from __future__ import annotations from typing import TYPE_CHECKING, Any, Callable, Dict, List, Tuple, Type import logging import json import os from datetime import datetime import hashlib import csv import requests import re import html import markdown2 import torch import sys import gc from pygments.lexers import guess_lexer, ClassNotFound import time import json import operator from typing import Annotated, Sequence, TypedDict import pprint import gradio as gr from pypinyin import lazy_pinyin import tiktoken import mdtex2html from markdown import markdown from pygments import highlight from pygments.lexers import guess_lexer,get_lexer_by_name from pygments.formatters import HtmlFormatter from langchain.chains import LLMChain, RetrievalQA from langgraph.graph import END, StateGraph from langchain.chat_models import ChatOpenAI from langchain.document_loaders import PyPDFLoader, WebBaseLoader, UnstructuredWordDocumentLoader, DirectoryLoader from langchain.document_loaders.blob_loaders.youtube_audio import YoutubeAudioLoader from langchain.document_loaders.generic import GenericLoader from langchain.document_loaders.parsers import OpenAIWhisperParser from langchain.schema import AIMessage, HumanMessage from langchain.llms import HuggingFaceHub from langchain.llms import HuggingFaceTextGenInference from langchain.embeddings import HuggingFaceInstructEmbeddings, HuggingFaceEmbeddings, HuggingFaceBgeEmbeddings, HuggingFaceInferenceAPIEmbeddings from langchain.tools import DuckDuckGoSearchRun from langchain.retrievers.tavily_search_api import TavilySearchAPIRetriever from typing import Dict, TypedDict from langchain_core.messages import BaseMessage from langchain.embeddings.openai import OpenAIEmbeddings from langchain.prompts import PromptTemplate from langchain import hub from langchain.output_parsers.openai_tools import PydanticToolsParser from langchain.prompts import PromptTemplate from langchain.schema import Document from langchain_community.tools.tavily_search import TavilySearchResults from langchain_community.vectorstores import Chroma from langchain_core.messages import BaseMessage, FunctionMessage from langchain_core.output_parsers import StrOutputParser from langchain_core.pydantic_v1 import BaseModel, Field from langchain_core.runnables import RunnablePassthrough from langchain_core.utils.function_calling import convert_to_openai_tool from langchain.text_splitter import RecursiveCharacterTextSplitter from langchain.vectorstores import Chroma from chromadb.errors import InvalidDimensionException import io from PIL import Image, ImageDraw, ImageOps, ImageFont import base64 from tempfile import NamedTemporaryFile import nltk from nltk.corpus import stopwords from nltk.tokenize import word_tokenize from nltk.stem import WordNetLemmatizer nltk.download('punkt') from sklearn.feature_extraction.text import TfidfVectorizer from sklearn.metrics.pairwise import cosine_similarity import numpy as np from reportlab.lib.pagesizes import inch, A4 from reportlab.platypus import SimpleDocTemplate, Frame, Spacer from reportlab.lib import colors from reportlab.lib.units import mm from reportlab.platypus import Paragraph, SimpleDocTemplate, Frame, Image, Table, ListFlowable, ListItem from reportlab.lib.styles import getSampleStyleSheet, ParagraphStyle from reportlab.lib.units import cm logging.basicConfig( level=logging.INFO, format="%(asctime)s [%(levelname)s] [%(filename)s:%(lineno)d] %(message)s", ) ################################################ #Beispiel-Antworten, wenn die KI etwas nicht beantworten kann - dann im Netz suchen ################################################ # Your predefined sentences ANTWORT_WEISS_NICHT = ["ich weiß nicht.", "ich weiß das nicht", "Ich habe dazu keine Antwort", "Ich bin nicht sicher", "Ich kann das nicht beantworten", "Es tut mir leid, aber ich kenne keinen", "Es tut mir leid, aber ich kann die Frage nicht beantworten.", "Es tut mir leid, aber ich kann die Frage nicht beantworten, da ich zu der Frage keine spezifischen Informatioen habe"] ################################################# #Gesetzte Werte für Pfade, Prompts und Keys.. ################################################# ################################################# #Prompt Zusätze template = """\Antworte in deutsch, wenn es nicht explizit anders gefordert wird. Wenn du die Antwort nicht kennst, antworte direkt, dass du es nicht weißt. Versuche nicht es zu umschreiben. Versuche nicht, die Antwort zu erfinden oder aufzumocken. Halte die Antwort kurz aber ausführlich genug und exakt.""" llm_template = "Beantworte die Frage am Ende. " + template + "Frage: {question} " #nur für HF für Stichwotre bei chatverlauf llm_template2 = "Fasse folgenden Text als Überschrift mit maximal 3 Worten zusammen. Text: {question} " rag_template = "Nutze die folgenden Kontext (Beginnend mit dem Wort 'Kontext:') aus Teilen aus den angehängten Dokumenten, um die Frage (Beginnend mit dem Wort 'Frage: ') am Ende zu beantworten. Wenn du die Frage aus dem folgenden Kontext nicht beantworten kannst, dann versuche eine Beantwortung aus deinen eigenen trainierten Daten zu finden. Mache das kenntlich, ob du dich auf den hier angehängten Kontext beziehst oder ob du anhand deiner Daten antwortest." + template + "Kontext: {context} Frage: {question}" ################################################# #Konstanten LLM_CHAIN_PROMPT = PromptTemplate(input_variables = ["question"], template = llm_template) #nur für HF bei chatverlauf LLM_CHAIN_PROMPT2 = PromptTemplate(input_variables = ["question"], template = llm_template2) RAG_CHAIN_PROMPT = PromptTemplate(input_variables = ["context", "question"], template = rag_template) ################################################ #Pfad, wo Docs/Bilder/Filme abgelegt werden können - lokal, also hier im HF Space (sonst auf eigenem Rechner) PATH_WORK = "." CHROMA_DIR = "/chroma/kkg" CHROMA_PDF = './chroma/kkg/pdf' CHROMA_WORD = './chroma/kkg/word' CHROMA_EXCEL = './chroma/kkg/excel' YOUTUBE_DIR = "/youtube" HISTORY_PFAD = "/data/history" ############################################### #URLs zu Dokumenten oder andere Inhalte, die einbezogen werden sollen PDF_URL = "https://arxiv.org/pdf/2303.08774.pdf" WEB_URL = "https://openai.com/research/gpt-4" YOUTUBE_URL_1 = "https://www.youtube.com/watch?v=--khbXchTeE" YOUTUBE_URL_2 = "https://www.youtube.com/watch?v=hdhZwyf24mE" #YOUTUBE_URL_3 = "https://www.youtube.com/watch?v=vw-KWfKwvTQ" #spezielle Webseiten als Datenbasis laden urls = [ "https://kkg.hamburg.de/unser-leitbild/" "https://kkg.hamburg.de/unsere-schulcharta/", "https://kkg.hamburg.de/koordination-unterrichtsentwicklung/", "https://kkg.hamburg.de/konzept-medien-und-it-am-kkg/", ] ################################################# # Retrieval Funktion, um KI-Antwort mit vorgegebenen zu vergleichen # Function to determine if the response is similar to predefined responses def is_response_similar(response, threshold=0.7): if (len(response) < 160): #nur bei sehr kurzen Antworten prüfen, ob eine Art 2ich weiß nicht dabei ist # Combine the standard responses with the user's response combined_responses = ANTWORT_WEISS_NICHT + [response] # Convert text to TF-IDF feature vectors vectorizer = TfidfVectorizer() tfidf_matrix = vectorizer.fit_transform(combined_responses) # Compute cosine similarity between user's response and standard responses cosine_similarities = cosine_similarity(tfidf_matrix[-1], tfidf_matrix[:-1]) # Check if any of the standard responses are similar to the user's response if np.max(cosine_similarities) > threshold: return True return False return False ################################################## #Normalisierung eines Prompts ################################################## def normalise_prompt (prompt): #alles Kleinbuchstaben prompt_klein =prompt.lower() #Word Tokenisation tokens = word_tokenize(prompt_klein) #Punktuierung entfernen tokens = [word for word in tokens if word.isalnum()] # Stop Word Entfernung #nltk.download('stopwords') #stop_words = set(stopwords.words('english')) #tokens = [word for word in tokens if not word in stop_words] # 5. Lemmatisierung: Worte in Grundform bringen, um Text besser vergleichen zu können #nltk.download('wordnet') #lemmatizer = WordNetLemmatizer() #tokens = [lemmatizer.lemmatize(word) for word in tokens] # 6. Handling Special Characters (Remove non-alphanumeric characters) tokens = [re.sub(r'\W+', '', word) for word in tokens] # 7. Spell Check (optional, using a library like pyspellchecker) # from spellchecker import SpellChecker # spell = SpellChecker() # tokens = [spell.correction(word) for word in tokens] # Join tokens back to sentence normalized_prompt = ' '.join(tokens) print("normaiserd prompt..................................") print(normalized_prompt) return normalized_prompt ################################################## #RAG Hilfsfunktionen - Dokumenten bearbeiten für Vektorstore ################################################## ################################################## # Funktion, um für einen best. File-typ ein directory-loader zu definieren def create_directory_loader(file_type, directory_path): #verscheidene Dokument loaders: loaders = { '.pdf': PyPDFLoader, '.word': UnstructuredWordDocumentLoader, } return DirectoryLoader( path=directory_path, glob=f"**/*{file_type}", loader_cls=loaders[file_type], ) ################################################ #die Inhalte splitten, um in Vektordatenbank entsprechend zu laden als Splits def document_loading_splitting(): ############################## # Document loading docs = [] # kreiere einen DirectoryLoader für jeden file type pdf_loader = create_directory_loader('.pdf', CHROMA_PDF) word_loader = create_directory_loader('.word', CHROMA_WORD) # Load the files - pdf und word pdf_documents = pdf_loader.load() word_documents = word_loader.load() #urls -zum Thema passend docs_web = [WebBaseLoader(url).load() for url in urls] docs_list = [item for sublist in docs_web for item in sublist] #alle zusammen in docs... #pdf_docs als Liste umschreiben, um es mit den anderen Materialien in der docs_list zusammenzubringen pdf_list = [pdf_documents] word_list = [word_documents] #die neuen Dokeumente der Gesamt-Liste von material hinzufügen #alle zusammen in docs... for doc in pdf_list: docs_list.extend(doc) for doc in word_list: docs_list.extend(doc) #andere loader... # Load PDF #loader = PyPDFLoader(PDF_URL) #docs.extend(loader.load()) # Load Web #loader = WebBaseLoader(WEB_URL) #docs.extend(loader.load()) # Load YouTube #loader = GenericLoader(YoutubeAudioLoader([YOUTUBE_URL_1,YOUTUBE_URL_2], PATH_WORK + YOUTUBE_DIR), OpenAIWhisperParser()) #docs.extend(loader.load()) ################################ # Document splitting text_splitter = RecursiveCharacterTextSplitter.from_tiktoken_encoder(chunk_size=1500, chunk_overlap=250) doc_splits = text_splitter.split_documents(docs_list) #text_splitter = RecursiveCharacterTextSplitter(chunk_overlap = 150, chunk_size = 1500) #splits = text_splitter.split_documents(docs) return doc_splits ########################################### #Chroma DB die splits ablegen - vektorisiert... def document_storage_chroma(splits): # Add to vectorDB vectorstore = Chroma.from_documents(documents = splits, embedding = OpenAIEmbeddings(disallowed_special = ()), persist_directory = PATH_WORK + CHROMA_DIR) #Chroma.from_documents(documents=splits,collection_name="rag-chroma",embedding=OpenAIEmbeddings(disallowed_special = ()), persist_directory = PATH_WORK + CHROMA_DIR) retriever = vectorstore.as_retriever(search_kwargs = {"k": 5}) #OpenAi embeddings---------------------------------- #Chroma.from_documents(documents = splits, embedding = OpenAIEmbeddings(disallowed_special = ()), persist_directory = PATH_WORK + CHROMA_DIR) #HF embeddings-------------------------------------- #Chroma.from_documents(documents = splits, embedding = HuggingFaceEmbeddings(model_name="sentence-transformers/all-mpnet-base-v2", model_kwargs={"device": "cpu"}, encode_kwargs={'normalize_embeddings': False}), persist_directory = PATH_WORK + CHROMA_DIR) return vectorstore, retriever #Dokumente, die vom Retriever rausgesucht wurden auf Relevanz untersuchen def grade_documents_direct(prompt, documents): print("---CHECK RELEVANCE---") # Data model class grade(BaseModel): #Binary score for relevance check. binary_score: str = Field(description="Relevanz Bewertung 'ja' oder 'nein'") # LLM model = ChatOpenAI(temperature=0.3, model="gpt-3.5-turbo-1106", streaming=True) """ xxx = Du bist ein Bewerter, der die Relevanz von einem erhaltenen Dokument zu einer Nutzeranfrage bewerten soll. \n Hier ist das erhaltene Dokument: \n\n {context} \n\n Hier ist die Nutzeranfrage: {question} \n Wenn das erhaltene Dokument Keywörter oder semantische Bedeutung in Bezug auf die Nutzeranfrage hat, bewerte es als relevant. \n Gib eine binäre Bewertung von 'ja' oder 'nein' Bewertung, um anzuzeigen ob das Dokuemnt relevant ist zur Nutzeranfrage oder nicht. #grade_prompt = PromptTemplate(input_variables = ["context", "question"], template = xxx) """ # Tool grade_tool_oai = convert_to_openai_tool(grade) # LLM with tool and enforce invocation llm_with_tool = model.bind( tools=[convert_to_openai_tool(grade_tool_oai)], tool_choice={"type": "function", "function": {"name": "grade"}}, ) # Parser parser_tool = PydanticToolsParser(tools=[grade]) # Prompt prompt_gesamt = PromptTemplate( template="""Du bist ein Bewerter, der die Relevanz von einem erhaltenen Dokument zu einer Nutzeranfrage bewerten soll. \n Hier ist das erhaltene Dokument: \n\n {context} \n\n Hier ist die Nutzeranfrage: {question} \n Wenn das erhaltene Dokument Keywörter oder semantische Bedeutung in Bezug auf die Nutzeranfrage hat, bewerte es als relevant. \n Gib eine binäre Bewertung von 'ja' oder 'nein' Bewertung, um anzuzeigen ob das Dokuemnt relevant ist zur Nutzeranfrage oder nicht.""", input_variables=["context", "question"], ) # Chain chain = prompt_gesamt | llm_with_tool | parser_tool print("test+++++++++++++++") print(prompt) # Score filtered_docs = [] for d in documents: #print(d.page_content) score = chain.invoke({"question": prompt, "context": d.page_content}) grade = score[0].binary_score if grade == "ja": print("---Bewertung: Dokument ist relevant---") filtered_docs.append(d) else: print("---Bewertung: Dokument irrelevant---") continue return filtered_docs def transform_query_direct(question): print("---TRANSFORM QUERY---") # Create a prompt template with format instructions and the query prompt = PromptTemplate( template="""Du generierst Fragen, die optimiert sind für das Retrieval von Dokumenten. \n Schaue auf den input und versuche die zugrundeliegende Absicht / Bedeutung zu bewerten. \n Hier ist die ursprüngliche Frage: \n ------- \n {question} \n ------- \n Formuliere eine verbesserte Frage: """, input_variables=["question"], ) # Grader model = ChatOpenAI(temperature=0, model="gpt-4-0125-preview", streaming=True) # Prompt chain = prompt | model | StrOutputParser() better_question = chain.invoke({"question": question}) return better_question ############################################### #Langchain anlegen ############################################### #langchain nutzen, um prompt an LLM zu leiten - llm und prompt sind austauschbar def llm_chain(llm, prompt): llm_chain = LLMChain(llm = llm, prompt = LLM_CHAIN_PROMPT) result = llm_chain.run({"question": prompt}) return result #nur für HF-um bei chatverlauf kurzbeschreibung zu erzeugen def llm_chain2(llm, prompt): llm_chain = LLMChain(llm = llm, prompt = LLM_CHAIN_PROMPT2) result = llm_chain.run({"question": prompt}) return result ############################################# #langchain nutzen, um prompt an llm zu leiten, aber vorher in der VektorDB suchen, um passende splits zum Prompt hinzuzufügen def rag_chain(llm, prompt, retriever): #Langgraph nutzen für ein wenig mehr Intelligenz beim Dokumente suchen relevant_docs = retriever.get_relevant_documents(prompt) filtered_docs = grade_documents_direct(prompt, relevant_docs) neu_prompt=prompt if (len(filtered_docs)<2): #frage neu formulieren neu_prompt = transform_query_direct(prompt) relevant_docs = retriever.get_relevant_documents(neu_prompt) filtered_docs = grade_documents_direct(relevant_docs) if (len(filtered_docs)>0): llm_chain = LLMChain(llm = llm, prompt = RAG_CHAIN_PROMPT) result = llm_chain.run({"context": documents, "question": neu_prompt}) else: #Normale Abfrage, da keine relevanten Dokumente gefunden llm_chain = LLMChain(llm = llm, prompt = LLM_CHAIN_PROMPT) result = llm_chain.run({"question": neu_prompt}) return result """ workflow = StateGraph(GraphState) # Define the nodes workflow.add_node("retrieve", retrieve) # retrieve workflow.add_node("grade_documents", grade_documents) # grade documents workflow.add_node("generate", generate) # generate #workflow.add_node("generate_ohne", generate) # generate ohne dokumente anzuhängen workflow.add_node("transform_query", transform_query) # transform_query #momentan nicht genutzt #workflow.add_node("web_search", web_search) # web search ### # Fügen Sie einen Zwischenknoten hinzu, um von transform_query zu retrieve zurückzukehren workflow.add_node("retrieve_redirect", retrieve) # Dies könnte eine Wrapper-Funktion sein, die retrieve aufruft # Build graph workflow.set_entry_point("retrieve") workflow.add_edge("retrieve", "grade_documents") workflow.add_conditional_edges( "grade_documents", decide_to_generate, { "transform_query": "transform_query", #"generate_ohne": "generate_ohne", "generate": "generate", }, ) workflow.add_edge("transform_query", "retrieve_redirect") workflow.add_edge("retrieve_redirect", "retrieve") #workflow.add_edge("generate_ohne", "generate") workflow.add_edge("generate", END) # Compile app = workflow.compile() #Dokumente suchen inputs = {"keys": {"question": prompt}} for output in app.stream(inputs): for key, value in output.items(): # Node