app.py

import streamlit as st
import pandas as pd
import torch
import os
import time
import logging
from langchain_community.embeddings.huggingface import HuggingFaceEmbeddings
from langchain.vectorstores import FAISS
from langchain.llms import HuggingFacePipeline
from langchain.chains import RetrievalQA, LLMChain
from langchain.prompts import PromptTemplate
from transformers import AutoTokenizer, AutoModelForCausalLM, pipeline
from langchain_community.vectorstores import FAISS
from langchain_community.llms import HuggingFacePipeline

# 設定logging
logging.basicConfig(level=logging.INFO)
logger = logging.getLogger(__name__)

# 頁面配置
st.set_page_config(
    page_title="Excel 問答 AI（ChatGLM 驅動）",
    page_icon="🤖",
    layout="wide"
)

# 應用標題與說明
st.title("🤖 Excel 問答 AI（ChatGLM 驅動）")
st.markdown("""
### 使用說明
1. 可直接提問一般知識，AI 將使用內建能力回答
2. 上傳 Excel 檔案（包含「問題」和「答案」欄位）以添加專業知識
3. 系統會優先使用您上傳的知識庫進行回答
""")

# 側邊欄設定
with st.sidebar:
    st.header("參數設定")
    
    model_option = st.selectbox(
        "選擇模型",
        ["THUDM/chatglm3-6b", "THUDM/chatglm2-6b", "THUDM/chatglm-6b"],
        index=0
    )
    
    embedding_option = st.selectbox(
        "選擇嵌入模型",
        ["shibing624/text2vec-base-chinese", "GanymedeNil/text2vec-large-chinese"],
        index=0
    )
    
    mode = st.radio(
        "回答模式",
        ["混合模式（優先使用上傳資料）", "僅使用上傳資料", "僅使用模型知識"]
    )
    
    max_tokens = st.slider("最大回應長度", 128, 2048, 512)
    temperature = st.slider("溫度（創造性）", 0.0, 1.0, 0.7, 0.1)
    top_k = st.slider("檢索相關文檔數", 1, 5, 3)
    
    st.markdown("---")
    st.markdown("### 關於")
    st.markdown("此應用使用 ChatGLM 模型結合 LangChain 框架，將您的 Excel 數據轉化為智能問答系統。同時支持一般知識問答。")
    st.markdown("📱 [GitHub 專案連結](https://github.com/yourusername/excel-qa-chatglm)")

# 全局變量
@st.cache_resource
def load_embeddings(model_name):
    try:
        logger.info(f"加載嵌入模型: {model_name}")
        return HuggingFaceEmbeddings(model_name=model_name)
    except Exception as e:
        logger.error(f"嵌入模型加載失敗: {str(e)}")
        st.error(f"嵌入模型加載失敗: {str(e)}")
        return None

@st.cache_resource
def load_llm(_model_name, _max_tokens, _temperature):
    try:
        logger.info(f"加載語言模型: {_model_name}")
        
        # 檢查是否有GPU可用
        device = "cuda" if torch.cuda.is_available() else "cpu"
        logger.info(f"使用設備: {device}")
        
        # 加載模型和tokenizer
        tokenizer = AutoTokenizer.from_pretrained(_model_name, trust_remote_code=True)
        model = AutoModelForCausalLM.from_pretrained(
            _model_name, 
            trust_remote_code=True,
            device_map=device,
            torch_dtype=torch.float16 if device == "cuda" else torch.float32
        )
        
        # 創建pipeline
        pipe = pipeline(
            "text-generation",
            model=model,
            tokenizer=tokenizer,
            max_new_tokens=_max_tokens,
            temperature=_temperature,
            top_p=0.9,
            repetition_penalty=1.1
        )
        
        return HuggingFacePipeline(pipeline=pipe)
    except Exception as e:
        logger.error(f"語言模型加載失敗: {str(e)}")
        st.error(f"語言模型加載失敗: {str(e)}")
        return None

# 創建向量資料庫
def create_vectorstore(texts, embeddings):
    try:
        return FAISS.from_texts(texts, embedding=embeddings)
    except Exception as e:
        logger.error(f"向量資料庫創建失敗: {str(e)}")
        st.error(f"向量資料庫創建失敗: {str(e)}")
        return None

# 創建直接問答的LLM鏈
def create_general_qa_chain(llm):
    prompt_template = """請回答以下問題：

問題: {question}

請提供詳細且有幫助的回答："""
    
    prompt = PromptTemplate(
        template=prompt_template,
        input_variables=["question"]
    )
    
    return LLMChain(llm=llm, prompt=prompt)

# 混合模式問答處理
def hybrid_qa(query, qa_chain, general_chain, confidence_threshold=0.7):
    # 先嘗試使用知識庫回答
    try:
        kb_result = qa_chain({"query": query})
        # 檢查向量存儲的相似度分數，判斷是否有足夠相關的內容
        if hasattr(kb_result, 'source_documents') and len(kb_result["source_documents"]) > 0:
            # 這裡假設我們能獲取到相似度分數，實際上可能需要根據您使用的向量存儲方法調整
            relevance = True  # 在實際應用中，這裡應根據相似度分數確定
            
            if relevance:
                return kb_result, "knowledge_base", kb_result["source_documents"]
    except Exception as e:
        logger.warning(f"知識庫查詢失敗: {str(e)}")
    
