})
-    print("FAISS vektör veritabanı oluşturuluyor...")
+
+    print("🧠 FAISS vektör veritabanı oluşturuluyor...")
     db = FAISS.from_texts(chunks, embeddings)
-    print("Vektör veritabanı başarıyla oluşturuldu.")
+    print("✅ Vektör veritabanı başarıyla oluşturuldu.")
     return db
 
+
 vector_db = None
 if os.path.exists(PDF_PATH):
     vector_db = create_vector_db_from_pdf(PDF_PATH)
 else:
-    print(f"Hata: {PDF_PATH} bulunamadı. Lütfen PDF dosyasını yükleyin.")
+    print(f"⚠️ Hata: {PDF_PATH} bulunamadı. Lütfen PDF dosyasını yükleyin.")
+
 
 # --- 2. LLM Yükleme ---
-# Bu bölümde bir değişiklik yok.
 text_generation_pipeline = None
 try:
-    print(f"Model yükleniyor: {LLM_MODEL_NAME} -> Cihaz: {DEVICE}")
+    print(f"🤖 Model yükleniyor: {LLM_MODEL_NAME} -> Cihaz: {DEVICE}")
     tokenizer = AutoTokenizer.from_pretrained(LLM_MODEL_NAME)
-    model = AutoModelForSeq2SeqLM.from_pretrained(
-        LLM_MODEL_NAME, torch_dtype=torch.float32, low_cpu_mem_usage=True
-    )
-    model.to(DEVICE)
-    device_id = 0 if DEVICE == "cuda" else -1
+    model = AutoModelForSeq2SeqLM.from_pretrained(LLM_MODEL_NAME, torch_dtype=torch.float32)
+    if DEVICE == "cuda":
+        model.to("cuda")
+        device_id = 0
+    else:
+        device_id = -1
+
     text_generation_pipeline = pipeline(
         "text2text-generation",
         model=model,
         tokenizer=tokenizer,
         device=device_id,
-        max_length=MAX_NEW_TOKENS
+        max_new_tokens=MAX_NEW_TOKENS
     )
-    print("LLM pipeline başarıyla oluşturuldu.")
+    print("✅ LLM pipeline başarıyla oluşturuldu.")
 except Exception as e:
-    print(f"LLM yüklenirken hata oluştu: {e}")
+    print(f"❌ LLM yüklenirken hata oluştu: {e}")
     text_generation_pipeline = None
 
-# --- 3. Soru-Cevap Fonksiyonu (DÜZELTİLDİ) ---
-# DİKKAT: Bu fonksiyon artık sohbet geçmişini ('chat_history') almıyor.
-# Sadece soruyu alıp, cevabı bir metin olarak döndürüyor.
+
+# --- 3. Soru-Cevap Fonksiyonu ---
 def get_answer_from_llm(question):
     if vector_db is None or text_generation_pipeline is None:
-        return "Model veya PDF yüklenemedi. Lütfen logları kontrol edin."
+        return "⚠️ Model veya PDF yüklenemedi. Lütfen logları kontrol edin."
 
-    print(f"Gelen soru: {question}")
-    k = 3
-    retrieved_docs = vector_db.similarity_search(question, k=k)
+    print(f"💬 Gelen soru: {question}")
+    try:
+        retrieved_docs = vector_db.similarity_search(question, k=3)
+    except Exception as e:
+        return f"🔎 Vektör arama hatası: {e}"
 
     if not retrieved_docs:
-        return "Bu soruyla ilgili belgede bilgi bulunamadı."
+        return "⚠️ Bu soruyla ilgili belgede bilgi bulunamadı."
 
     context = "\n\n".join([doc.page_content for doc in retrieved_docs])
-    
-    # DÜZELTME 2: Prompt'u daha basit ve net hale getirdik.
-    # Modelin kafasını karıştıracak "Soru:", "Bağlam:" gibi kelimeleri sadeleştirdik.
     prompt = f"Answer the question based on the following context:\n{context}\n\nQuestion: {question}\nAnswer:"
 
-    print("LLM'e gönderilen prompt'un başlangıcı:", prompt[:500])
+    print("📤 LLM'e gönderilen prompt'un başlangıcı:\n", prompt[:400])
 
     try:
         outputs = text_generation_pipeline(prompt)
         final_answer = outputs[0]["generated_text"].strip()
         return final_answer
     except Exception as e:
-        print("Cevap üretilirken hata:", e)
+        print("⚠️ Cevap üretilirken hata:", e)
         return f"Cevap üretilemedi: {e}"
 
-# --- 4. Gradio Arayüzü (DÜZELTİLDİ) ---
+
+# --- 4. Gradio Arayüzü ---
 with gr.Blocks(theme=gr.themes.Soft()) as demo:
     gr.Markdown("# 📘 Fırat Üniversitesi Mevzuat Asistanı")
-    chatbot = gr.Chatbot(label="Sohbet Geçmişi", height=500)
+    chatbot = gr.Chatbot(label="Sohbet Geçmişi", height=500, type="messages")
     msg = gr.Textbox(label="Sorunuzu yazın:", placeholder="Örn: MADDE 1’i özetle")
 
-    # DÜZELTME 1: Sohbet mantığını tamamen düzelttik.
-    # Bu yeni yapı, Gradio ile chatbot yapmak için doğru yöntemdir.
-    
-    # 1. Adım: Kullanıcı mesajını gönderir. Mesaj kutusu temizlenir ve pasif hale gelir.
-    # Sohbet geçmişine [kullanıcı_mesajı, None] eklenir.
     def user(user_message, history):
         return gr.update(value="", interactive=False), history + [[user_message, None]]
 
-    # 2. Adım: Model cevabı üretir ve sohbet geçmişindeki "None" olan yeri doldurur.
-    # Cevap gelince mesaj kutusu tekrar aktif hale gelir.
     def bot(history):
         question = history[-1][0]
         answer = get_answer_from_llm(question)
         history[-1][1] = answer
         return history, gr.update(interactive=True)
 
-    # Enter veya butona basıldığında user fonksiyonu, ardından bot fonksiyonu çalışır.
     msg.submit(user, [msg, chatbot], [msg, chatbot], queue=False).then(
         bot, chatbot, [chatbot, msg]
     )
-    
-    clear_btn = gr.Button("Sohbeti Temizle")
+
+    clear_btn = gr.Button("🧹 Sohbeti Temizle")
     clear_btn.click(lambda: (None, []), None, [msg, chatbot], queue=False)
 
 if __name__ == "__main__":
-    demo.launch(debug=True)
+    demo.launch(debug=True)