pprint.pprint(f"Node '{key}':") # Optional: print full state at each node # pprint.pprint(value["keys"], indent=2, width=80, depth=None) pprint.pprint("\n---\n") # Final generation return value['keys']['generation'] """ ############################################ # rag_chain Alternative für RAg mit Bild-Upload, da hier das llm so nicht genutzt werden kann und der prompt mit den RAG Erweiterungen anders übergeben wird #langchain nutzen, um prompt an llm zu leiten, aber vorher in der VektorDB suchen, um passende splits zum Prompt hinzuzufügen #prompt mit RAG!!! def rag_chain2(prompt, db, k=3): rag_template = "Nutze die folgenden Kontext Teile am Ende, um die Frage zu beantworten . " + template + "Frage: " + prompt + "Kontext Teile: " retrieved_chunks = db.similarity_search(prompt, k) neu_prompt = rag_template for i, chunk in enumerate(retrieved_chunks): neu_prompt += f"{i+1}. {chunk}\n" return neu_prompt ################################################### #Prompts mit History erzeugen für verschiednee Modelle ################################################### #Funktion, die einen Prompt mit der history zusammen erzeugt - allgemein def generate_prompt_with_history(text, history, max_length=4048): #prompt = "The following is a conversation between a human and an AI assistant named Baize (named after a mythical creature in Chinese folklore). Baize is an open-source AI assistant developed by UCSD and Sun Yat-Sen University. The human and the AI assistant take turns chatting. Human statements start with [|Human|] and AI assistant statements start with [|AI|]. The AI assistant always provides responses in as much detail as possible, and in Markdown format. The AI assistant always declines to engage with topics, questions and instructions related to unethical, controversial, or sensitive issues. Complete the transcript in exactly that format.\n[|Human|]Hello!\n[|AI|]Hi!" #prompt = "Das folgende ist eine Unterhaltung in deutsch zwischen einem Menschen und einem KI-Assistenten, der Baize genannt wird. Baize ist ein open-source KI-Assistent, der von UCSD entwickelt wurde. Der Mensch und der KI-Assistent chatten abwechselnd miteinander in deutsch. Die Antworten des KI Assistenten sind immer so ausführlich wie möglich und in Markdown Schreibweise und in deutscher Sprache. Wenn nötig übersetzt er sie ins Deutsche. Die Antworten des KI-Assistenten vermeiden Themen und Antworten zu unethischen, kontroversen oder sensiblen Themen. Die Antworten sind immer sehr höflich formuliert..\n[|Human|]Hallo!\n[|AI|]Hi!" prompt="" history = ["\n{}\n{}".format(x[0],x[1]) for x in history] history.append("\n{}\n".format(text)) history_text = "" flag = False for x in history[::-1]: history_text = x + history_text flag = True print("hist+prompt: ") print(history_text) if flag: return prompt+history_text else: return None ############################################## #Prompt und History für OPenAi Schnittstelle def generate_prompt_with_history_openai(prompt, history): history_openai_format = [] for human, assistant in history: history_openai_format.append({"role": "user", "content": human }) history_openai_format.append({"role": "assistant", "content":assistant}) history_openai_format.append({"role": "user", "content": prompt}) print("openai history und prompt................") print(history_openai_format) return history_openai_format ############################################# #Prompt und History für Hugging Face Schnittstelle def generate_prompt_with_history_hf(prompt, history): history_transformer_format = history + [[prompt, ""]] #stop = StopOnTokens() messages = "".join(["".join(["\n:"+item[0], "\n:"+item[1]]) #curr_system_message + for item in history_transformer_format]) ############################################## #Prompt und History für Langchain Schnittstelle def generate_prompt_with_history_langchain(prompt, history): history_langchain_format = [] for human, ai in history: history_langchain_format.append(HumanMessage(content=human)) history_langchain_format.append(AIMessage(content=ai)) history_langchain_format.append(HumanMessage(content=prompt)) return history_langchain_format ########################################## #Json für OpenAI Genaeration Chat zusammenstellen ########################################## ########################################## #ein hochgeladenes Bild so vorbereiten, dass OpenAI API es annehmen kann und bearbeiten #muss ein base64 Bils sein und header und payload entsprechend konfigurieren def process_image(image_path, prompt, model_image, oai_key): # Convert image to base64 with open(image_path, "rb") as image_file: encoded_string = base64.b64encode(image_file.read()).decode('utf-8') # Prepare the data for the API request (specific to the API you're using) headers = { "Content-Type": "application/json", "Authorization": f"Bearer {oai_key}" } payload = { "model": model_image, "messages": [ { "role": "user", "content": [ { "type": "text", "text": llm_template + prompt }, { "type": "image_url", "image_url": { "url": f"data:image/jpeg;base64,{encoded_string}" } } ] } ], "max_tokens": 300 } return headers, payload def process_chatverlauf(prompt, model, oai_key): #um die Abfrage nur für den Namen des chats nicht zu lang werden zu lassen, den Prompt begrenzen: if (len(prompt)>50): prompt = prompt[:50] # Prepare the data for the API request (specific to the API you're using) headers = { "Content-Type": "application/json", "Authorization": f"Bearer {oai_key}" } payload = { "model": model, "messages": [ { "role": "user", "content": [ { "type": "text", "text": 'Gib folgendem Text eine Überschrift mit maximal 2 Worten' + prompt }, ] } ], "max_tokens": 100 } return headers, payload def process_chatverlauf_hf(history, llm): input = generate_prompt_with_history("Gib folgendem Text eine Überschrift mit maximal 3 Worten", history) result = llm_chain2(llm, input) return result ####################################################### #Funktionen, um aus der summary des chatverlaufs