File size: 3,371 Bytes
6711e4a 5b2c980 6711e4a 5f509da 5b2c980 6711e4a 5f509da 6711e4a 5b2c980 6711e4a 5b2c980 6711e4a 5b2c980 6711e4a 5b2c980 6711e4a 5b2c980 6711e4a 5b2c980 6711e4a 5b2c980 6711e4a 5b2c980 6711e4a 5b2c980 6711e4a 5b2c980 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 |
import gradio as gr
from huggingface_hub import InferenceClient
import requests
def wiki_info(frage: str) -> str:
search_url = "https://de.wikipedia.org/w/api.php"
search_params = {
"action": "query",
"list": "search",
"srsearch": frage,
"format": "json"
}
r = requests.get(search_url, params=search_params)
data = r.json()
suchergebnisse = data.get("query", {}).get("search", [])
if not suchergebnisse:
return None
pageid = suchergebnisse[0]["pageid"]
# 2. Volltext laden
page_url = "https://de.wikipedia.org/w/api.php"
page_params = {
"action": "query",
"prop": "extracts",
"pageids": pageid,
"explaintext": 1,
"format": "json"
}
r2 = requests.get(page_url, params=page_params)
page_data = r2.json()
pages = page_data.get("query", {}).get("pages", {})
page = pages.get(str(pageid), {})
text = page.get("extract")
if not text:
return None
saetze = re.split(r'(?<=[.!?]) +', text)
gekuerzt = " ".join(saetze[:10])
return gekuerzt
def respond(
message,
history: list[dict[str, str]],
system_message,
max_tokens,
temperature,
top_p,
hf_token: gr.OAuthToken,
use_wiki # Checkbox Input
):
client = InferenceClient(token=hf_token.token, model="meta-llama/Llama-3.2-1B-Instruct")
# --- HIER PASSIERT DAS IN-CONTEXT LEARNING ---
context_text = ""
if use_wiki:
wiki_content = get_wikipedia_summary(message)
if wiki_content:
context_text = f"\n\nEXTERNER KONTEXT (WIKIPEDIA): {wiki_content}\n"
gr.Info(f"Kontext gefunden: {wiki_content[:50]}...") # Kleines UI Feedback
else:
gr.Info("Kein Wikipedia-Artikel gefunden.")
# Der Prompt zwingt das Modell, den Kontext zu nutzen
final_system_prompt = (
f"{system_message} "
f"Wenn 'EXTERNER KONTEXT' bereitgestellt wird, nutze dieses Wissen, um die Frage zu beantworten. "
f"Verlasse dich mehr auf den Kontext als auf dein eigenes Wissen."
f"{context_text}"
)
messages = [{"role": "system", "content": final_system_prompt}]
messages.extend(history)
messages.append({"role": "user", "content": message})
response = ""
for msg in client.chat_completion(
messages, max_tokens=max_tokens, stream=True, temperature=temperature, top_p=top_p,
):
token = msg.choices[0].delta.content
if token:
response += token
yield response
# --- GUI ---
with gr.Blocks() as demo:
gr.Markdown("# 🧠 Der Wikipedia-gestützte Assistent")
gr.Markdown("Stelle eine Frage. Wenn du die Checkbox aktivierst, suche ich live nach Fakten!")
with gr.Row():
wiki_checkbox = gr.Checkbox(label="Nutze Wikipedia-Wissen (RAG)", value=True)
chatbot = gr.ChatInterface(
respond,
additional_inputs=[
gr.Textbox(value="Du bist ein hilfreicher Assistent der Dinge genau und exakt erklärt.", label="System"),
gr.Slider(1, 1024, 512, label="Max Tokens"),
gr.Slider(0.1, 2.0, 0.7, label="Temp"),
gr.Slider(0.1, 1.0, 0.95, label="Top-p"),
wiki_checkbox
]
)
with gr.Sidebar():
gr.LoginButton()
if __name__ == "__main__":
demo.launch() |