app.py

# Adapted from https://github.com/THUDM/ChatGLM-6B/blob/main/web_demo.py

history = [
    ('你讀過《故事課》嗎？',
     '''作為一個 AI 模型，我沒有「讀」過任何書籍，但我對《故事課》這本書有一定的了解。《故事課》是一本關於故事創作和 storytelling 的書籍，作者是美国作家 John D. Walsh。

這本書提供了一些有用的建議和技巧，幫助讀者如何創作出引人入勝的故事。它涵蓋了故事創作的各個方面，包括故事結構、角色塑造、情節設計和語言表達等。此外，這本書還提供了一些實用的例子和案例分析，讓讀者可以更好地理解故事創作的過程和技巧。

總的來說，《故事課》是一本對故事創作很有幫助的書籍，尤其對於那些想寫故事或想提高自己故事創作能力的人來說，這本書會是一本很有價值的參考資料。'''),
    ('《故事課》提到哪些故事公式？',
     '''《故事課》這本書提到了一些故事公式或故事結構，這些結構可以幫助創作故事。以下是其中一些常見的故事公式：

1. 起承轉合：這是最基礎的故事結構，也稱為三幕結構。故事開始，然後有了一個轉折，接著是高潮，最後有了一個結局。
2. 英雄之旅：這是一個很常見的故事結構，也被稱為綠傳或 gray area。它描述了一個英雄從平凡無奇的生活中開始，經歷了一系列挑戰和冒險，最終達成目標的故事。
3. 成長故事：這是一個關於個人成長和發展的成長故事，它通常描述了一個人物從一個脆弱或不成熟的状态開始，通過經歷挑戰和學習，最終成長和成熟的故事。
4. 反轉结局：這是一個比較特別的结局，它通常在故事的最後出現，並且會對讀者產生一種意外的冲击和影響。
5. 寓言故事：這是一種用故事來說明一個道理或概念的故事，通常包含一個寓意或象徵性的元素。

這些故事公式只是故事創作中的一部分，不同的故事可能会有不同的結構和情節，但這些公式可以作為一個起點，幫助你開始創作出一個引人入勝的故事。'''),
    ('請為『一位遭到組織追殺的間諜最終自證清白』選取適合的公式',
     '''對於這個故事情節，我們可以使用「起承轉合」或「英雄之旅」這兩種故事公式。以下是兩種可能的結構：

1. 起承轉合：
故事開始，一個間諜被組織追殺，他必須尋找一個方法來证明自己的清白。在故事的承轉點，他發現自己有一個重要的線索，可以證明他沒有罪過。在高潮部分，他利用這個線索成功地证明了自身的清白，讓組織放棄了对他的追殺。最後，在結局部分，他決定離開這個組織，開始一個新的生活。
2. 英雄之旅：
故事開始，一個間諜被組織追殺，他必須尋找一個方法來证明自己的清白。在故事的起承部分，他經歷了一系列的挑戰和冒險，例如被追蹤、被攻擊和被追赶等。在轉折點，他發現自己有一個重要的線索，可以證明他沒有罪過。在高潮部分，他利用這個線索成功地证明了自身的清白，讓組織放棄了对他的追殺。最後，在結局部分，他決定離開這個組織，開始一個新的生活，並且在這個過程中學習到了一些重要的生命經驗和教訓。

以上是兩種可能的公式結構，你可以根據自己的喜好和故事情節的具體情況選擇其中一種或兩者的結合。'''),
    ('現在你作為一個專業的編劇，你需要為故事1轉寫一段故事大綱提供一個完整的龍骨給之後的編劇用。',
     '''好的，以下是故事1的完整龙骨：

故事名称：間諜的清白

故事概述：一名間諜被組織追殺，他必須尋找一個方法來证明自己的清白。在故事的起承部分，他經歷了一系列的挑戰和冒險，例如被追蹤、被攻擊和被追赶等。在轉折點，他發現自己有一個重要的線索，可以證明他沒有罪過。在高潮部分，他利用這個線索成功地证明了自身的清白，讓組織放棄了对他的追殺。最後，在結局部分，他決定離開這個組織，開始一個新的生活。

