app.py

import os
from pathlib import Path
from typing import List, Dict, Any

import gradio as gr
from langchain_community.document_loaders import TextLoader, PyPDFLoader, Docx2txtLoader
from langchain_text_splitters import RecursiveCharacterTextSplitter
from langchain_huggingface import HuggingFaceEmbeddings
from langchain_community.vectorstores import FAISS
from langchain_core.prompts import PromptTemplate
from langchain_core.output_parsers import StrOutputParser
from langchain_core.runnables import RunnablePassthrough
from langchain_openai import ChatOpenAI


# LLM 設定（強烈建議使用環境變數）
llm = ChatOpenAI(
    base_url=os.getenv("LITELLM_BASE_URL"),
    api_key=os.getenv("OPENAI_API_KEY"),
    model=os.getenv("LLM_MODEL", "azure-gpt-4.1"),  # 改用更常見的預設模型
    temperature=0.3,
)

# Embedding 模型（中文效果很好的小模型）
embeddings = HuggingFaceEmbeddings(model_name="BAAI/bge-small-zh-v1.5")


def format_docs(docs):
    return "\n\n".join(doc.page_content for doc in docs)


prompt = PromptTemplate.from_template(
    """你是一個有幫助且誠實的助手，請根據以下提供的上下文來回答問題。
如果上下文不足以回答，請直接說「根據提供的文件，我無法回答這個問題。」，不要編造答案。

上下文：
{context}

問題：{question}
回答："""
)


# 上傳並建立向量庫
def upload_and_build_db(files: List[Any], vectorstore_state: FAISS | None):
    if not files:
        return "請上傳至少一個文件。", None, vectorstore_state

    docs = []
    for file in files:
        # Gradio 上傳的 file 是 tempfile.NamedTemporaryFile 物件，有 .name 屬性
        file_path = file.name

        try:
            if file_path.lower().endswith(".pdf"):
                loader = PyPDFLoader(file_path)
            elif file_path.lower().endswith(".docx"):
                loader = Docx2txtLoader(file_path)
            else:
                loader = TextLoader(file_path, encoding="utf-8")
            
            loaded_docs = loader.load()
            docs.extend(loaded_docs)
        except Exception as e:
            return f"載入檔案失敗：{os.path.basename(file_path)}，錯誤：{str(e)}", None, vectorstore_state

    if not docs:
        return "沒有成功載入任何文件內容。", None, vectorstore_state

    # 分塊
    text_splitter = RecursiveCharacterTextSplitter(chunk_size=1000, chunk_overlap=200)
    splits = text_splitter.split_documents(docs)

    # 建立新向量庫
    new_vectorstore = FAISS.from_documents(splits, embeddings)

    success_msg = f"成功載入 {len(docs)} 個文件，共 {len(splits)} 個區塊，已建立專屬知識庫！現在可以開始提問。"
    return success_msg, None, new_vectorstore


# RAG 回答（使用新版 Gradio messages 格式）
def rag_answer(question: str, history: List[Dict], vectorstore_state: FAISS | None):
    if vectorstore_state is None:
        new_message = {"role": "assistant", "content": "請先上傳文件並點擊「建立知識庫」。"}
        return "", history + [new_message]

    retriever = vectorstore_state.as_retriever(search_kwargs={"k": 4})

    chain = (
        {"context": retriever | format_docs, "question": RunnablePassthrough()}
        | prompt
        | llm
        | StrOutputParser()
    )

    try:
        response = chain.invoke(question)
    except Exception as e:
        response = f"回答時發生錯誤：{str(e)}"

    # 新格式：加入 user 和 assistant 兩條訊息
    new_history = history + [
        {"role": "user", "content": question},
        {"role": "assistant", "content": response}
    ]

    return "", new_history


# 清除聊天記錄
def clear_chat():
    return "", []


# Gradio 介面
with gr.Blocks(title="個人 RAG 問答系統", theme=gr.themes.Soft()) as demo:
    gr.Markdown("# 📚 個人 RAG 問答系統\n上傳你的 TXT、PDF、DOCX 文件，建立專屬知識庫，然後向它提問！")

    vectorstore_state = gr.State(None)

    with gr.Row():
        file_input = gr.File(
            label="上傳文件（支援 .txt、.pdf、.docx，可多檔）",
            file_count="multiple",
            type="filepath"
        )

    with gr.Row():
        build_btn = gr.Button("建立知識庫", variant="primary", scale=1)
        clear_btn = gr.Button("清除對話", variant="secondary", scale=1)

    status = gr.Textbox(label="狀態訊息", interactive=False)

    # 使用新版 messages 格式，明確初始化為空列表
    chatbot = gr.Chatbot(
        height=500,
        value=[],
        label="對話紀錄",
        avatar_images=("https://em-content.zobj.net/source/apple/391/man-technologist_1f468-200d-1f4bb.png",
                        "https://em-content.zobj.net/source/apple/391/robot_1f916.png")
    )

    msg = gr.Textbox(
        label="你的問題",
        placeholder="在這裡輸入問題，按 Enter 送出...",
        scale=7
    )

    # 事件綁定
    build_btn.click(
        fn=upload_and_build_db,
        inputs=[file_input, vectorstore_state],
        outputs=[status, file_input, vectorstore_state]  # 清空檔案列表避免重複上傳
    )

    msg.submit(
        fn=rag_answer,
        inputs=[msg, chatbot, vectorstore_state],
        outputs=[msg, chatbot]
    )

    clear_btn.click(
        fn=clear_chat,
        inputs=None,
        outputs=[msg, chatbot]
    )

# Hugging Face Spaces 建議加上 share=True 產生公開連結（本地測試可關閉）
demo.launch()