langchain-ChatGLM源码阅读：webui.py

样式定制

使用gradio设置页面的视觉组件和交互逻辑

import gradio as gr
import shutilfrom chains.local_doc_qa import LocalDocQA
from configs.model_config import *
import nltk
import models.shared as shared
from models.loader.args import parser
from models.loader import LoaderCheckPoint
import osnltk.data.path = [NLTK_DATA_PATH] + nltk.data.path
embedding_model_dict_list = list(embedding_model_dict.keys())llm_model_dict_list = list(llm_model_dict.keys())local_doc_qa = LocalDocQA()
# 记录运行日志到 CSV文件
flag_csv_logger = gr.CSVLogger()block_css = """.importantButton {background: linear-gradient(45deg, #7e0570,#5d1c99, #6e00ff) !important;border: none !important;
}
.importantButton:hover {background: linear-gradient(45deg, #ff00e0,#8500ff, #6e00ff) !important;border: none !important;
}"""webui_title = """
# 🎉langchain-ChatGLM WebUI🎉
👍 [https://github.com/imClumsyPanda/langchain-ChatGLM](https://github.com/imClumsyPanda/langchain-ChatGLM)
"""
# 检索知识库
default_vs = get_vs_list()[0] if len(get_vs_list()) > 1 else "为空"
init_message = f"""欢迎使用 langchain-ChatGLM Web UI！请在右侧切换模式，目前支持直接与 LLM 模型对话或基于本地知识库问答。知识库问答模式，选择知识库名称后，即可开始问答，当前知识库{default_vs}，如有需要可以在选择知识库名称后上传文件/文件夹至知识库。知识库暂不支持文件删除，该功能将在后续版本中推出。
"""# 初始化消息
model_status = init_model()default_theme_args = dict(font=["Source Sans Pro", 'ui-sans-serif', 'system-ui', 'sans-serif'],font_mono=['IBM Plex Mono', 'ui-monospace', 'Consolas', 'monospace'],
)# Blocks API用于构建交互式界面，创建一个名为demo的块。该块包含三个状态变量：
# vs_path、file_status和model_status
with gr.Blocks(css=block_css, theme=gr.themes.Default(**default_theme_args)) as demo:
# gr.State是Gradio提供的一种不可见控件，用于存储同一用户运行演示时的会话状态。
# 当用户刷新页面时，State变量的值被清除。它的目的是在后台存储一些变量方便访问和交互。vs_path, file_status, model_status = gr.State(os.path.join(KB_ROOT_PATH, get_vs_list()[0], "vector_store") if len(get_vs_list()) > 1 else ""), gr.State(""), gr.State(model_status)gr.Markdown(webui_title)# Tab用来控制功能切换的标签with gr.Tab("对话"):# gr.Row() 会创建一个水平方向的行,之后的组件默认会按顺序水平排列在这一行内# 这里是将对话框和选择框放在同一行，做了一个大对齐with gr.Row():# 这一列的宽度是默认列宽的 10 倍with gr.Column(scale=10):# 最上面的框chatbot = gr.Chatbot([[None, init_message], [None, model_status.value]],elem_id="chat-box",show_label=False).style(height=750)# 最下面的输入框，注意可通过调用.style()方法来设置组件的 CSS 样式query = gr.Textbox(show_label=False,placeholder="请输入提问内容，按回车进行提交").style(container=False)with gr.Column(scale=5):# Radio 组件实现了一个单选按钮组，可以通过mode变量得到用户的选择mode = gr.Radio(["LLM 对话", "知识库问答", "Bing搜索问答"],label="请选择使用模式",value="知识库问答", )# 使用 Grace 的 Accordion 组件创建了一个折叠面板# visible 属性来显示或隐藏这个面板knowledge_set = gr.Accordion("知识库设定", visible=False)vs_setting = gr.Accordion("配置知识库")# 为单选按钮绑定 change 事件处理函数 change_modemode.change(fn=change_mode,# change_mode函数的输入输出inputs=[mode, chatbot],outputs=[vs_setting, knowledge_set, chatbot])with vs_setting:vs_refresh = gr.Button("更新已有知识库选项")# 下拉框# interactive=True时,组件变为交互可用状态,用户可以修改或选择select_vs = gr.Dropdown(get_vs_list(),label="请选择要加载的知识库",interactive=True,value=get_vs_list()[0] if len(get_vs_list()) > 0 else None)vs_name = gr.Textbox(label="请输入新建知识库名称，当前知识库命名暂不支持中文",lines=1,interactive=True,visible=True)vs_add = gr.Button(value="添加至知识库选项", visible=True)vs_delete = gr.Button("删除本知识库", visible=False)file2vs = gr.Column(visible=False)with file2vs:# load_vs = gr.Button("加载知识库")gr.Markdown("向知识库中添加文件")sentence_size = gr.Number(value=SENTENCE_SIZE, precision=0,label="文本入库分句长度限制",interactive=True, visible=True)with gr.Tab("上传文件"):files = gr.File(label="添加文件",file_types=['.txt', '.md', '.docx', '.pdf', '.png', '.jpg', ".csv"],file_count="multiple",show_label=False)load_file_button = gr.Button("上传文件并加载知识库")with gr.Tab("上传文件夹"):folder_files = gr.File(label="添加文件",file_count="directory",show_label=False)load_folder_button = gr.Button("上传文件夹并加载知识库")with gr.Tab("删除文件"):files_to_delete = gr.CheckboxGroup(choices=[],label="请从知识库已有文件中选择要删除的文件",interactive=True)delete_file_button = gr.Button("从知识库中删除选中文件")# 这里绑定了select_vs，后面还有一个test，因此绑定的refresh_vs_list函数要返回两个值# select_vs此时的值被改变了，因此触发了change动作绑定的change_vs_name_input函数vs_refresh.click(fn=refresh_vs_list,inputs=[],outputs=select_vs)vs_add.click(fn=add_vs_name,inputs=[vs_name, chatbot],outputs=[select_vs, vs_name, vs_add, file2vs, chatbot, vs_delete])vs_delete.click(fn=delete_vs,inputs=[select_vs, chatbot],outputs=[select_vs, vs_name, vs_add, file2vs, chatbot, vs_delete])select_vs.change(fn=change_vs_name_input,inputs=[select_vs, chatbot],outputs=[vs_name, vs_add, file2vs, vs_path, chatbot, files_to_delete, vs_delete])load_file_button.click(get_vector_store,show_progress=True,inputs=[select_vs, files, sentence_size, chatbot, vs_add, vs_add],outputs=[vs_path, files, chatbot, files_to_delete], )load_folder_button.click(get_vector_store,show_progress=True,inputs=[select_vs, folder_files, sentence_size, chatbot, vs_add,vs_add],outputs=[vs_path, folder_files, chatbot, files_to_delete], )flag_csv_logger.setup([query, vs_path, chatbot, mode], "flagged")query.submit(get_answer,[query, vs_path, chatbot, mode],[chatbot, query])delete_file_button.click(delete_file,show_progress=True,inputs=[select_vs, files_to_delete, chatbot],outputs=[files_to_delete, chatbot])with gr.Tab("知识库测试 Beta"):# gr.Row() 会创建一个水平方向的行,之后的组件默认会按顺序水平排列在这一行内# 这里是将对话框和选择框放在同一行，做了一个大对齐with gr.Row():# 这一列的宽度是默认列宽的 10 倍with gr.Column(scale=10):# 最上面的框chatbot = gr.Chatbot([[None, knowledge_base_test_mode_info]],elem_id="chat-box",show_label=False).style(height=750)# 最下面的输入框query = gr.Textbox(show_label=False,placeholder="请输入提问内容，按回车进行提交").style(container=False)with gr.Column(scale=5):# Radio 组件实现了一个单选按钮组，可以通过mode变量得到用户的选择，这里直接设不可见mode = gr.Radio(["知识库测试"],  # "知识库问答",label="请选择使用模式",value="知识库测试",visible=False)# 使用 Grace 的 Accordion 组件创建了一个折叠面板knowledge_set = gr.Accordion("知识库设定", visible=True)vs_setting = gr.Accordion("配置知识库", visible=True)# 为单选按钮绑定 change 事件处理函数 change_modemode.change(fn=change_mode,inputs=[mode, chatbot],outputs=[vs_setting, knowledge_set, chatbot])with knowledge_set:# 数字输入组件score_threshold = gr.Number(value=VECTOR_SEARCH_SCORE_THRESHOLD,label="知识相关度 Score 阈值，分值越低匹配度越高",precision=0,interactive=True)vector_search_top_k = gr.Number(value=VECTOR_SEARCH_TOP_K, precision=0,label="获取知识库内容条数", interactive=True)chunk_conent = gr.Checkbox(value=False,label="是否启用上下文关联",interactive=True)chunk_sizes = gr.Number(value=CHUNK_SIZE, precision=0,label="匹配单段内容的连接上下文后最大长度",interactive=True, visible=False)chunk_conent.change(fn=change_chunk_conent,inputs=[chunk_conent, gr.Textbox(value="chunk_conent", visible=False), chatbot],outputs=[chunk_sizes, chatbot])with vs_setting:vs_refresh = gr.Button("更新已有知识库选项")# 不同Tab下标志同一动作开始的刷新键可以共用一个名字，但是各Tab下动作影响的# 组件需要起不同的名字，并且在函数返回时依次赋值给各个组件并更新select_vs_test = gr.Dropdown(get_vs_list(),label="请选择要加载的知识库",interactive=True,value=get_vs_list()[0] if len(get_vs_list()) > 0 else None)vs_name = gr.Textbox(label="请输入新建知识库名称，当前知识库命名暂不支持中文",lines=1,interactive=True,visible=True)vs_add = gr.Button(value="添加至知识库选项", visible=True)file2vs = gr.Column(visible=False)with file2vs:# load_vs = gr.Button("加载知识库")gr.Markdown("向知识库中添加单条内容或文件")sentence_size = gr.Number(value=SENTENCE_SIZE, precision=0,label="文本入库分句长度限制",interactive=True, visible=True)with gr.Tab("上传文件"):files = gr.File(label="添加文件",file_types=['.txt', '.md', '.docx', '.pdf'],file_count="multiple",show_label=False)load_file_button = gr.Button("上传文件并加载知识库")with gr.Tab("上传文件夹"):folder_files = gr.File(label="添加文件",# file_types=['.txt', '.md', '.docx', '.pdf'],file_count="directory",show_label=False)load_folder_button = gr.Button("上传文件夹并加载知识库")with gr.Tab("添加单条内容"):one_title = gr.Textbox(label="标题", placeholder="请输入要添加单条段落的标题", lines=1)one_conent = gr.Textbox(label="内容", placeholder="请输入要添加单条段落的内容", lines=5)one_content_segmentation = gr.Checkbox(value=True, label="禁止内容分句入库",interactive=True)load_conent_button = gr.Button("添加内容并加载知识库")# 将上传的文件保存到content文件夹下,并更新下拉框，注意这里是select_vs_testvs_refresh.click(fn=refresh_vs_list,inputs=[],outputs=select_vs_test)vs_add.click(fn=add_vs_name,inputs=[vs_name, chatbot],outputs=[select_vs_test, vs_name, vs_add, file2vs, chatbot])select_vs_test.change(fn=change_vs_name_input,inputs=[select_vs_test, chatbot],outputs=[vs_name, vs_add, file2vs, vs_path, chatbot])load_file_button.click(get_vector_store,show_progress=True,inputs=[select_vs_test, files, sentence_size, chatbot, vs_add, vs_add],outputs=[vs_path, files, chatbot], )load_folder_button.click(get_vector_store,show_progress=True,inputs=[select_vs_test, folder_files, sentence_size, chatbot, vs_add,vs_add],outputs=[vs_path, folder_files, chatbot], )load_conent_button.click(get_vector_store,show_progress=True,inputs=[select_vs_test, one_title, sentence_size, chatbot,one_conent, one_content_segmentation],outputs=[vs_path, files, chatbot], )flag_csv_logger.setup([query, vs_path, chatbot, mode], "flagged")query.submit(get_answer,[query, vs_path, chatbot, mode, score_threshold, vector_search_top_k, chunk_conent,chunk_sizes],[chatbot, query])with gr.Tab("模型配置"):llm_model = gr.Radio(llm_model_dict_list,label="LLM 模型",value=LLM_MODEL,interactive=True)no_remote_model = gr.Checkbox(shared.LoaderCheckPoint.no_remote_model,label="加载本地模型",interactive=True)llm_history_len = gr.Slider(0, 10,value=LLM_HISTORY_LEN,step=1,label="LLM 对话轮数",interactive=True)use_ptuning_v2 = gr.Checkbox(USE_PTUNING_V2,label="使用p-tuning-v2微调过的模型",interactive=True)use_lora = gr.Checkbox(USE_LORA,label="使用lora微调的权重",interactive=True)embedding_model = gr.Radio(embedding_model_dict_list,label="Embedding 模型",value=EMBEDDING_MODEL,interactive=True)top_k = gr.Slider(1, 20, value=VECTOR_SEARCH_TOP_K, step=1,label="向量匹配 top k", interactive=True)load_model_button = gr.Button("重新加载模型")load_model_button.click(reinit_model, show_progress=True,inputs=[llm_model, embedding_model, llm_history_len, no_remote_model, use_ptuning_v2,use_lora, top_k, chatbot], outputs=chatbot)# load_knowlege_button = gr.Button("重新构建知识库")# load_knowlege_button.click(reinit_vector_store, show_progress=True,#                            inputs=[select_vs, chatbot], outputs=chatbot)demo.load(# 加载初始化逻辑refresh_vs_list,并传入输出组件fn=refresh_vs_list,inputs=None,outputs=[select_vs, select_vs_test],# 加入后台执行队列queue=True,show_progress=False,)(demo# 限制回调函数的最多并发执行数为3以避免应用过载.queue(concurrency_count=3).launch(server_name='172.20.63.134',server_port=7860,show_api=False,share=False,inbrowser=False))

