Update app.py

app.py

@@ -1,130 +1,141 @@
-# Import Library yang Diperlukan
 import gradio as gr
-import shutil
-import os
-import subprocess
+import gspread
+from oauth2client.service_account import ServiceAccountCredentials
 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.core import VectorStoreIndex, Settings
+from llama_index.core.node_parser import SentenceSplitter
 from llama_index.embeddings.huggingface import HuggingFaceEmbedding
+from llama_index.llms.llama_cpp import LlamaCPP
 from huggingface_hub import hf_hub_download
-from llama_index.core.node_parser import SentenceSplitter
+from llama_index.core.llms import ChatMessage
+from llama_index.core.chat_engine.condense_plus_context import CondensePlusContextChatEngine
+from llama_index.core.schema import Document
 
-# Fungsi untuk memasang ulang llama-cpp-python dengan dukungan CUDA
-def install_llama_with_cuda():
+# ===================================
+# 1️⃣ Fungsi Membaca Data Google Spreadsheet
+# ===================================
+def read_google_sheets():
     try:
-        # Baca file requirements.txt
-        with open("requirements.txt", "r") as f:
-            packages = f.read().splitlines()
-
-        # Install setiap paket dengan CMAKE_ARGS untuk dukungan CUDA
-        for package in packages:
-            subprocess.run(
-            env={"CMAKE_ARGS": "-DGGML_CUDA=on"},
-        check=True
-        )
-        # Periksa apakah CUDA Toolkit tersedia
-        if not shutil.which("nvcc"):
-            print("CUDA Toolkit tidak ditemukan. Pastikan sudah diinstal.")
-            return
-
-        print("Memasang ulang llama-cpp-python dengan dukungan CUDA...")
+        scope = ["https://www.googleapis.com/auth/spreadsheets", "https://www.googleapis.com/auth/drive"]
+        creds = ServiceAccountCredentials.from_json_keyfile_name("credentials.json", scope)
+        client = gspread.authorize(creds)
         
-        print("llama-cpp-python berhasil diinstal ulang dengan dukungan CUDA.")
-    except subprocess.CalledProcessError as e:
-        print(f"Error saat menginstal ulang llama-cpp-python: {e}")
+        SPREADSHEET_ID = "1e_cNMhwF-QYpyYUpqQh-XCw-OdhWS6EuYsoBUsVtdNg"
+        sheet_names = ["datatarget", "datacuti", "dataabsen", "datalembur"]
+
+        all_data = []
+        spreadsheet = client.open_by_key(SPREADSHEET_ID)
+        
+        for sheet_name in sheet_names:
+            try:
+                sheet = spreadsheet.worksheet(sheet_name)
+                data = sheet.get_all_values()
+                all_data.append(f"=== Data dari {sheet_name.upper()} ===")
+                all_data.extend([" | ".join(row) for row in data])
+                all_data.append("\n")
+            except gspread.exceptions.WorksheetNotFound:
+                all_data.append(f"❌ ERROR: Worksheet {sheet_name} tidak ditemukan.")
+
+        return "\n".join(all_data).strip()
+    
+    except gspread.exceptions.SpreadsheetNotFound:
+        return "❌ ERROR: Spreadsheet tidak ditemukan!"
+    
     except Exception as e:
-        print(f"Kesalahan umum: {e}")
+        return f"❌ ERROR: {str(e)}"
 
-# Fungsi untuk mengunduh model Llama
+# ===================================
+# 2️⃣ Inisialisasi Model Llama
+# ===================================
 def initialize_llama_model():
-    # Unduh model jika belum ada di direktori kerja
     model_path = hf_hub_download(
-        repo_id="TheBLoke/zephyr-7b-beta-GGUF",  # Nama repo model
-        filename="zephyr-7b-beta.Q4_K_M.gguf",  # Nama file model
-        cache_dir="./models"  # Lokasi direktori untuk menyimpan model
+        repo_id="TheBLoke/zephyr-7b-beta-GGUF",
+        filename="zephyr-7b-beta.Q4_K_M.gguf",
+        cache_dir="./models"
     )
     return model_path
 