故事大纲：

I. 起承

* 间諜被組織追殺，必須尋找方法证明自己的清白
* 經歷了一系列的挑戰和冒險，例如被追蹤、被攻擊和被追赶等
* 轉折點：發現自己有一個重要的線索，可以證明他沒有罪過

II. 高潮

* 利用線索成功地证明了自身的清白
* 組織放棄了对他的追殺

III. 結局

* 決定離開這個組織，開始一個新的生活

IV. 結語

* 間諜得到了自己應得的清白，並且在這個過程中學習到了一些重要的生命經驗和教訓

希望這個龙骨可以幫助编剧更好地理解故事情節，並創作出一個引人入勝的剧本。"'''),
]

import os
import argparse
from pathlib import Path

import chatglm_cpp
import gradio as gr

os.system("wget https://huggingface.co/npc0/chatglm3-6b-int4/resolve/main/chatglm3-ggml-q4_0.bin")

DEFAULT_MODEL_PATH = Path(__file__).resolve().parent.parent / "chatglm3-ggml-q4_0.bin"

parser = argparse.ArgumentParser()
parser.add_argument("-m", "--model", default=DEFAULT_MODEL_PATH, type=Path, help="model path")
parser.add_argument("--mode", default="chat", type=str, choices=["chat", "generate"], help="inference mode")
parser.add_argument("-l", "--max_length", default=2048, type=int, help="max total length including prompt and output")
parser.add_argument("-c", "--max_context_length", default=512, type=int, help="max context length")
parser.add_argument("--top_k", default=0, type=int, help="top-k sampling")
parser.add_argument("--top_p", default=0.7, type=float, help="top-p sampling")
parser.add_argument("--temp", default=0.95, type=float, help="temperature")
parser.add_argument("--repeat_penalty", default=1.0, type=float, help="penalize repeat sequence of tokens")
parser.add_argument("-t", "--threads", default=0, type=int, help="number of threads for inference")
parser.add_argument("--plain", action="store_true", help="display in plain text without markdown support")
args = parser.parse_args()

pipeline = chatglm_cpp.Pipeline(args.model)


def postprocess(text):
    if args.plain:
        return f"<pre>{text}</pre>"
    return text


def predict(input, chatbot, max_length, top_p, temperature, history):
    chatbot.append((postprocess(input), ""))
    response = ""
    history.append(input)

    generation_kwargs = dict(
        max_length=max_length,
        max_context_length=args.max_context_length,
        do_sample=temperature > 0,
        top_k=args.top_k,
        top_p=top_p,
        temperature=temperature,
        repetition_penalty=args.repeat_penalty,
        num_threads=args.threads,
        stream=True,
    )
    generator = (
        pipeline.chat(history, **generation_kwargs)
        if args.mode == "chat"
        else pipeline.generate(input, **generation_kwargs)
    )
    for response_piece in generator:
        response += response_piece
        chatbot[-1] = (chatbot[-1][0], postprocess(response))

        yield chatbot, history

    history.append(response)
    yield chatbot, history


def reset_user_input():
    return gr.update(value="")


def reset_state():
    return [], []


with gr.Blocks() as demo:
    gr.HTML("""<h1 align="center">劇本測試</h1>""")

    chatbot = gr.Chatbot()
    with gr.Row():
        with gr.Column(scale=4):
            user_input = gr.Textbox(show_label=False, placeholder="Input...", lines=8)
            submitBtn = gr.Button("Submit", variant="primary")
        with gr.Column(scale=1):
            max_length = gr.Slider(0, 2048, value=args.max_length, step=1.0, label="Maximum Length", interactive=True)
            top_p = gr.Slider(0, 1, value=args.top_p, step=0.01, label="Top P", interactive=True)
            temperature = gr.Slider(0, 1, value=args.temp, step=0.01, label="Temperature", interactive=True)
            emptyBtn = gr.Button("Clear History")

    history = gr.State(history)

    submitBtn.click(
        predict, [user_input, chatbot, max_length, top_p, temperature, history], [chatbot, history], show_progress=True
    )
    submitBtn.click(reset_user_input, [], [user_input])

    emptyBtn.click(reset_state, outputs=[chatbot, history], show_progress=True)

demo.queue().launch(share=False, inbrowser=True)