回调函数具体实现

监听到前端的事件后调用的回调函数，负责实现前后端交互。需要注意的一点是，chatbot中显示新的聊天内容并不是在原来的基础上添加，而是从头到尾的重新打印，所以基本上每个函数都要传旧的history和返回新的history。

获取知识库列表

def get_vs_list():# 返回当前最新的经排序后的知识库列表lst_default = ["新建知识库"]if not os.path.exists(KB_ROOT_PATH):return lst_defaultlst = os.listdir(KB_ROOT_PATH)if not lst:return lst_defaultlst.sort()return lst_default + lst

获取不同模式下的回答

  • query.submit动作绑定的函数
def get_answer(query, vs_path, history, mode, score_threshold=VECTOR_SEARCH_SCORE_THRESHOLD,vector_search_top_k=VECTOR_SEARCH_TOP_K, chunk_conent: bool = True,chunk_size=CHUNK_SIZE, streaming: bool = STREAMING):if mode == "Bing搜索问答":for resp, history in local_doc_qa.get_search_result_based_answer(query=query, chat_history=history, streaming=streaming):source = "\n\n"source += "".join([f"""<details> <summary>出处 [{i + 1}] <a href="{doc.metadata["source"]}" target="_blank">{doc.metadata["source"]}</a> </summary>\n"""f"""{doc.page_content}\n"""f"""</details>"""for i, doc inenumerate(resp["source_documents"])])history[-1][-1] += sourceyield history, ""# "index.faiss"是向量索引的文件名，可以根据文件存在性,来判断向量索引是否需要构建。elif mode == "知识库问答" and vs_path is not None and os.path.exists(vs_path) and "index.faiss" in os.listdir(vs_path):# 注意score_threshold, vector_search_top_k, chunk_conent,chunk_size# 这几个参数压根没传进get_knowledge_based_answerfor resp, history in local_doc_qa.get_knowledge_based_answer(query=query, vs_path=vs_path, chat_history=history, streaming=streaming):source = "\n\n"source += "".join([f"""<details> <summary>出处 [{i + 1}] {os.path.split(doc.metadata["source"])[-1]}</summary>\n"""f"""{doc.page_content}\n"""f"""</details>"""for i, doc inenumerate(resp["source_documents"])])history[-1][-1] += source# 分别赋值给chatbot和queryyield history, ""elif mode == "知识库测试":if os.path.exists(vs_path):# 使用了全部传入参数，但是只是用于测试文件匹配度不能回答resp, prompt = local_doc_qa.get_knowledge_based_conent_test(query=query, vs_path=vs_path,score_threshold=score_threshold,vector_search_top_k=vector_search_top_k,chunk_conent=chunk_conent,chunk_size=chunk_size)if not resp["source_documents"]:yield history + [[query,"根据您的设定，没有匹配到任何内容，请确认您设置的知识相关度 Score 阈值是否过小或其他参数是否正确。"]], ""else:source = "\n".join([f"""<details open> <summary>【知识相关度 Score】：{doc.metadata["score"]} - 【出处{i + 1}】：  {os.path.split(doc.metadata["source"])[-1]} </summary>\n"""f"""{doc.page_content}\n"""f"""</details>"""for i, doc inenumerate(resp["source_documents"])])history.append([query, "以下内容为知识库中满足设置条件的匹配结果：\n\n" + source])yield history, ""else:yield history + [[query,"请选择知识库后进行测试，当前未选择知识库。"]], ""else:answer_result_stream_result = local_doc_qa.llm_model_chain({"prompt": query, "history": history, "streaming": streaming})for answer_result in answer_result_stream_result['answer_result_stream']:resp = answer_result.llm_output["answer"]history = answer_result.historyhistory[-1][-1] = respyield history, ""logger.info(f"flagging: username={FLAG_USER_NAME},query={query},vs_path={vs_path},mode={mode},history={history}")flag_csv_logger.flag([query, vs_path, history, mode], username=FLAG_USER_NAME)

模型初始化

  • 初始化model_status
def init_model():args = parser.parse_args()args_dict = vars(args)shared.loaderCheckPoint = LoaderCheckPoint(args_dict)llm_model_ins = shared.loaderLLM()llm_model_ins.history_len = LLM_HISTORY_LENtry:local_doc_qa.init_cfg(llm_model=llm_model_ins)answer_result_stream_result = local_doc_qa.llm_model_chain({"prompt": "你好", "history": [], "streaming": False})for answer_result in answer_result_stream_result['answer_result_stream']:print(answer_result.llm_output)reply = """模型已成功加载，可以开始对话，或从右侧选择模式后开始对话"""logger.info(reply)return replyexcept Exception as e:logger.error(e)reply = """模型未成功加载，请到页面左上角"模型配置"选项卡中重新选择后点击"加载模型"按钮"""if str(e) == "Unknown platform: darwin":logger.info("该报错可能因为您使用的是 macOS 操作系统，需先下载模型至本地后执行 Web UI，具体方法请参考项目 README 中本地部署方法及常见问题："" https://github.com/imClumsyPanda/langchain-ChatGLM")else:logger.info(reply)return reply

