Add application file

app.py

@@ -70,7 +70,13 @@ except Exception as e:
     print(f"TTS 컴포넌트 초기화 실패: {e}")
     tts = None
 
-# 대화 기록 초기화
+# 초기 대화문 설정
+initialMessages = [
+    {"role": "system",
+     "content": "You are a helpful assistant. Always respond in English, regardless of the language used in the question. Keep your answers clear, concise, and helpful."}
+]
+
+# 대화 기록을 저장할 전역 변수
 conversation_history = []
 
 
@@ -110,16 +116,12 @@ def process_audio(audio_path):
 
     # 2단계: LLM으로 응답 생성
     try:
-        # 지식 검색을 위한 코드를 추가할 수 있습니다 (RAG)
-        # 여기서는 간단히 바로 질의를 전달합니다
-        context_data = []  # 실제로는 검색 결과를 여기에 넣습니다
-
-        # DeepSeek API로 응답 생성 (RAG 방식)
+        # 간단히 질의-응답 방식으로 요청
         user_query = conversation_history[-1]["content"]  # 마지막 사용자 메시지
-        llm_response = llm.chat_with_rag(user_query, context_data)
+        llm_response = llm.generate_response(user_query)
     except Exception as e:
         print(f"LLM 오류: {e}")
-        llm_response = "응답 생성 중 오류가 발생했습니다. 다시 시도해 주세요."
+        llm_response = "Sorry, I couldn't generate a response. Please try again."
 
     # AI 응답을 대화 기록에 추가
     conversation_history.append({"role": "assistant", "content": llm_response})
@@ -186,10 +188,12 @@ with gr.Blocks(title="음성 챗봇") as app:
 
     gr.Markdown("## 사용 방법")
     gr.Markdown("""
-    1. 마이크 버튼을 클릭하고 메시지를 말하세요
-    2. AI가 음성을 처리하고 응답을 생성할 때까지 기다리세요
+    1. 마이크 버튼을 클릭하고 영어로 메시지를 말하세요
+    2. AI가 음성을 처리하고 영어로 응답을 생성할 때까지 기다리세요
     3. 텍스트 응답을 읽고 음성 응답을 들으세요
     4. "대화 초기화" 버튼을 클릭하여 새 대화를 시작하세요
+
+    ⚠️ 참고: 이 챗봇은 영어 음성 인식과 영어 음성 합성을 사용합니다.
     """)
 
     gr.Markdown("## 시스템 정보")

utils/llm.py

@@ -1,5 +1,4 @@
 import requests
-import json
 import os
 from dotenv import load_dotenv
 
@@ -8,11 +7,13 @@ load_dotenv()
 
 
 class DeepSeekLLM:
+    """DeepSeek API를 사용한 언어 모델 클래스"""
+
     def __init__(self):
         """
-        DeepSeek API를 사용하기 위한 클래스
+        DeepSeek API 초기화
 
-        환경 변수에서 설정을 가져옵니다:
+        환경 변수에서 설정을 가져옴:
         - DEEPSEEK_API_KEY: API 키
         - DEEPSEEK_ENDPOINT: API 엔드포인트 URL
         - DEEPSEEK_MODEL: 사용할 모델 이름
@@ -22,147 +23,101 @@ class DeepSeekLLM:
         self.model = os.getenv("DEEPSEEK_MODEL", "deepseek-chat")
 
         if not self.api_key:
-            raise ValueError("DEEPSEEK_API_KEY가 필요합니다.")
+            raise ValueError("DEEPSEEK_API_KEY 환경 변수가 설정되어 있지 않습니다.")
 
