inicio

app.py

@@ -0,0 +1,137 @@
+import gradio as gr
+import spaces
+import subprocess
+import os
+import shutil
+import string
+import random
+import glob
+from pypdf import PdfReader
+from sentence_transformers import SentenceTransformer
+
+model_name = os.environ.get("MODEL", "Snowflake/snowflake-arctic-embed-m")
+chunk_size = int(os.environ.get("CHUNK_SIZE", 128))
+default_max_characters = int(os.environ.get("DEFAULT_MAX_CHARACTERS", 258))
+
+model = SentenceTransformer(model_name)
+# model.to(device="cuda")
+
+@spaces.GPU
+def embed(queries, chunks) -> dict[str, list[tuple[str, float]]]:
+    query_embeddings = model.encode(queries, prompt_name="query")
+    document_embeddings = model.encode(chunks)
+
+    scores = query_embeddings @ document_embeddings.T
+    results = {}
+    for query, query_scores in zip(queries, scores):
+        chunk_idxs = [i for i in range(len(chunks))]
+      # Obtenha uma estrutura como {query: [(chunk_idx, score), (chunk_idx, score), ...]}
+        results[query] = list(zip(chunk_idxs, query_scores))
+
+    return results
+
+
+def extract_text_from_pdf(reader):
+    full_text = ""
+    for idx, page in enumerate(reader.pages):
+        text = page.extract_text()
+        if len(text) > 0:
+            full_text += f"---- Página {idx} ----\n" + page.extract_text() + "\n\n"
+
+    return full_text.strip()
+
+def convert(filename) -> str:
+    plain_text_filetypes = [
+        ".txt",
+        ".csv",
+        ".tsv",
+        ".md",
+        ".yaml",
+        ".toml",
+        ".json",
+        ".json5",
+        ".jsonc",
+    ]
+   # Já é um arquivo de texto simples que não se beneficiaria com o pandoc, então retorne o conteúdo
+    if any(filename.endswith(ft) for ft in plain_text_filetypes):
+        with open(filename, "r") as f:
+            return f.read()
+
+    if filename.endswith(".pdf"):
+        return extract_text_from_pdf(PdfReader(filename))
+
+    raise ValueError(f"Tipo de arquivo não suportado: {filename}")
+
+
+def chunk_to_length(text, max_length=512):
+    chunks = []
+    while len(text) > max_length:
+        chunks.append(text[:max_length])
+        text = text[max_length:]
+    chunks.append(text)
+    return chunks
+
+@spaces.GPU
+def predict(query, max_characters) -> str:
+    #Incorpore a consulta
+    query_embedding = model.encode(query, prompt_name="query")
+
+    # Inicialize uma lista para armazenar todos os pedaços e suas semelhanças em todos os documentos
+    all_chunks = []
+
+    # Iterar por todos os documentos
+    for filename, doc in docs.items():
+        # Calcular produto escalar entre consultas e incorporações de documentos
+        similarities = doc["embeddings"] @ query_embedding.T
+        
+        # Adicione pedaços e semelhanças à lista all_chunks
+        all_chunks.extend([(filename, chunk, sim) for chunk, sim in zip(doc["chunks"], similarities)])
+
+    # Classifica todos os pedaços por similaridade
+    all_chunks.sort(key=lambda x: x[2], reverse=True)
+
+    # Inicialize um dicionário para armazenar partes relevantes para cada documento
+    relevant_chunks = {}
+
+    # Adicione os pedaços mais relevantes até que max_characters seja alcançado
+    total_chars = 0
+    for filename, chunk, _ in all_chunks:
+        if total_chars + len(chunk) <= max_characters:
+            if filename not in relevant_chunks:
+                relevant_chunks[filename] = []
+            relevant_chunks[filename].append(chunk)
+            total_chars += len(chunk)
+        else:
+            break
+
+    return relevant_chunks
+
+
+
+docs = {}
+
+for filename in glob.glob("src/*"):
+    if filename.endswith("add_your_files_here"):
+        continue
+
+    converted_doc = convert(filename)
+
+    chunks = chunk_to_length(converted_doc, chunk_size)
+    embeddings = model.encode(chunks)
+
+    docs[filename] = {
+        "chunks": chunks,
+        "embeddings": embeddings,
+    }
+
+
+gr.Interface(
+    predict,
+    inputs=[
+        gr.Textbox(label="Consulta feita sobre os documentos"),
+        gr.Number(label="Máximo de caracteres de saída", value=default_max_characters),
+    ],
+    outputs=[gr.JSON(label="Pedaços relevantes")],
+    title="Demonstração do modelo de ferramenta da comunidade RAG",
+    description="Esta é uma demonstração do modelo de ferramenta comunitária RAG. Para usar o RAG no HuggingChat com seus próprios documentos, comece clonando este espaço, adicione seus documentos à pasta `sources` e então crie uma ferramenta comunitária com este espaço!",
+).launch()

requeriments.txt

@@ -0,0 +1,4 @@
+pypdf==4.2.0
+sentence-transformers==3.0.0
+gradio
+spaces