模型重加载

  • load_model_button.click动作绑定的函数
def reinit_model(llm_model, embedding_model, llm_history_len, no_remote_model, use_ptuning_v2, use_lora, top_k,history):try:llm_model_ins = shared.loaderLLM(llm_model, no_remote_model, use_ptuning_v2)llm_model_ins.history_len = llm_history_lenlocal_doc_qa.init_cfg(llm_model=llm_model_ins,embedding_model=embedding_model,top_k=top_k)model_status = """模型已成功重新加载，可以开始对话，或从右侧选择模式后开始对话"""logger.info(model_status)except Exception as e:logger.error(e)model_status = """模型未成功重新加载，请到页面左上角"模型配置"选项卡中重新选择后点击"加载模型"按钮"""logger.info(model_status)# 更新chatbot的值return history + [[None, model_status]]

文件向量化

  • load_file_button.click和load_folder_button.click动作绑定的函数
def get_vector_store(vs_id, files, sentence_size, history, one_conent, one_content_segmentation):vs_path = os.path.join(KB_ROOT_PATH, vs_id, "vector_store")filelist = []if local_doc_qa.llm_model_chain and local_doc_qa.embeddings:if isinstance(files, list):for file in files:filename = os.path.split(file.name)[-1]shutil.move(file.name, os.path.join(KB_ROOT_PATH, vs_id, "content", filename))filelist.append(os.path.join(KB_ROOT_PATH, vs_id, "content", filename))vs_path, loaded_files = local_doc_qa.init_knowledge_vector_store(filelist, vs_path, sentence_size)else:vs_path, loaded_files = local_doc_qa.one_knowledge_add(vs_path, files, one_conent, one_content_segmentation,sentence_size)if len(loaded_files):file_status = f"已添加 {'、'.join([os.path.split(i)[-1] for i in loaded_files if i])} 内容至知识库，并已加载知识库，请开始提问"else:file_status = "文件未成功加载，请重新上传文件"else:file_status = "模型未完成加载，请先在加载模型后再导入文件"vs_path = Nonelogger.info(file_status)return vs_path, None, history + [[None, file_status]], \gr.update(choices=local_doc_qa.list_file_from_vector_store(vs_path) if vs_path else [])

选择知识库

  • select_vs.change和select_vs_test.change动作所绑定的函数，如果刷新知识库会有bug
def change_vs_name_input(vs_id, history):if vs_id == "新建知识库":return gr.update(visible=True), gr.update(visible=True), gr.update(visible=False), None, history, \gr.update(choices=[]), gr.update(visible=False)else:# 刷新时这地方有bug，直接传了个列表过去，逆天vs_path = os.path.join(KB_ROOT_PATH, vs_id, "vector_store")if "index.faiss" in os.listdir(vs_path):file_status = f"已加载知识库{vs_id}，请开始提问"return gr.update(visible=False), gr.update(visible=False), gr.update(visible=True), \vs_path, history + [[None, file_status]], \gr.update(choices=local_doc_qa.list_file_from_vector_store(vs_path), value=[]), \gr.update(visible=True)else:file_status = f"已选择知识库{vs_id}，当前知识库中未上传文件，请先上传文件后，再开始提问"return gr.update(visible=False), gr.update(visible=False), gr.update(visible=True), \vs_path, history + [[None, file_status]], \gr.update(choices=[], value=[]), gr.update(visible=True, value=[])knowledge_base_test_mode_info = ("【注意】\n\n""1. 您已进入知识库测试模式，您输入的任何对话内容都将用于进行知识库查询，""并仅输出知识库匹配出的内容及相似度分值和及输入的文本源路径，查询的内容并不会进入模型查询。\n\n""2. 知识相关度 Score 经测试，建议设置为 500 或更低，具体设置情况请结合实际使用调整。""""3. 使用"添加单条数据"添加文本至知识库时，内容如未分段，则内容越多越会稀释各查询内容与之关联的score阈值。\n\n""""4. 单条内容长度建议设置在100-150左右。\n\n""5. 本界面用于知识入库及知识匹配相关参数设定，但当前版本中，""本界面中修改的参数并不会直接修改对话界面中参数，仍需前往`configs/model_config.py`修改后生效。""相关参数将在后续版本中支持本界面直接修改。")