-        print(f"DeepSeek 설정: 모델={self.model}, 엔드포인트 설정={'O' if self.endpoint else 'X'}")
+        print(f"DeepSeek LLM 초기화: 모델={self.model}, 엔드포인트={'설정됨' if self.endpoint else '기본값'}")
 
-    def generate_response(self, prompt, max_tokens=500, temperature=0.7):
+    def generate_response(self, query, temperature=0.7, max_tokens=500):
         """
-        프롬프트를 바탕으로 응답 생성
+        단일 질의에 대한 응답 생성
 
         Args:
-            prompt: 입력 프롬프트 텍스트
-            max_tokens: 생성할 최대 토큰 수
-            temperature: 응답의 창의성 수준 (0.0 ~ 1.0)
+            query: 사용자 질문
+            temperature: 응답의 다양성 (0.0-1.0)
+            max_tokens: 최대 토큰 수
 
         Returns:
-            str: 생성된 응답 텍스트
+            str: 생성된 응답
         """
-        return self.chat_completion([{"role": "user", "content": prompt}], max_tokens, temperature)
+        # 시스템 메시지: 항상 영어로 응답
+        system_message = "You are a helpful assistant. Always respond in English, regardless of the language used in the question. Keep your answers clear, concise, and helpful."
+
+        # 메시지 구성
+        messages = [
+            {"role": "system", "content": system_message},
+            {"role": "user", "content": query}
+        ]
 
-    def chat_completion(self, messages, max_tokens=500, temperature=0.7):
+        # API 요청
+        return self._call_api(messages, temperature, max_tokens)
+
+    def chat_completion(self, messages, temperature=0.7, max_tokens=500):
         """
-        채팅 형식의 메시지를 바탕으로 응답 생성
+        대화 이력을 포함한 응답 생성
 
         Args:
-            messages: 채팅 메시지 목록 (형식: [{"role": "user", "content": "안녕"}, ...])
-            max_tokens: 생성할 최대 토큰 수
-            temperature: 응답의 창의성 수준 (0.0 ~ 1.0)
+            messages: 메시지 목록 [{"role": "user", "content": "..."}, ...]
+            temperature: 응답의 다양성 (0.0-1.0)
+            max_tokens: 최대 토큰 수
 
         Returns:
-            str: 생성된 응답 텍스트
+            str: 생성된 응답
+        """
+        # 첫 메시지가 시스템 메시지가 아니면 추가
+        if not messages or messages[0]["role"] != "system":
+            system_message = {"role": "system",
+                              "content": "You are a helpful assistant. Always respond in English, regardless of the language used in the question."}
+            messages = [system_message] + messages
+
+        # API 요청
+        return self._call_api(messages, temperature, max_tokens)
+
+    def _call_api(self, messages, temperature, max_tokens):
+        """
+        DeepSeek API 호출
+
+        Args:
+            messages: 메시지 목록
+            temperature: 응답의 다양성
+            max_tokens: 최대 토큰 수
+
+        Returns:
+            str: 생성된 응답
         """
         headers = {
             "Content-Type": "application/json",
             "Authorization": f"Bearer {self.api_key}"
         }
 
-        payload = {
+        data = {
             "model": self.model,
             "messages": messages,
-            "max_tokens": max_tokens,
-            "temperature": temperature
+            "temperature": temperature,
+            "max_tokens": max_tokens
         }
 
         try:
-            print(f"[DeepSeek] API 요청 전송: {self.endpoint}")
-            response = requests.post(
-                self.endpoint,
-                headers=headers,
-                json=payload
-            )
+            print(f"DeepSeek API 요청: 메시지 수={len(messages)}, 온도={temperature}")
+            response = requests.post(self.endpoint, headers=headers, json=data)
 
+            # 응답 처리
             if response.status_code == 200:
                 result = response.json()
-                print("[DeepSeek] 응답 성공")
-
-                # Node.js 코드와 유사한 응답 파싱
                 if (result.get('choices') and
                         len(result['choices']) > 0 and
                         result['choices'][0].get('message') and
                         result['choices'][0]['message'].get('content')):
-                    return result['choices'][0]['message']['content'].strip()
+                    content = result['choices'][0]['message']['content'].strip()
+                    print(f"DeepSeek API 응답 성공: {len(content)} 자")
+                    return content
                 else:
-                    print(f"[DeepSeek] 응답 형식 오류: {result}")
-                    return "응답을 받을 수 없습니다."
+                    print(f"DeepSeek API 응답 형식 오류: {result}")
+                    return "I couldn't generate a response. Please try again."
             else:
-                print(f"[DeepSeek] API 에러: 상태 코드 {response.status_code}")
-                print(f"[DeepSeek] 에러 응답: {response.text}")
-                return f"죄송합니다, API 응답 오류가 발생했습니다 (상태 코드: {response.status_code})"
+                print(f"DeepSeek API 오류: 상태 코드 {response.status_code}")
+                print(f"오류 상세: {response.text}")
+                return f"An error occurred (Status code: {response.status_code})"
 
