Upload 2 files

app.py

@@ -1,71 +1,433 @@
+
 import streamlit as st
-from langchain_community.embeddings import HuggingFaceEmbeddings
-from langchain_community.vectorstores import FAISS
-from langchain_community.llms import HuggingFaceHub
-from langchain.chains import RetrievalQA
-from langchain.text_splitter import CharacterTextSplitter
-from langchain.docstore.document import Document
-from langchain.prompts import PromptTemplate
+import pandas as pd
+import torch
 import os
+import time
+import logging
+import subprocess
+import sys
+
+# 設定logging
+logging.basicConfig(level=logging.INFO)
+logger = logging.getLogger(__name__)
+
+# 頁面配置
+st.set_page_config(
+    page_title="Excel 問答 AI（ChatGLM 驅動）",
+    page_icon="🤖",
+    layout="wide"
+)
+
+# 應用標題與說明
+st.title("🤖 Excel 問答 AI（ChatGLM 驅動）")
+st.markdown("""
+### 使用說明
+1. 可直接提問一般知識，AI 將使用內建能力回答
+2. 上傳 Excel 檔案（包含「問題」和「答案」欄位）以添加專業知識
+3. 系統會優先使用您上傳的知識庫進行回答
+""")
+
+# 檢查並安裝必要套件
+def install_missing_packages():
+    required_packages = ["sentencepiece", "protobuf", "bitsandbytes"] # 加入 bitsandbytes
+    for package in required_packages:
+        try:
+            __import__(package)
+            st.write(f"{package} 已安裝")
+        except ImportError:
+            st.write(f"安裝缺失的套件: {package}")
+            try:
+                subprocess.check_call([sys.executable, "-m", "pip", "install", package])
+                st.write(f"{package} 已安裝成功")
+            except Exception as e:
+                st.error(f"安裝 {package} 失敗: {str(e)}")
+                return False
+    return True
+
+# 安裝缺失的套件
+if not install_missing_packages():
+    st.error("必要套件安裝失敗，請刷新頁面重試")
+    st.stop()
+
+st.write("正在導入依賴項...")
+
+# 依次導入並檢查每個依賴
+try:
+    from langchain_community.embeddings.huggingface import HuggingFaceEmbeddings
+    st.write("成功導入 HuggingFaceEmbeddings")
+except Exception as e:
+    st.error(f"導入 HuggingFaceEmbeddings 失敗: {str(e)}")
+    st.stop()
+
+try:
+    from langchain_community.vectorstores import FAISS
+    st.write("成功導入 FAISS")
+except Exception as e:
+    st.error(f"導入 FAISS 失敗: {str(e)}")
+    st.stop()
+
+try:
+    from langchain_community.llms import HuggingFacePipeline
+    st.write("成功導入 HuggingFacePipeline")
+except Exception as e:
+    st.error(f"導入 HuggingFacePipeline 失敗: {str(e)}")
+    st.stop()
+
+try:
+    from langchain.chains import RetrievalQA, LLMChain
+    st.write("成功導入 RetrievalQA, LLMChain")
+except Exception as e:
+    st.error(f"導入 RetrievalQA, LLMChain 失敗: {str(e)}")
+    st.stop()
+
+try:
+    from langchain.prompts import PromptTemplate
+    st.write("成功導入 PromptTemplate")
+except Exception as e:
+    st.error(f"導入 PromptTemplate 失敗: {str(e)}")
+    st.stop()
+
+try:
+    from transformers import AutoTokenizer, AutoModelForCausalLM, pipeline
+    st.write("成功導入 transformers 組件")
+except Exception as e:
+    st.error(f"導入 transformers 組件失敗: {str(e)}")
+    st.stop()
+
+try:
+    import bitsandbytes # 檢查 bitsandbytes
+    st.write("成功導入 bitsandbytes")
+    has_bitsandbytes = True
+except ImportError:
+    st.warning("未安裝 bitsandbytes，將無法使用 4 位元量化。")
+    has_bitsandbytes = False
+
+st.write("所有依賴項導入成功！")
+
+# 側邊欄設定
+with st.sidebar:
+    st.header("參數設定")
+
+    model_option = st.selectbox(
+        "選擇模型",
+        ["THUDM/chatglm3-6b", "THUDM/chatglm2-6b", "THUDM/chatglm-6b"],
+        index=0
+    )
+
+    embedding_option = st.selectbox(
+        "選擇嵌入模型",
+        ["shibing624/text2vec-base-chinese", "GanymedeNil/text2vec-large-chinese"],
+        index=0
+    )
 
-# 設定 HuggingFace token
-os.environ["HUGGINGFACEHUB_API_TOKEN"] = "hf_your_token"
-
-# 假資料：簡單 Q&A 列表
-qa_data = [
-    {"問題": "什麼是AI？", "答案": "人工智慧（AI）是一種模擬人類智能的技術。"},
-    {"問題": "LangChain是什麼？", "答案": "LangChain 是一個用於構建基於 LLM 的應用框架。"},
-    {"問題": "FAISS有什麼用？", "答案": "FAISS 是一個用於高效相似度搜尋的向量資料庫工具。"},
-]
-
-# 將問答資料轉換為 Document 格式
-def build_documents(qa_data):
-    docs = []
-    for item in qa_data:
-        content = f"問題：{item['問題']}\n答案：{item['答案']}"
-        docs.append(Document(page_content=content))
-    return docs
-
-# 向量資料庫
-def create_vectorstore(docs, embeddings):
-    return FAISS.from_documents(docs, embedding=embeddings)
-
-# 建立嵌入模型
-def get_embedding_model():
-    return HuggingFaceEmbeddings(model_name="text2vec-base-chinese")
-
-# 建立語言模型（ChatGLM3）
-def get_llm_model():
-    return HuggingFaceHub(
-        repo_id="THUDM/chatglm3-6b",
-        model_kwargs={"temperature": 0.1, "max_length": 2048}
+    mode = st.radio(
+        "回答模式",
+        ["混合模式（優先使用上傳資料）", "僅使用上傳資料", "僅使用模型知識"]
     )
 
-# 建立問答鏈
-def build_qa_chain(llm, vectorstore):
-    return RetrievalQA.from_chain_type(
-        llm=llm,
-        retriever=vectorstore.as_retriever(),
-        chain_type="stuff",
-        return_source_documents=True
+    max_tokens = st.slider("最大回應長度", 128, 2048, 512)
+    temperature = st.slider("溫度（創造性）", 0.0, 1.0, 0.7, 0.1)
+    top_k = st.slider("檢索相關文檔數", 1, 5, 3)
+
+    st.markdown("---")
+    st.markdown("### 關於")
+    st.markdown("此應用使用 ChatGLM 模型結合 LangChain 框架，將您的 Excel 數據轉化為智能問答系統。同時支持一般知識問答。")
+
+# 全局變量
+@st.cache_resource
+def load_embeddings(model_name):
+    try:
+        logger.info(f"加載嵌入模型: {model_name}")
+        st.write(f"開始加載嵌入模型: {model_name}...")
+        embeddings = HuggingFaceEmbeddings(model_name=model_name)
+        st.write(f"嵌入模型加載成功!")
+        return embeddings
+    except Exception as e:
+        logger.error(f"嵌入模型加載失敗: {str(e)}")
+        st.error(f"嵌入模型加載失敗: {str(e)}")
+        return None
+
+@st.cache_resource
+def load_llm(_model_name, _max_tokens, _temperature):
+    try:
+        logger.info(f"加載語言模型: {_model_name}")
+        st.write(f"開始加載語言模型: {_model_name}...")