切换模型

  • mode.change动作绑定的函数
def change_mode(mode, history):# 调整vs_setting, knowledge_set, chatbot的可见性if mode == "知识库问答":return gr.update(visible=True), gr.update(visible=False), history# + [[None, "【注意】：您已进入知识库问答模式，您输入的任何查询都将进行知识库查询，然后会自动整理知识库关联内容进入模型查询！！！"]]elif mode == "知识库测试":return gr.update(visible=True), gr.update(visible=True), [[None,knowledge_base_test_mode_info]]else:return gr.update(visible=False), gr.update(visible=False), history

启用上下文

  • chunk_conent.change动作绑定的函数
def change_chunk_conent(mode, label_conent, history):# 更新chunk_sizes, chatbotconent = ""if "chunk_conent" in label_conent:conent = "搜索结果上下文关联"elif "one_content_segmentation" in label_conent:  # 这里没用上，可以先留着conent = "内容分段入库"if mode:return gr.update(visible=True), history + [[None, f"【已开启{conent}】"]]else:return gr.update(visible=False), history + [[None, f"【已关闭{conent}】"]]

创建新的知识库

  • vs_add.click动作所绑定的函数
def add_vs_name(vs_name, chatbot):if vs_name is None or vs_name.strip() == "":vs_status = "知识库名称不能为空，请重新填写知识库名称"chatbot = chatbot + [[None, vs_status]]return gr.update(visible=True), gr.update(visible=True), gr.update(visible=True), gr.update(visible=False), chatbot, gr.update(visible=False)elif vs_name in get_vs_list():vs_status = "与已有知识库名称冲突，请重新选择其他名称后提交"chatbot = chatbot + [[None, vs_status]]return gr.update(visible=True), gr.update(visible=True), gr.update(visible=True), gr.update(visible=False), chatbot, gr.update(visible=False)else:# 新建上传文件存储路径if not os.path.exists(os.path.join(KB_ROOT_PATH, vs_name, "content")):os.makedirs(os.path.join(KB_ROOT_PATH, vs_name, "content"))# 新建向量库存储路径if not os.path.exists(os.path.join(KB_ROOT_PATH, vs_name, "vector_store")):os.makedirs(os.path.join(KB_ROOT_PATH, vs_name, "vector_store"))vs_status = f"""已新增知识库"{vs_name}",将在上传文件并载入成功后进行存储。请在开始对话前，先完成文件上传。 """chatbot = chatbot + [[None, vs_status]]# 更新select_vs, vs_name, vs_add, file2vs, chatbot, vs_delete这几个组件return gr.update(visible=True, choices=get_vs_list(), value=vs_name), gr.update(visible=False), gr.update(visible=False), gr.update(visible=True), chatbot, gr.update(visible=True)

更新知识库

  • vs_refresh.click和demo.load动作绑定的事件
def refresh_vs_list():# 更新select_vs, select_vs_test两个组件return gr.update(choices=get_vs_list()), gr.update(choices=get_vs_list())

删除文件及整个知识库

def delete_file(vs_id, files_to_delete, chatbot):vs_path = os.path.join(KB_ROOT_PATH, vs_id, "vector_store")content_path = os.path.join(KB_ROOT_PATH, vs_id, "content")docs_path = [os.path.join(content_path, file) for file in files_to_delete]status = local_doc_qa.delete_file_from_vector_store(vs_path=vs_path,filepath=docs_path)if "fail" not in status:for doc_path in docs_path:if os.path.exists(doc_path):os.remove(doc_path)rested_files = local_doc_qa.list_file_from_vector_store(vs_path)if "fail" in status:vs_status = "文件删除失败。"elif len(rested_files) > 0:vs_status = "文件删除成功。"else:vs_status = f"文件删除成功，知识库{vs_id}中无已上传文件，请先上传文件后，再开始提问。"logger.info(",".join(files_to_delete) + vs_status)chatbot = chatbot + [[None, vs_status]]return gr.update(choices=local_doc_qa.list_file_from_vector_store(vs_path), value=[]), chatbotdef delete_vs(vs_id, chatbot):try:shutil.rmtree(os.path.join(KB_ROOT_PATH, vs_id))status = f"成功删除知识库{vs_id}"logger.info(status)chatbot = chatbot + [[None, status]]return gr.update(choices=get_vs_list(), value=get_vs_list()[0]), gr.update(visible=True), gr.update(visible=True), \gr.update(visible=False), chatbot, gr.update(visible=False)except Exception as e:logger.error(e)status = f"删除知识库{vs_id}失败"chatbot = chatbot + [[None, status]]return gr.update(visible=True), gr.update(visible=False), gr.update(visible=False), \gr.update(visible=True), chatbot, gr.update(visible=True)