         except Exception as e:
-            print(f"[DeepSeek] 예외 발생: {str(e)}")
-            return f"오류가 발생했습니다: {str(e)}"
-
-    def chat_with_rag(self, user_query, context_data=None):
-        """
-        RAG(Retrieval-Augmented Generation) 방식으로 프롬프트를 강화하여 채팅 응답 생성
-
-        Args:
-            user_query: 사용자 질문
-            context_data: 검색된 컨텍스트 데이터 (None이면 RAG 없이 진행)
-
-        Returns:
-            str: 생성된 응답 텍스트
-        """
-        # 기본 시스템 메시지
-        system_message = {"role": "system",
-                          "content": "넌 의료전문가 역할을 맡아. 그리고 질문은 대부분 건강에 관련된 질문이 올꺼야. 최대한 전문적인 단어는 배제하고 이해하기 쉽고 간략하게 답변을 해줘."}
-
-        if not context_data or len(context_data) == 0:
-            # 컨텍스트 없이 기본 메시지만 사용
-            messages = [
-                system_message,
-                {"role": "user", "content": user_query}
-            ]
-        else:
-            # RAG 방식으로 프롬프트 강화
-            enhanced_prompt = self._enhance_prompt_with_context(user_query, context_data)
-            messages = [
-                system_message,
-                {"role": "user", "content": enhanced_prompt}
-            ]
-
-        # DeepSeek API 호출
-        return self.chat_completion(messages)
-
-    def _enhance_prompt_with_context(self, query, context_data):
-        """
-        검색 결과를 바탕으로 프롬프트 강화 (Node.js 코드 참조)
-
-        Args:
-            query: 사용자 질문
-            context_data: 검색된 컨텍스트 데이터
-
-        Returns:
-            str: 강화된 프롬프트
-        """
-        # 기본 시스템 프롬프트에 검색 결과 통합
-        enhanced_prompt = "당신은 전문 의료 상담가입니다. 다음 정보를 바탕으로 사용자 질문에 답변해주세요:\n\n"
-
-        # 정보의 출처와 신뢰성 명시
-        enhanced_prompt += "※ 다음 정보는 의료 데이터베이스에서 검색된 결과입니다.\n\n"
-
-        # 검색된 컨텍스트 정보 포맷팅
-        for i, item in enumerate(context_data):
-            enhanced_prompt += f"【참고자료 {i + 1}】\n"
-
-            # 항목별로 정리
-            for key, value in item.items():
-                if value and str(value).strip():
-                    enhanced_prompt += f"- {key}: {value}\n"
-
-            enhanced_prompt += "\n"
-
-        # 답변 작성 가이드라인 제공
-        enhanced_prompt += "【답변 가이드라인】\n"
-        enhanced_prompt += "1. 위 참고자료의 정보를 우선적으로 활용하세요.\n"
-        enhanced_prompt += "2. 참고자료에 명확한 정보가 없는 경우, 의학적으로 정확한 일반 지식을 활용하세요.\n"
-        enhanced_prompt += "3. 불확실한 정보는 제공하지 말고, 필요시 전문의 상담을 권유하세요.\n"
-        enhanced_prompt += "4. 사용자가 쉽게 이해할 수 있는 용어를 사용하세요.\n\n"
-
-        # 사용자 질문 포함
-        enhanced_prompt += f"【사용자 질문】 {query}\n\n"
-        enhanced_prompt += "【답변】\n"
-
-        return enhanced_prompt
+            print(f"DeepSeek API 예외 발생: {str(e)}")
+            return f"An error occurred: {str(e)}"