Add files via upload

app.py

@@ -0,0 +1,194 @@
+# -*- coding: utf-8
+# Reinaldo Chaves ([email protected])
+# Este projeto implementa um sistema de Recuperação de Informações Aumentada por Geração (RAG) conversacional 
+# usando Streamlit, LangChain, e modelos de linguagem de grande escala - para entrevistar PDFs
+# Geração de respostas usando o modelo Gemma2-9b-It da Groq
+# Embeddings de texto usando o modelo all-MiniLM-L6-v2 do Hugging Face
+#
+
+import streamlit as st
+from langchain.chains import create_history_aware_retriever, create_retrieval_chain
+from langchain.chains.combine_documents import create_stuff_documents_chain
+from langchain_chroma import Chroma
+from langchain_community.chat_message_histories import ChatMessageHistory
+from langchain_core.chat_history import BaseChatMessageHistory
+from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
+from langchain_groq import ChatGroq
+from langchain_core.runnables.history import RunnableWithMessageHistory
+from langchain_huggingface import HuggingFaceEmbeddings
+from langchain_text_splitters import RecursiveCharacterTextSplitter
+from langchain_community.document_loaders import PyPDFLoader
+import os
+import chromadb
+import tempfile
+
+# Configurar o tema para dark
+st.set_page_config(page_title="RAG Q&A Conversacional", layout="wide", initial_sidebar_state="expanded", page_icon="🤖", menu_items=None)
+
+# Aplicar o tema dark
+st.markdown("""
+    <style>
+    .stApp {
+        background-color: #0e1117;
+        color: #fafafa;
+    }
+    .stSidebar {
+        background-color: #262730;
+    }
+    .stButton>button {
+        color: #4F8BF9;
+        border-radius: 20px;
+        height: 3em;
+        width: 200px;
+    }
+    .stTextInput>div>div>input {
+        color: #4F8BF9;
+    }
+    </style>
+    """, unsafe_allow_html=True)
+
+# Sidebar com orientações
+st.sidebar.title("Menu")
+st.sidebar.markdown("""
+* Se encontrar erros de processamento, reinicie com F5. Utilize arquivos .PDF com textos não digitalizados como imagens.
+* Para recomeçar uma nova sessão pressione F5.
+
+**Atenção:** Os documentos que você compartilhar com o modelo de IA generativa podem ser usados pelo Gemini para treinar o sistema. Portanto, evite compartilhar documentos PDF que contenham:
+1. Dados bancários e financeiros
+2. Dados de sua própria empresa
+3. Informações pessoais
+4. Informações de propriedade intelectual
+5. Conteúdos autorais
+
+E não use IA para escrever um texto inteiro! O auxílio é melhor para gerar resumos, filtrar informações ou auxiliar a entender contextos - que depois devem ser checados. Inteligência Artificial comete erros (alucinações, viés, baixa qualidade, problemas éticos)!
+
+Este projeto não se responsabiliza pelos conteúdos criados a partir deste site.
+
+**Sobre este app**
+
+Este aplicativo foi desenvolvido por Reinaldo Chaves. Para mais informações, contribuições e feedback, visite o [repositório do projeto no GitHub](https://github.com/seu_usuario/seu_repositorio).