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/news/16951.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

Android Layout大点兵

Android Layout大点兵

原文链接 Android Layout大点兵 智能手机催生了移动互联时代&#xff0c;现如今移动应用越来越成为最为核心的终端。而GUI页面是移动互联终端的标配&#xff0c;做好一个GUI页面&#xff0c;是非常重要的&#xff0c;能极大的提升用户体验和用户满意度。安桌生态&#xff0c;自…
阅读更多...
【转】ECC加密算法简介

【转】ECC加密算法简介

原文链接&#xff1a;https://blog.csdn.net/xuanli4845/article/details/115907886 ECC全称为“Ellipse Curve Ctyptography”&#xff0c;是一种基于椭圆曲线数学的公开密钥加密算法。椭圆曲线在密码学中的使用是在1985年由Neal Koblitz和Victor Miller分别独立提出的。 与…
阅读更多...
kotlin 编写一个简单的天气预报app（五）增加forcast接口并显示

kotlin 编写一个简单的天气预报app（五）增加forcast接口并显示

参考资料 OpenWeatherMap提供了一个/forecast接口&#xff0c;用于获取未来几天的天气预报。你可以使用HTTP GET请求访问该接口&#xff0c;并根据你所在的城市或地理坐标获取相应的天气数据。 以下是一个示例请求的URL和一些常用的参数&#xff1a; URL: http://api.openwe…
阅读更多...
Flink（二十二）Flink 的table api与sql之创建表的DDL

Flink（二十二）Flink 的table api与sql之创建表的DDL

Flink 系列文章 Flink&#xff08;一&#xff09;1.12.7或1.13.5详细介绍及本地安装部署、验证 Flink&#xff08;二&#xff09;1.13.5二种部署方式(Standalone、Standalone HA )、四种提交任务方式&#xff08;前两种及session和per-job&#xff09;验证详细步骤 Flink&…
阅读更多...
K8s安全配置：CIS基准与kube-bench工具

K8s安全配置：CIS基准与kube-bench工具

01、概述 K8s集群往往会因为配置不当导致存在入侵风险&#xff0c;如K8S组件的未授权访问、容器逃逸和横向攻击等。为了保护K8s集群的安全&#xff0c;我们必须仔细检查安全配置。 CIS Kubernetes基准提供了集群安全配置的最佳实践&#xff0c;主要聚焦在两个方面&#xff1a;主…
阅读更多...
Greeplum以每日一个区间，批量创建多个分区

Greeplum以每日一个区间，批量创建多个分区

目录 一、需求分析 二、实施流程 2.1、创建以日期分区的临时表 2.2、循环创建每日的分区 2.3、单语句新增分区 2.4、删除特定分区 三、其他 一、需求分析 如标题所示&#xff0c;现在需要建一张临时表来存储每日增量的流水数据。存储周期为近两年&#xff0c;其中日增量约10…
阅读更多...
【解析】对比学习和孪生网络的关系

【解析】对比学习和孪生网络的关系

文章目录 区别联系具体概念孪生网络&#xff08;Siamese Networks&#xff09;对比学习&#xff08;Contrastive Learning&#xff09; 总结 区别 孪生网络是一种特定的神经网络结构&#xff1b;对比学习是一种学习策略&#xff0c;它试图让模型学习如何区分正样本对&#xff…
阅读更多...
C语言指针进阶-2

C语言指针进阶-2

本篇文章带 1. 数组传参和指针传参 2. 函数指针 3. 函数指针数组 的相关知识详细讲解&#xff01; 如果您觉得文章不错&#xff0c;期待你的一键三连哦&#xff0c;你的鼓励是我创作动力的源泉&#xff0c;让我们一起加油&#xff0c;一起奔跑&#xff0c;让我们顶峰相见&…
阅读更多...
(文章复现)梯级水光互补系统最大化可消纳电量期望短期优化调度模型matlab代码

(文章复现)梯级水光互补系统最大化可消纳电量期望短期优化调度模型matlab代码

参考文献&#xff1a; [1]罗彬,陈永灿,刘昭伟等.梯级水光互补系统最大化可消纳电量期望短期优化调度模型[J].电力系统自动化,2023,47(10):66-75. 1.基本原理 1.1 目标函数 考虑光伏出力的不确定性&#xff0c;以梯级水光互补系统的可消纳电量期望最大为目标&#xff0c;函数…
阅读更多...
kernel32.dll如何修复，快速解决kernel32.dll缺失的方法

kernel32.dll如何修复，快速解决kernel32.dll缺失的方法

Kernel32.dll是Windows操作系统中一个重要的系统文件&#xff0c;对于系统的正常运行至关重要。然而&#xff0c;由于各种原因&#xff0c;用户可能会遇到kernel32.dll文件的缺失问题。今天小编就来给大家详细的介绍一下kernel32.dll这个文件&#xff0c;并且详细的介绍一下ker…
阅读更多...
Mybatis映射关系mybatis核心配置文件