+
+        # 檢查可用資源
+        free_memory = torch.cuda.get_device_properties(0).total_memory - torch.cuda.memory_allocated() if torch.cuda.is_available() else 0
+        st.write(f"可用GPU記憶體: {free_memory / (1024**3):.2f} GB" if torch.cuda.is_available() else "無GPU可用，將使用CPU")
+
+        device = "cuda" if torch.cuda.is_available() else "cpu"
+        dtype = torch.float16
+
+        load_args = {"trust_remote_code": True, "device_map": device, "torch_dtype": dtype}
+
+        if device == "cpu":
+            st.warning("注意：在 CPU 上載入大型語言模型可能會非常緩慢且需要大量記憶體。")
+        elif has_bitsandbytes:
+            try:
+                load_args["load_in_4bit"] = True
+                load_args["bnb_4bit_compute_dtype"] = torch.float16
+                st.info("嘗試使用 4 位元量化載入模型 (需要 bitsandbytes)。")
+            except Exception as e:
+                st.warning(f"載入 4 位元量化模型失敗: {e}")
+                st.info("將嘗試以半精度浮點數載入。")
+
+        # 使用超時保護
+        with st.spinner(f"正在加載 {_model_name} 模型，這可能需要幾分鐘..."):
+            # 加載tokenizer
+            st.write("加載tokenizer...")
+            tokenizer = AutoTokenizer.from_pretrained(_model_name, trust_remote_code=True)
+            st.write("Tokenizer加載成功")
+
+            # 加載模型
+            st.write(f"開始加載模型到{device}...")
+            try:
+                model = AutoModelForCausalLM.from_pretrained(_model_name, **load_args)
+                st.write("模型加載成功!")
+            except Exception as e:
+                st.error(f"模型加載失敗: {e}")
+                st.error("嘗試使用不同的載入配置。")
+                raise e
+
+            # 創建pipeline
+            st.write("創建文本生成pipeline...")
+            pipe = pipeline(
+                "text-generation",
+                model=model,
+                tokenizer=tokenizer,
+                max_new_tokens=_max_tokens,
+                temperature=_temperature,
+                top_p=0.9,
+                repetition_penalty=1.1
+            )
+            st.write("Pipeline創建成功!")
+
+            return HuggingFacePipeline(pipeline=pipe)
+    except Exception as e:
+        logger.error(f"語言模型加載失敗: {str(e)}")
+        st.error(f"語言模型加載失敗: {str(e)}")
+        st.error("如果是因為記憶體不足，請考慮使用較小的模型或增加系統記憶體")
+        return None
+
+# 創建向量資料庫
+def create_vectorstore(texts, embeddings):
+    try:
+        st.write("開始創建向量資料庫...")
+        vectorstore = FAISS.from_texts(texts, embedding=embeddings)
+        st.write("向量資料庫創建成功!")
+        return vectorstore
+    except Exception as e:
+        logger.error(f"向量資料庫創建失敗: {str(e)}")
+        st.error(f"向量資料庫創建失敗: {str(e)}")
+        return None
+
+# 創建直接問答的LLM鏈
+def create_general_qa_chain(llm):
+    prompt_template = """請回答以下問題：
+
+問題: {question}
+
+���提供詳細且有幫助的回答："""
+
+    prompt = PromptTemplate(
+        template=prompt_template,
+        input_variables=["question"]
     )
 
-# Streamlit UI
-st.title("💬 小型知識問答機器人")
-st.markdown("目前使用內建知識，無需上傳 Excel")
-
-# 準備模型與資料
-embedding_model = get_embedding_model()
-llm_model = get_llm_model()
-documents = build_documents(qa_data)
-vectorstore = create_vectorstore(documents, embedding_model)
-qa_chain = build_qa_chain(llm_model, vectorstore)
-
-# 問答輸入
-user_question = st.text_input("請輸入你的問題：")
-
-if st.button("送出") and user_question:
-    with st.spinner("思考中..."):
-        result = qa_chain({"query": user_question})
-        st.success("回答：")
-        st.write(result["result"])
+    return LLMChain(llm=llm, prompt=prompt)
+
+# 混合模式問答處理
+def hybrid_qa(query, qa_chain, general_chain, confidence_threshold=0.7):
+    # 先嘗試使用知識庫回答
+    try:
+        st.write("嘗試從知識庫查詢答案...")