eine Datei zu machen, die man downloaden kann def save_and_download(chat_history): # Speichere den Chatverlauf in einer temporären Datei with NamedTemporaryFile(delete=False, mode="w", suffix=".txt", dir="./temp") as tmp: temp_file_path = tmp.name tmp.write(chat_history) return temp_file_path def cleanup(file_path): if os.path.exists(file_path): os.remove(file_path) ######################################################## #Ausgabe im Chatbot aufhübschen... ######################################################## def markdown_to_html_with_syntax_highlight(md_str): def replacer(match): lang = match.group(1) or "text" code = match.group(2) lang = lang.strip() #print(1,lang) if lang=="text": lexer = guess_lexer(code) lang = lexer.name #print(2,lang) try: lexer = get_lexer_by_name(lang, stripall=True) except ValueError: lexer = get_lexer_by_name("python", stripall=True) formatter = HtmlFormatter() #print(3,lexer.name) highlighted_code = highlight(code, lexer, formatter) return f'
{highlighted_code}
' code_block_pattern = r"```(\w+)?\n([\s\S]+?)\n```" md_str = re.sub(code_block_pattern, replacer, md_str, flags=re.MULTILINE) html_str = markdown(md_str) return html_str def normalize_markdown(md_text: str) -> str: lines = md_text.split("\n") normalized_lines = [] inside_list = False for i, line in enumerate(lines): if re.match(r"^(\d+\.|-|\*|\+)\s", line.strip()): if not inside_list and i > 0 and lines[i - 1].strip() != "": normalized_lines.append("") inside_list = True normalized_lines.append(line) elif inside_list and line.strip() == "": if i < len(lines) - 1 and not re.match( r"^(\d+\.|-|\*|\+)\s", lines[i + 1].strip() ): normalized_lines.append(line) continue else: inside_list = False normalized_lines.append(line) return "\n".join(normalized_lines) def convert_mdtext(md_text): code_block_pattern = re.compile(r"```(.*?)(?:```|$)", re.DOTALL) inline_code_pattern = re.compile(r"`(.*?)`", re.DOTALL) code_blocks = code_block_pattern.findall(md_text) non_code_parts = code_block_pattern.split(md_text)[::2] result = [] for non_code, code in zip(non_code_parts, code_blocks + [""]): if non_code.strip(): non_code = normalize_markdown(non_code) if inline_code_pattern.search(non_code): result.append(markdown(non_code, extensions=["tables"])) else: result.append(mdtex2html.convert(non_code, extensions=["tables"])) if code.strip(): code = f"\n```{code}\n\n```" code = markdown_to_html_with_syntax_highlight(code) result.append(code) result = "".join(result) result += ALREADY_CONVERTED_MARK return result def convert_asis(userinput): return f"

{html.escape(userinput)}

"+ALREADY_CONVERTED_MARK def detect_converted_mark(userinput): if userinput.endswith(ALREADY_CONVERTED_MARK): return True else: return False def detect_language(code): if code.startswith("\n"): first_line = "" else: first_line = code.strip().split("\n", 1)[0] language = first_line.lower() if first_line else "" code_without_language = code[len(first_line) :].lstrip() if first_line else code return language, code_without_language def convert_to_markdown(text): text = text.replace("$","$") def replace_leading_tabs_and_spaces(line): new_line = [] for char in line: if char == "\t": new_line.append(" ") elif char == " ": new_line.append(" ") else: break return "".join(new_line) + line[len(new_line):] markdown_text = "" lines = text.split("\n") in_code_block = False for line in lines: if in_code_block is False and line.startswith("```"): in_code_block = True markdown_text += f"{line}\n" elif in_code_block is True and line.startswith("```"): in_code_block = False markdown_text += f"{line}\n" elif in_code_block: markdown_text += f"{line}\n" else: line = replace_leading_tabs_and_spaces(line) line = re.sub(r"^(#)", r"\\\1", line) markdown_text += f"{line} \n" return markdown_text def add_language_tag(text): def detect_language(code_block): try: lexer = guess_lexer(code_block) return lexer.name.lower() except ClassNotFound: return "" code_block_pattern = re.compile(r"(```)(\w*\n[^`]+```)", re.MULTILINE) def replacement(match): code_block = match.group(2) if match.group(2).startswith("\n"): language = detect_language(code_block) if language: return f"```{language}{code_block}```" else: return f"```\n{code_block}```" else: return match.group(1) + code_block + "```" text2 = code_block_pattern.sub(replacement, text) return text2 def delete_last_conversation(chatbot, history): if len(chatbot) > 0: chatbot.pop() if len(history) > 0: history.pop() return ( chatbot, history, "Delete Done", ) def reset_state(): return [], [], "Reset Done" def reset_textbox(): return gr.update(value=""),"" def cancel_outputing(): return "Stop Done" ########################################## #Extension des hochgeladenen Files bestimmen def analyze_file(file): file_extension = file.name.split('.')[-1] # Holen Sie sich die Dateiendung return file_extension ######################################## #Aus dem File-Pfad nur den Namen herausholen def get_filename(file_pfad): parts = file_pfad.rsplit('/', 1) # Den String nach dem letzten '/' aufteilen if len(parts) == 2: result = parts[1] # Der Teil nach dem letzten '/' ist in parts[1] else: result = "Ein Fehler im Filenamen ist aufgetreten..." return result ######################################## #Open Assistant Funktionen für File upload ######################################## def submit_message(assistant_id, thread, client, user_message): client.beta.threads.messages.create( thread_id=thread.id, role="user", content=user_message ) return client.beta.threads.runs.create( thread_id=thread.id, assistant_id=assistant_id, ) def get_response(thread, client, assi_id): return client.beta.threads.messages.list(thread_id=thread.id, order="asc") def create_thread_and_run(user_input, client, assi_id): thread = client.beta.threads.create() run = submit_message(assi_id, thread, client, user_input) return thread, run def pretty_print(messages): print("# Messages") for m in messages: print(f"{m.role}: {m.content[0].text.value}") print() # Waiting in a loop def wait_on_run(run, thread, client): while run.status == "queued" or run.status == "in_progress": run = client.beta.threads.runs.retrieve( thread_id=thread.id, run_id=run.id, ) time.sleep(0.5) return run ######################################## # Tavility Search Machine def tavily_search(tavily_client, query): search_result = tavily_client.get_search_context(query, search_depth="advanced", max_tokens=8000) return search_result ######################################## # HuggingChat Search Machine def hugchat_search(chatbot, query): search_result = chatbot.query(query, web_search=True) #for source in query_result.web_search_sources: #print(source.link) #print(source.title) #print(source.hostname) return search_result.text, search_result.link ######################################## # nicht in Gebrauch: Assistant für Websuche anlgen def openai_assistant_suche(client): assistant = client.beta.assistants.create( instructions=template, model="gpt-4-1106-preview", tools=[{ "type": "function", "function": { "name": "tavily_search", "description": "Get information on recent events from the web.", "parameters": { "type": "object", "properties": { "query": {"type": "string", "description": "Die Suchanfrage, die die KI nicht beantworten konnte, hier hinein"}, }, "required": ["query"] } } }] ) return assistant ######################################### #Bildbearbeitung ######################################### ######################################### #nicht im Einsatz, da Stable Diffusion die Bilder erzeugt def create_picture(history, prompt): client = OpenAI() response = client.images.generate(model="dall-e-3", prompt=prompt,size="1024x1024",quality="standard",n=1,) image_url = response.data[0].url # using requests library to get the image in bytes response2 = requests.get(image_url) # using the Image module from PIL library to view the image image = Image.open(response2.raw) return image ######################################## # Ausgabe in PDF des Chathistory ######################################## #################################### # Erkennt Aufzählungen im Text und gibt eine entsprechend formatierte ListFlowable oder Paragraph zurück. #################################### def verarbeite_text_und_aufzaehlungen(text, styles): # Aufzählungszeichen oder Nummerierungen erkennen aufzaehlungszeichen = ['-', '*', '•'] # Regulärer Ausdruck für Nummerierungen (z.B. "1.", "2.") # Verbesserter regulärer Ausdruck, der optionale Leerzeichen vor der Nummerierung berücksichtigt nummerierung_regex = r"^\s*\d+\.\s*" # Optional Leerzeichen, gefolgt von Ziffern und einem Punkt, dann Leerzeichen zeilen = text.split('\n') elements = [] # Eine Liste, die sowohl Paragraph-Objekte als auch ListFlowable-Objekte enthalten wird list_items = [] # Temporäre Liste für die Aufzählungs-Items paragraph_text = [] # Sammelt den Text für normale Paragraphen for zeile in zeilen: if any(zeile.lstrip().startswith(zeichen) for zeichen in aufzaehlungszeichen) or re.match(nummerierung_regex, zeile.lstrip()): # Wenn bereits normaler Text gesammelt wurde, füge ihn als Paragraph hinzu, bevor eine neue Liste beginnt if paragraph_text: elements.append(Paragraph(' '.join(paragraph_text), styles['BodyText'])) paragraph_text = [] # Zurücksetzen des normalen Textsammelns # Entfernt das Aufzählungszeichen/Nummerierung für die Darstellung if re.match(nummerierung_regex, zeile.lstrip()): cleaned_line = re.sub(nummerierung_regex, '', zeile.lstrip(), 1).lstrip() else: for zeichen in aufzaehlungszeichen: if zeile.lstrip().startswith(zeichen): cleaned_line = zeile.lstrip()[len(zeichen):].lstrip() break list_items.append(ListItem(Paragraph(cleaned_line, styles['BodyText']))) else: # Wenn eine Liste erkannt wurde und dann normale Zeilen folgen if list_items: # Füge die gesammelten ListItems als ListFlowable hinzu und setze die Sammlung zurück elements.append(ListFlowable(list_items, bulletType='bullet', start='bulletchar', bulletFontName='Helvetica')) list_items = [] # Zurücksetzen der Listensammlung paragraph_text.append(zeile) # Füge verbleibende Elemente hinzu, falls vorhanden if paragraph_text: # Verbleibender normaler Text elements.append(Paragraph(' '.join(paragraph_text), styles['BodyText'])) if list_items: # Verbleibende Listenelemente elements.append(ListFlowable(list_items, bulletType='bullet', start='bulletchar', bulletFontName='Helvetica')) return elements #callback Methode, die auf jeder PDF Seite das Datum oben hinschreibt def on_each_page(canvas, doc): page_width, page_height = A4 # Oder das von Ihnen verwendete Seitenformat, z.B. A4 canvas.saveState() canvas.setFont('Times-Roman', 10) # Formatieren Sie das Datum nach Ihrem Wunsch current_date = datetime.now().strftime("%Y-%m-%d") print(current_date) # Positionieren Sie das Datum oben rechts auf der Seite canvas.drawRightString(page_width - 72, page_height - 28, current_date) canvas.restoreState() #PDF Inhalte zusammenstellen und PDF unter dem angegebene Pfad file_path_download ablegen def erstellePdf(file_path_download, ueberschrift, dic_history): # Initialisiere eine leere Listseinstellung ("flowables"), die später gefüllt wird elements = [] # Definiere ein neues Papierformat mit A4 Maßen paper_size = A4 # Erstellen Sie ein neues StyleSheet-Objekt styles = getSampleStyleSheet() # Neuen Style hinzufügen new_style = ParagraphStyle('NewStyle', fontName='Helvetica', fontSize=11) styles.add(new_style) #style für Trennlinie line_style = ParagraphStyle('LineStyle', fontSize=4, leading=6, borderPadding=0, spaceBefore=0, spaceAfter=0, textColor='black') list_style = getSampleStyleSheet() #Feststehende Überschriften erzeugen # Chat-Überschrift title = Paragraph(ueberschrift, styles['Title']) headline_nutzer = Paragraph('Nutzer:', styles['Heading3']) headline_assi = Paragraph('Assistent:', styles['Heading3']) #Pdf Abschnittsweise zusammenstellen elements.append(title) for nutzer, assi in dic_history.items(): elements.append(headline_nutzer) p = Paragraph(nutzer, styles['NewStyle']) elements.append(p) # Einen Abstand hinzufügen (optional) elements.append(Spacer(1, 2*mm)) elements.append(headline_assi) element_check = verarbeite_text_und_aufzaehlungen(assi,list_style) # Gehe jedes Element in `elements` durch und füge es zu `story` hinzu for elem in element_check: if isinstance(elem, list): # Wenn das Element eine Liste ist, füge jedes Unter-Element hinzu elements.extend(elem) else: # Für einzelne Flowable-Objekte, füge sie direkt hinzu elements.append(elem) # Einen Abstand hinzufügen (optional) elements.append(Spacer(1, 8*mm)) #Trennlinie elements.append(Paragraph('_' * 100, line_style)) # Einen Abstand hinzufügen (optional) elements.append(Spacer(1, 8*mm)) #Für später, um bilder einzufügen # Fügen Sie andere Flowables wie Bilder oder Tabellen hinzu #image = Image('path/to/your/image.png', width=10*cm, height=5*cm) #elements.append(image) #table = Table([['Cell 1', 'Cell 2'], ['Cell 3', 'Cell 4']]) #elements.append(table) # Generiere das PDF-Dokument doc = CustomDocTemplate(file_path_download, pagesize=paper_size) #on_each_page ist eine callback Methode, die auf jeder neuen PDF Seite ausgeführt wird doc.onPage = on_each_page doc.build(elements) ########################################## #Hashing.... # Funktion zum Hashen des Eingabewerts def hash_input(input_string): return hashlib.sha256(input_string.encode()).hexdigest() ######################################## #zur Zeit nicht im Gebrauch def transfer_input(inputs): textbox = reset_textbox() return ( inputs, gr.update(value=""), gr.Button.update(visible=True), ) ################################################# #Klasse mit zuständen - z.B. für interrupt wenn Stop gedrückt... ################################################# class State: interrupted = False def interrupt(self): self.interrupted = True def recover(self): self.interrupted = False shared_state = State() def is_stop_word_or_prefix(s: str, stop_words: list) -> bool: for stop_word in stop_words: if s.endswith(stop_word): return True for i in range(1, len(stop_word)): if s.endswith(stop_word[:i]): return True return False ########################################## # Klasse, die die SimpleDocTemplate überschreibt (für PDF Generierung) # war nötig, da SimpleDocTemplate die on_each_page nicht ausgeführt hat - warum auch immer ... ########################################## class CustomDocTemplate(SimpleDocTemplate): def handle_pageBegin(self): # Sorgt dafür, dass die Standard-Page-Begin-Logik ausgeführt wird self._handle_pageBegin() # Jetzt können Sie das Canvas-Objekt über self.canv sicher verwenden self.canv.saveState() self.canv.setFont('Helvetica', 10) current_date = datetime.now().strftime("%Y-%m-%d") # Passen Sie hier die Positionierung an Ihre Bedürfnisse an self.canv.drawRightString(550, 800, current_date) # Position anpassen self.canv.restoreState() ###################################################################### #Zustandsgraph für Langgraph, um RAG zu implementieren mit verschiedenen Zuständen #die durchlaufen werden: #1. Dokumente aus vektorstore bekommen #2. die Relevanz ddr Dokuemnte einschätzen #3. wenn zu wenig relevante infos: Frage neu formulieren #4. nochmal 1. und 2. #5. wenn nun genug relevante Dokumente: Anfrage an Modell mit den Doks #6. wenn nicht gneug Dokumente relevant: Anfrage an Modell ohne Doks ##################################################################### # Zustandsgraph als Datenstruktur zum Umsetzen class GraphState(TypedDict): """ Represents the state of our graph. Attributes: keys: A dictionary where each key is a string. """ keys: Dict[str, any] #Methoden, um den Graph und die Zustände umzusetzen ### Nodes ### # die Knoten des Graphen definieren, die der Reihe noch (bzw. je nach Outcome des Vorgänger Knotens) durchlaufen werden def retrieve(state, retriever): """ Retrieve documents Args: state (dict): The current graph state Returns: state (dict): New keys added to state: documents, that contains retrieved documents, der wievielte Versuch gemacht wird """ print("---RETRIEVE ---") state_dict = state["keys"] question = state_dict["question"] documents = retriever.get_relevant_documents(question) second_trial="ja" if 'second_trial' in state_dict: print("second time") second_trail = "ja" else: print("first time") second_trial="nein" return {"keys": {"documents": documents, "second_trial":second_trial, "question": question, }} def retrieve_redirect(state): """ Retrieve redirect (wenn nach transform:question neues retrieven gemacht werden soll) Args: state (dict): The current graph state Returns: state (dict): New key added to state: second_trial """ print("---RETRIEVE REDIRECT---") second_trial="ja" state_dict = state["keys"] question= state_dict["question"] documents= state_dict["documents"] return {"keys": {"documents": documents, "second_trial":second_trial, "question": question, }} def generate(state): """ Generate answer Args: state (dict): The current graph state Returns: state (dict): New key added to state, generation, that contains LLM generation """ print("---GENERATE---") state_dict = state["keys"] question = state_dict["question"] documents = state_dict["documents"] # Prompt prompt = hub.pull("rlm/rag-prompt") # LLM llm = ChatOpenAI(model_name="gpt-3.5-turbo", temperature=0.3, streaming=True) # Post-processing #def format_docs(docs): #return "\n\n".join(doc.page_content for doc in docs) # Chain rag_chain = prompt | llm | StrOutputParser() # Run generation = rag_chain.invoke({"context": documents, "question": question}) return { "keys": {"documents": documents, "question": question, "generation": generation} } def generate_ohne(state): """ Generate answer Args: state (dict): The current graph state Returns: state (dict): New key added to state, generation, that contains LLM generation """ print("---GENERATE OHNE---") state_dict = state["keys"] question = state_dict["question"] #documents = state_dict["documents"] # Prompt