    # 如果知識庫沒有足夠相關的答案，使用一般知識模式
    try:
        general_result = general_chain.run(question=query)
        return {"result": general_result}, "general", []
    except Exception as e:
        logger.error(f"一般知識查詢失敗: {str(e)}")
        return {"result": "很抱歉，無法處理您的問題，請稍後再試。"}, "error", []

# 主應用邏輯
# 加載語言模型（不管是否上傳文件都需要）
with st.spinner("正在加載AI模型..."):
    llm = load_llm(model_option, max_tokens, temperature)
    if llm is None:
        st.error("語言模型加載失敗，請刷新頁面重試")
        st.stop()

# 創建一般問答鏈
general_qa_chain = create_general_qa_chain(llm)

# 變數初始化
kb_qa_chain = None
has_knowledge_base = False
vectorstore = None

# 上傳Excel文件
uploaded_file = st.file_uploader("上傳你的問答 Excel（可選）", type=["xlsx"])

if uploaded_file:
    # 讀取Excel文件
    try:
        df = pd.read_excel(uploaded_file)
        
        # 檢查必要欄位
        if not {'問題', '答案'}.issubset(df.columns):
            st.error("Excel 檔案需包含 '問題' 和 '答案' 欄位")
        else:
            # 顯示資料預覽
            with st.expander("Excel 資料預覽"):
                st.dataframe(df.head())
                
            st.info(f"成功讀取 {len(df)} 筆問答對")
            
            # 建立文本列表
            texts = [f"問題：{q}\n答案：{a}" for q, a in zip(df['問題'], df['答案'])]
            
            # 進度條
            progress_text = "正在處理中..."
            my_bar = st.progress(0, text=progress_text)
            
            # 加載嵌入模型
            my_bar.progress(25, text="正在加載嵌入模型...")
            embeddings = load_embeddings(embedding_option)
            if embeddings is None:
                st.stop()
            
            # 建立向量資料庫
            my_bar.progress(50, text="正在建立向量資料庫...")
            vectorstore = create_vectorstore(texts, embeddings)
            if vectorstore is None:
                st.stop()
            
            # 創建問答鏈
            my_bar.progress(75, text="正在建立知識庫問答系統...")
            kb_qa_chain = RetrievalQA.from_chain_type(
                llm=llm,
                retriever=vectorstore.as_retriever(search_kwargs={"k": top_k}),
                chain_type="stuff",
                return_source_documents=True
            )
            
            has_knowledge_base = True
            
            my_bar.progress(100, text="準備完成！")
            time.sleep(1)
            my_bar.empty()
            
            st.success("知識庫已準備就緒，請輸入您的問題")
    
    except Exception as e:
        logger.error(f"Excel 檔案處理失敗: {str(e)}")
        st.error(f"Excel 檔案處理失敗: {str(e)}")

# 查詢部分
st.markdown("## 開始對話")
query = st.text_input("請輸入你的問題：")

if query:
    with st.spinner("AI 思考中..."):
        try:
            start_time = time.time()
            
            # 根據模式選擇問答方式
            if mode == "僅使用上傳資料":
                if has_knowledge_base:
                    result = kb_qa_chain({"query": query})
                    source = "knowledge_base" 
                    source_docs = result["source_documents"]
                else:
                    st.warning("您選擇了僅使用上傳資料模式，但尚未上傳Excel檔案。請上傳檔案或變更模式。")
                    st.stop()
                    
            elif mode == "僅使用模型知識":
                result = {"result": general_qa_chain.run(question=query)}
                source = "general"
                source_docs = []
                
            else:  # 混合模式
                if has_knowledge_base:
                    result, source, source_docs = hybrid_qa(query, kb_qa_chain, general_qa_chain)
                else:
                    result = {"result": general_qa_chain.run(question=query)}
                    source = "general"
                    source_docs = []
            
            end_time = time.time()
            
            # 顯示回答
            st.markdown("### AI 回答：")
            st.markdown(result["result"])
            
            # 根據來源顯示不同信息
            if source == "knowledge_base":
                st.success("✅ 回答來自您的知識庫")
                # 顯示參考資料
                with st.expander("參考資料"):
                    for i, doc in enumerate(source_docs):
                        st.markdown(f"**參考 {i+1}**")
                        st.markdown(doc.page_content)
                        st.markdown("---")
            elif source == "general":
                if has_knowledge_base:
                    st.info("ℹ️ 回答來自模型的一般知識（知識庫中未找到相關內容）")
                else:
                    st.info("ℹ️ 回答來自模型的一般知識")
            
            st.text(f"回答生成時間: {(end_time - start_time):.2f} 秒")
            
        except Exception as e:
            logger.error(f"查詢處理失敗: {str(e)}")
            st.error(f"查詢處理失敗，請重試: {str(e)}")

# 添加會話歷史功能
if "chat_history" not in st.session_state:
    st.session_state.chat_history = []

# 底部資訊
st.markdown("---")
st.markdown("Made with ❤️ | 若需支援，請聯繫 [email@example.com](mailto:email@example.com)")