+        kb_result = qa_chain({"query": query})
+        # 檢查向量存儲的相似度分數，判斷是否有足夠相關的內容
+        if (hasattr(kb_result, 'source_documents') and
+            kb_result.get("source_documents") and
+            len(kb_result["source_documents"]) > 0):
+            # 這裡假設我們能獲取到相似度分數，實際上可能需要根據您使用的向量存儲方法調整
+            relevance = True  # 在實際應用中，這裡應根據相似度分數確定
+
+            if relevance:
+                st.write("找到相關知識庫內容")
+                return kb_result, "knowledge_base", kb_result["source_documents"]
+        st.write("知識庫中未找到足夠相關的內容")
+    except Exception as e:
+        logger.warning(f"知識庫查詢失敗: {str(e)}")
+        st.warning(f"知識庫查詢失敗: {str(e)}")
+
+    # 如果知識庫沒有足夠相關的答案，使用一般知識模式
+    try:
+        st.write("使用模型一般知識回答...")
+        general_result = general_chain.run(question=query)
+        return {"result": general_result}, "general", []
+    except Exception as e:
+        logger.error(f"一般知識查詢失敗: {str(e)}")
+        st.error(f"一般知識查詢失敗: {str(e)}")
+        return {"result": "很抱歉，無法處理您的問題，請稍後再試。"}, "error", []
+
+# 主應用邏輯
+# 加載嵌入模型（先加載嵌入模型，因為這通常較小較快）
+embeddings = None
+if "embeddings" not in st.session_state:
+    with st.spinner("正在加載嵌入模型..."):
+        embeddings = load_embeddings(embedding_option)
+        if embeddings is not None:
+            st.session_state.embeddings = embeddings
+        else:
+            st.error("嵌入模型加載失敗，請刷新頁面重試")
+            st.stop()
+else:
+    embeddings = st.session_state.embeddings
+
+# 加載語言模型（不管是否上傳文件都需要）
+llm = None
+if "llm" not in st.session_state:
+    llm = load_llm(model_option, max_tokens, temperature)
+    if llm is not None:
+        st.session_state.llm = llm
+    else:
+        st.error("語言模型加載失敗，請刷新頁面重試")
+        st.stop()
+else:
+    llm = st.session_state.llm
+
+# 創建一般問答鏈
+general_qa_chain = create_general_qa_chain(llm)
+st.write("一般問答鏈創建成功!")
+
+# 變數初始化
+kb_qa_chain = None
+has_knowledge_base = False
+vectorstore = None
+
+# 上傳Excel文件
+uploaded_file = st.file_uploader("上傳你的問答 Excel（可選）", type=["xlsx"])
+
+if uploaded_file:
+    # 讀取Excel文件
+    try:
+        st.write("開始讀取Excel文件...")
+        df = pd.read_excel(uploaded_file)
+
+        # 檢查必要欄位
+        if not {'問題', '答案'}.issubset(df.columns):
+            st.error("Excel 檔案需包含 '問題' 和 '答案' 欄位")
+        else:
+            # 顯示資料預覽
+            with st.expander("Excel 資料預覽"):
+                st.dataframe(df.head())
+
+            st.info(f"成功讀取 {len(df)} 筆問答對")
+
+            # 建立文本列表
+            texts = [f"問題：{q}\n答案：{a}" for q, a in zip(df['問題'], df['答案'])]
+
+            # 進度條
+            progress_text = "正在處理中..."
+            my_bar = st.progress(0, text=progress_text)
+
+            # 使用之前加載的嵌入模型
+            my_bar.progress(25, text="準備嵌入模型...")