+""")
+
+st.title("RAG conversacional com upload em PDF e histórico de bate-papo")
+st.write("Carregue PDFs e converse com o conteúdo deles - aqui é usado o modelo de LLM Gemma2-9b-It e a plataforma de embeddings é all-MiniLM-L6-v2")
+
+# Solicitar as chaves de API
+groq_api_key = st.text_input("Insira sua chave de API Groq:", type="password")
+huggingface_api_token = st.text_input("Insira seu token de API Hugging Face:", type="password")
+
+if groq_api_key and huggingface_api_token:
+    # Configurar o token da API do Hugging Face
+    os.environ["HUGGINGFACEHUB_API_TOKEN"] = huggingface_api_token
+
+    # Inicializar o modelo de linguagem e embeddings
+    llm = ChatGroq(groq_api_key=groq_api_key, model_name="Gemma2-9b-It")
+    embeddings = HuggingFaceEmbeddings(model_name="all-MiniLM-L6-v2")
+
+    session_id = st.text_input("Session ID", value="default_session")
+
+    if 'store' not in st.session_state:
+        st.session_state.store = {}
+
+    uploaded_files = st.file_uploader("Faça o upload de um ou mais arquivos PDF: ", type="pdf", accept_multiple_files=True)
+
+    if uploaded_files:
+        documents = []
+        for uploaded_file in uploaded_files:
+            with tempfile.NamedTemporaryFile(delete=False, suffix=".pdf") as temp_file:
+                temp_file.write(uploaded_file.getvalue())
+                temp_file_path = temp_file.name
+
+            loader = PyPDFLoader(temp_file_path)
+            docs = loader.load()
+            documents.extend(docs)
+            os.unlink(temp_file_path)  # Remove temporary file
+
+        text_splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=50)
+        splits = text_splitter.split_documents(documents)
+
+        # Create Chroma vector store in batches
+        batch_size = 100  # Adjust this value if needed
+        
+        # Initialize Chroma client with persistence
+        chroma_client = chromadb.PersistentClient(path="./chroma_db")
+        
+        # Create or get the collection
+        collection_name = "pdf_collection"
+        collection = chroma_client.get_or_create_collection(name=collection_name)
+        
+        # Create Chroma vector store
+        vectorstore = Chroma(
+            client=chroma_client,
+            collection_name=collection_name,
+            embedding_function=embeddings
+        )
+
+        # Add documents in batches
+        for i in range(0, len(splits), batch_size):
+            batch = splits[i:i+batch_size]
+            vectorstore.add_documents(batch)
+
+        st.success(f"Processed {len(splits)} document chunks.")
+
+        retriever = vectorstore.as_retriever()
+
+        contextualize_q_system_prompt = (
+            "Given a chat history and the latest user question "
+            "which might reference context in the chat history, "
+            "formulate a standalone question which can be understood "
+            "without the chat history. Do NOT answer the question, "
+            "just reformulate it if needed and otherwise return it as is."
+        )
+        contextualize_q_prompt = ChatPromptTemplate.from_messages([
+            ("system", contextualize_q_system_prompt),
+            MessagesPlaceholder("chat_history"),
+            ("human", "{input}"),
+        ])
+
+        history_aware_retriever = create_history_aware_retriever(llm, retriever, contextualize_q_prompt)
+
+        system_prompt = (
+            "Você é um assistente para tarefas de resposta a perguntas. Responda em Português do Brasil a menos que seja pedido outro idioma"
+"Use os seguintes pedaços de contexto recuperado para responder "
+"à pergunta. Se você não sabe a resposta, diga que "
+"não sabe. Use no máximo três frases e mantenha a "
+"resposta concisa."
+            "\n\n"
+            "{context}"
+        )
+        qa_prompt = ChatPromptTemplate.from_messages([
+            ("system", system_prompt),
+            MessagesPlaceholder("chat_history"),
+            ("human", "{input}"),
+        ])
+
+        question_answer_chain = create_stuff_documents_chain(llm, qa_prompt)
+        rag_chain = create_retrieval_chain(history_aware_retriever, question_answer_chain)
+
+        def get_session_history(session: str) -> BaseChatMessageHistory:
+            if session not in st.session_state.store:
+                st.session_state.store[session] = ChatMessageHistory()
+            return st.session_state.store[session]
+
+        conversational_rag_chain = RunnableWithMessageHistory(
+            rag_chain, get_session_history,
+            input_messages_key="input",
+            history_messages_key="chat_history",
+            output_messages_key="answer"
+        )
+
+        user_input = st.text_input("Sua pergunta:")
+        if user_input:
+            with st.spinner("Processando sua pergunta..."):
+                session_history = get_session_history(session_id)
+                response = conversational_rag_chain.invoke(
+                    {"input": user_input},
+                    config={"configurable": {"session_id": session_id}},
+                )
+            st.write("Assistante:", response['answer'])
+            
+            with st.expander("Ver histórico do chat"):
+                for message in session_history.messages:
+                    st.write(f"**{message.type}:** {message.content}")
+else:
+    st.warning("Por favor, insira tanto a chave da API do Groq quanto o token da API do Hugging Face.")