app.py

# Import Library yang Diperlukan
from llama_cpp import Llama
from llama_index.core import SimpleDirectoryReader, VectorStoreIndex, Settings
from llama_index.core.llms import ChatMessage
from llama_index.llms.llama_cpp import LlamaCPP
from llama_index.embeddings.huggingface import HuggingFaceEmbedding
from huggingface_hub import hf_hub_download
from llama_index.core.node_parser import SentenceSplitter
import gradio as gr
import os

# Fungsi untuk mengunduh model Llama
def initialize_llama_model():
    # Unduh model jika belum ada di direktori kerja
    model_path = hf_hub_download(
        repo_id="Georgia47/Llama-2-7b-chat-hf-Q4_K_M-GGUF",  # Nama repo model
        filename="llama-2-7b-chat-hf-q4_k_m.gguf",  # Nama file model
        cache_dir="./models"  # Lokasi direktori untuk menyimpan model
    )
    return model_path

# Fungsi untuk mengatur konfigurasi Settings
def initialize_settings(model_path):  # Terima model_path sebagai parameter
    Settings.llm = LlamaCPP(
        model_path=model_path,
        model_kwargs={"n_gpu_layers": 1, # Sesuaikan dengan kebutuhan perangkat Anda
                      "temperature": 0.7,  # Sesuaikan untuk respons yang lebih cepat
                      "top_p": 0.9,       # Mengurangi eksplorasi token
                     }  
    )

# Fungsi untuk Menginisialisasi Index
def initialize_index():
    # Tentukan dokumen input untuk pembacaan data
    documents = SimpleDirectoryReader(input_dir="./bahandokumen").load_data()

    parser = SentenceSplitter(chunk_size=150, chunk_overlap=10)
    nodes = parser.get_nodes_from_documents(documents)

    embedding = HuggingFaceEmbedding("sentence-transformers/all-MiniLM-L6-v2")
    Settings.embed_model = embedding
    index = VectorStoreIndex(nodes)

    return index

# Inisialisasi Mesin Chat
def initialize_chat_engine(index):
    from llama_index.core.prompts import PromptTemplate
    from llama_index.core.chat_engine.condense_plus_context import CondensePlusContextChatEngine
    retriever = index.as_retriever(similarity_top_k=1)
    chat_engine = CondensePlusContextChatEngine.from_defaults(
        retriever=retriever,
        verbose=True,
    )
    return chat_engine

# Fungsi untuk menghasilkan respons chatbot
def generate_response(message, history, chat_engine):
    response = chat_engine.stream_chat(message)
    text = "".join(response.response_gen)  # Gabungkan semua token menjadi string
    history.append((message, text))  # Tambahkan ke riwayat
    return history

def clear_history(chat_engine):
    chat_engine.clear()
    
# Inisialisasi Komponen Gradio untuk UI
def launch_gradio(chat_engine):
    with gr.Blocks() as demo:
        # Mengatur tombol untuk menghapus riwayat chat
        clear_btn = gr.Button("Clear")
        clear_btn.click(lambda: clear_history(chat_engine))

        # Membuat antarmuka chat
        chat_interface = gr.ChatInterface(
            lambda message, history: generate_response(message, history, chat_engine)
        )

    demo.launch()

# Fungsi Utama untuk Menjalankan Aplikasi
def main():
    # Unduh model dan inisialisasi pengaturan
    model_path = initialize_llama_model()
    initialize_settings(model_path)  # Mengirimkan model_path ke fungsi initialize_settings

    # Inisialisasi index dan engine
    index = initialize_index()
    chat_engine = initialize_chat_engine(index)

    # Luncurkan antarmuka
    launch_gradio(chat_engine)

if __name__ == "__main__":
    main()