-# Fungsi untuk mengatur konfigurasi Settings
-def initialize_settings(model_path):  
-    Settings.llm = Llama(
-        model_path=model_path,
-        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
-    )
+# ===================================
+# 3️⃣ Inisialisasi Pengaturan Model
+# ===================================
+def initialize_settings(model_path):
+    Settings.llm = LlamaCPP(model_path=model_path, temperature=0.7)
 
-# Fungsi untuk Menginisialisasi Index
+# ===================================
+# 4️⃣ Inisialisasi Index & Chat Engine
+# ===================================
 def initialize_index():
-    # Tentukan dokumen input untuk pembacaan data
-    documents = SimpleDirectoryReader(input_files=["bahandokumen/K3.txt",
-                                                   "bahandokumen/bonus.txt",
-                                                   "bahandokumen/cuti.txt",
-                                                   "bahandokumen/disiplinkerja.txt",
-                                                   "bahandokumen/fasilitas&bantuan.txt",
-                                                   "bahandokumen/upahlembur.txt",
-                                                   "bahandokumen/waktukerja.txt"]).load_data()
-
-    parser = SentenceSplitter(chunk_size=150, chunk_overlap=10)
-    nodes = parser.get_nodes_from_documents(documents)
-    embedding = HuggingFaceEmbedding("BAAI/bge-base-en-v1.5")
+    text_data = read_google_sheets()
+    document = Document(text=text_data)
+    parser = SentenceSplitter(chunk_size=100, chunk_overlap=30)
+    nodes = parser.get_nodes_from_documents([document])
+    
+    embedding = HuggingFaceEmbedding("sentence-transformers/paraphrase-multilingual-MiniLM-L12-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=3)
     chat_engine = CondensePlusContextChatEngine.from_defaults(
         retriever=retriever,
-        verbose=True,
+        verbose=False  # ❌ Hapus verbose agar tidak ada referensi dokumen
     )
     return chat_engine
 
-# Fungsi untuk menghasilkan respons chatbot
+# ===================================
+# 5️⃣ Fungsi untuk Merapikan Jawaban Chatbot
+# ===================================
+def clean_response(response):
+    text = "".join(response.response_gen)  # Gabungkan teks yang dihasilkan
+    text = text.replace("\n\n", "\n").strip()  # Hilangkan newline berlebihan
+    text = text.replace("user:", "").replace("jawaban:", "").replace("assistant:", "").strip()
+    return text
+
+# ===================================
+# 6️⃣ Fungsi untuk Menghasilkan Respons Chatbot
+# ===================================
 def generate_response(message, history, chat_engine):
+    if history is None:
+        history = []
+
     chat_messages = [
         ChatMessage(
             role="system",
-            content="Anda adalah chatbot yang selalu menjawab pertanyaan secara singkat, ramah, dan jelas dalam bahasa Indonesia."
+            content=(
+                "Anda adalah chatbot HRD yang membantu karyawan memahami administrasi perusahaan. "
+                "Gunakan Bahasa Indonesia dengan gaya profesional dan ramah. "
+                "Jika informasi tidak tersedia dalam dokumen, katakan dengan sopan bahwa Anda tidak tahu. "
+                "Jawaban harus singkat, jelas, dan sesuai konteks."
+            ),
         ),
     ]
+
     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
+    cleaned_text = clean_response(response)  # 🔹 Gunakan fungsi clean_response()
 
-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
+    history.append((message, cleaned_text))  # 🔹 Pastikan hanya teks yang masuk ke history
+    return cleaned_text
+
+# ===================================
+# 7️⃣ Fungsi Utama untuk Menjalankan Aplikasi
+# ===================================
 def main():
-    install_llama_with_cuda()
-    # 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
+    initialize_settings(model_path)
+
     index = initialize_index()
     chat_engine = initialize_chat_engine(index)
-    # Luncurkan antarmuka
-    launch_gradio(chat_engine)
-    
+
+    def chatbot_response(message, history):
+        return generate_response(message, history, chat_engine)
+
+    gr.Interface(
+        fn=chatbot_response,
+        inputs=["text"],
+        outputs=["text"],
+    ).launch()
+
 if __name__ == "__main__":
     main()