prompt = PromptTemplate( template="""\Antworte in deutsch, wenn es nicht explizit anders gefordert wird. Wenn du die Antwort nicht kennst, antworte direkt, dass du es nicht weißt. Versuche nicht es zu umschreiben. Versuche nicht, die Antwort zu erfinden oder aufzumocken. Halte die Antwort kurz aber ausführlich genug und exakt. \n\n Hier ist die Useranfrage: {question} """, input_variables=["question"]) # LLM llm = ChatOpenAI(model_name="gpt-3.5-turbo", temperature=0.3, streaming=True) # Post-processing #def format_docs(docs): #return "\n\n".join(doc.page_content for doc in docs) # Chain llm_chain = prompt | llm | StrOutputParser() # Run generation = llm_chain.invoke({ "question": question}) return { "keys": {"question": question, "generation": generation} } def grade_documents(state): """ Determines whether the retrieved documents are relevant to the question. Args: state (dict): The current graph state Returns: state (dict): Updates documents key with relevant documents """ print("---CHECK RELEVANCE---") state_dict = state["keys"] question = state_dict["question"] documents = state_dict["documents"] second_trial =state_dict["second_trial"] # Data model class grade(BaseModel): """Binary score for relevance check.""" binary_score: str = Field(description="Relevanz Bewertung 'ja' oder 'nein'") # LLM model = ChatOpenAI(temperature=0.3, model="gpt-4-0125-preview", streaming=True) # Tool grade_tool_oai = convert_to_openai_tool(grade) # LLM with tool and enforce invocation llm_with_tool = model.bind( tools=[convert_to_openai_tool(grade_tool_oai)], tool_choice={"type": "function", "function": {"name": "grade"}}, ) # Parser parser_tool = PydanticToolsParser(tools=[grade]) # Prompt prompt = PromptTemplate( template="""Du bist ein Bewerter, der die Relevanz von einem erhaltenen Dokument zu einer Nutzeranfrage bewerten soll. \n Hier ist das erhaltene Dokument: \n\n {context} \n\n Hier ist die Nutzeranfrage: {question} \n Wenn das erhaltene Dokument Keywörter oder semantische Bedeutung in Bezug auf die Nutzeranfrage hat, bewerte es als relevant. \n Gib eine binäre Bewertung von 'ja' oder 'nein' Bewertung, um anzuzeigen ob das Dokuemnt relevant ist zur Nutzeranfrage oder nicht.""", input_variables=["context", "question"], ) # Chain chain = prompt | llm_with_tool | parser_tool # Score filtered_docs = [] anzahl_relevant = 0 search = "nein" # Default do not opt for re-questioning to supplement retrieval for d in documents: score = chain.invoke({"question": question, "context": d.page_content}) grade = score[0].binary_score if grade == "ja": #search = "nein" # mind. ein relevantes Dokument -> keine Websuche nötig print("---Bewertung: Dokument ist relevant---") anzahl_relevant = anzahl_relevant +1 filtered_docs.append(d) else: print("---Bewertung: Dokument irrelevant---") search = "ja" # mind ein Dokument irrelevant -> Frage umformulieren continue #wenn mehrheit der Dokumente relevant -> generieren starten damit if (anzahl_relevant>= len(documents)/2): search = "nein" print("second trial grade_docs:.....................") print(second_trial) return { "keys": { "documents": filtered_docs, "question": question, "search_again": search, "second_trial": second_trial } } def transform_query(state): """ Transform the query to produce a better question. Args: state (dict): The current graph state Returns: state (dict): Updates question key with a re-phrased question """ print("---TRANSFORM QUERY---") state_dict = state["keys"] question = state_dict["question"] documents = state_dict["documents"] # Create a prompt template with format instructions and the query prompt = PromptTemplate( template="""Du generierst Fragen, die optimiert sind für das Retrieval von Dokumenten. \n Schaue auf den input und versuche die zugrundeliegende Absicht / Bedeutung zu bewerten. \n Hier ist die ursprüngliche Frage: \n ------- \n {question} \n ------- \n Formuliere eine verbesserte Frage: """, input_variables=["question"], ) # Grader model = ChatOpenAI(temperature=0, model="gpt-4-0125-preview", streaming=True) # Prompt chain = prompt | model | StrOutputParser() better_question = chain.invoke({"question": question}) second_trial="ja" return {"keys": {"documents": documents, "question": better_question, "second_trial" : second_trial}} #websuche zur Zeit nicht in gebrauch def web_search(state): """ Web search based on the re-phrased question using Tavily API. Args: state (dict): The current graph state Returns: state (dict): Updates documents key with appended web results """ print("---WEB Suche---") state_dict = state["keys"] question = state_dict["question"] documents = state_dict["documents"] tool = TavilySearchResults() docs = tool.invoke({"query": question}) web_results = "\n".join([d["content"] for d in docs]) web_results = Document(page_content=web_results) documents.append(web_results) return {"keys": {"documents": documents, "question": question}} ### Edges def decide_to_generate(state): """ Determines whether to generate an answer or re-generate a question for a new retriever question or generate without documents attached Args: state (dict): The current state of the agent, including all keys. Returns: str: Next node to call """ print("---ENTSCHEIDE ZU GENERIEREN---") print("current state") print(state["keys"]) print("-------------------------------") state_dict = state["keys"] question = state_dict["question"] filtered_documents = state_dict["documents"] search_again = state_dict["search_again"] second_trial=state_dict["second_trial"] if search_again == "ja" : if (not second_trial == "ja"): # All documents have been filtered check_relevance # We will re-generate a new query print("---ENTSCHEIDUNG: VERÄNDERE DIE FRAGE ---") return "transform_query" else: # keine neue frage, sondern generieren - ohne Dokumente anzuhängen print("---ENTSCHEIDUNG: Generiere ohne Dokumente---") return "generate" else: # We have relevant documents, so generate answer print("---ENTSCHEIDUNG: GENERIERE---") return "generate"