+
+            # 建立向量資料庫
+            my_bar.progress(50, text="正在建立向量資料庫...")
+            vectorstore = create_vectorstore(texts, embeddings)
+            if vectorstore is None:
+                st.stop()
+
+            # 創建問答鏈
+            my_bar.progress(75, text="正在建立知識庫問答系統...")
+            kb_qa_chain = RetrievalQA.from_chain_type(
+                llm=llm,
+                retriever=vectorstore.as_retriever(search_kwargs={"k": top_k}),
+                chain_type="stuff",
+                return_source_documents=True
+            )
+
+            has_knowledge_base = True
+
+            my_bar.progress(100, text="準備完成！")
+            time.sleep(1)
+            my_bar.empty()
+
+            st.success("知識庫已準備就緒，請輸入您的問題")
+
+    except Exception as e:
+        logger.error(f"Excel 檔案處理失敗: {str(e)}")
+        st.error(f"Excel 檔案處理失敗: {str(e)}")
+
+# 查詢部分
+st.markdown("## 開始對話")
+query = st.text_input("請輸入你的問題：")
+
+if query:
+    with st.spinner("AI 思考中..."):
+        try:
+            start_time = time.time()
+
+            # 根據模式選擇問答方式
+            if mode == "僅使用上傳資料":
+                if has_knowledge_base:
+                    st.write("使用知識庫模式回答...")
+                    result = kb_qa_chain({"query": query})
+                    source = "knowledge_base"
+                    source_docs = result["source_documents"]
+                else:
+                    st.warning("您選擇了僅使用上傳資料模式，但尚未上傳Excel檔案。請上傳檔案或變更模式。")
+                    st.stop()
+
+            elif mode == "僅使用模型知識":
+                st.write("使用模型一般知識模式回答...")
+                result = {"result": general_qa_chain.run(question=query)}
+                source = "general"
+                source_docs = []
+
+            else:  # 混合模式
+                if has_knowledge_base:
+                    st.write("使用混合模式回答...")
+                    result, source, source_docs = hybrid_qa(query, kb_qa_chain, general_qa_chain)
+                else:
+                    st.write("未檢測到知識庫，使用模型一般知識回答...")
+                    result = {"result": general_qa_chain.run(question=query)}
+                    source = "general"
+                    source_docs = []
+
+            end_time = time.time()
+
+            # 顯示回答
+            st.markdown("### AI 回答：")
+            st.markdown(result["result"])
+
+            # 根據來源顯示不同信息
+            if source == "knowledge_base":
+                st.success("✅ 回答來自您的知識庫")
+                # 顯示參考資料
+                with st.expander("參考資料"):
+                    for i, doc in enumerate(source_docs):
+                        st.markdown(f"**參考 {i+1}**")
+                        st.markdown(doc.page_content)
+                        st.markdown("---")
+            elif source == "general":
+                if has_knowledge_base:
+                    st.info("ℹ️ 回答來自模型的一般知識（知識庫中未找到相關內容）")
+                else:
+                    st.info("ℹ️ 回答來自模型的一般知識")
+
+            st.text(f"回答生成時間: {(end_time - start_time):.2f} 秒")
+
+        except Exception as e:
+            logger.error(f"查詢處理失敗: {str(e)}")
+            st.error(f"查詢處理失敗，請重試: {str(e)}")
+            st.error(f"錯誤詳情: {str(e)}")
+
+# 添加會話歷史功能
+if "chat_history" not in st.session_state:
+    st.session_state.chat_history = []
+
+# 底部資訊
+st.markdown("---")
+st.markdown("Made with ❤️ | Excel 問答 AI")

requirements.txt

@@ -10,3 +10,4 @@ protobuf>=3.20.0
 openpyxl>=3.1.0
 huggingface_hub>=0.19.0
 accelerate==0.25.0
+bitsandbytes>=0.41.1