Mybatis映射关系mybatis核心配置文件

目录 1.Mybatis映射关系 1.1一对一映射之resultType 1.2resultMap处理映射关系 2.mybatis核心配置文件 1. properties&#xff08;属性&#xff09; 2. settings&#xff08;设置&#xff09; 3.typeAliases&#xff08;类型别名&#xff09; 4.environments&#xff0…
阅读更多...
Iptables

Iptables

常用名词 容器&#xff1a;存放东西 表(table)&#xff1a;存放链的容器&#xff0c;防火墙的最大概念 链(chain)&#xff1a;存放规则的容器 规则(policy)&#xff1a;准许或拒绝规则 Iptables处理流程 [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上…
阅读更多...
小程序通过ip+port+路径获取服务器中的图片

小程序通过ip+port+路径获取服务器中的图片

配置IIS 首先需要配置IIS。 打开控制面板&#xff0c;接下来的流程按下图所示。 安装好后&#xff0c;按“win”键&#xff0c;搜索IIS 选择一个ip地址&#xff0c;或手动填写&#xff0c;端口号按需更改 填写别名和物理路径&#xff0c;别名就是后续通过url访问物理…
阅读更多...
Ubuntu上安装与配置SFTP

Ubuntu上安装与配置SFTP

目录 一、预装软件 二、创建sftp管理组 三、SSH设置 三、创建用户家目录和设置home权限 四、创建用户并设置上传目录权限控制 五、用户初始化密码 六、说明 需求客户要求与第三方通过sftp交互文件&#xff0c;需要在Linux系统部署sftp服务器。考虑安全&#xff0c;计划对…
阅读更多...
代码随想录算法训练营第五十二天 | 300.最长递增子序列、674.最长连续递增序列、718.最长重复子数组

代码随想录算法训练营第五十二天 | 300.最长递增子序列、674.最长连续递增序列、718.最长重复子数组

文章目录 一、300.最长递增子序列二、674.最长连续递增序列三、718.最长重复子数组 一、300.最长递增子序列 题目链接 代码如下&#xff1a; class Solution { public:int lengthOfLIS(vector<int>& nums) {if (nums.size() < 1) return nums.size();vector<…
阅读更多...
html5播放器视频切换和连续播放的实例

html5播放器视频切换和连续播放的实例

当前播放器实例可以使用changeVid接口切换正在播放的视频。当有多个视频&#xff0c;在上一个视频播放完毕时&#xff0c;自动播放下一个视频时也可采用该处理方式。 const option {vid: 88083abbf5bcf1356e05d39666be527a_8,//autoplay: true,//playsafe: , //PC端播放加密视…
阅读更多...
牛客网Verilog刷题——VL41

牛客网Verilog刷题——VL41

牛客网Verilog刷题——VL41 题目答案 题目 请设计一个可以实现任意小数分频的时钟分频器&#xff0c;比如说8.7分频的时钟信号&#xff0c;注意rst为低电平复位。提示&#xff1a;其实本质上是一个简单的数学问题&#xff0c;即如何使用最小公倍数得到时钟周期的分别频比。设小…
阅读更多...
typescipt学习笔记-常见类型

typescipt学习笔记-常见类型

学习文档&#xff1a; TypeScript 之 Class&#xff08;上&#xff09; (yuque.com) 某个人博客 - 基础类型_TypeScript中文文档 基础类型 - TypeScript 中文手册 TypeScript 基础类型 | 菜鸟教程 (runoob.com) 一、前言 1、ts的作用&#xff1a;静态类型检查、非异常失败、…
阅读更多...
数据中台系列2：rabbitMQ 安装使用之 window 篇

数据中台系列2：rabbitMQ 安装使用之 window 篇

RabbitMQ 是一个开源的消息队列系统&#xff0c;是高级消息队列协议&#xff08;AMQP&#xff09;的标准实现&#xff0c;用 erlang 语言开发。 因此安装 RabbitMQ 之前要先安装好 erlang。 1、安装 erlang 到 这里 下载本机能运行的最新版 erlang 安装包。如果本机没有装过 …
阅读更多...
Mac/win开发快捷键、vs插件、库源码、开发中的专业名词

Mac/win开发快捷键、vs插件、库源码、开发中的专业名词

目录 触控板手势&#xff08;2/3指&#xff09; 鼠标右键 快捷键 鼠标选择后shift⬅️→改变选择 mac command⬅️&#xff1a;删除←边的全部内容 commadtab显示下栏 commandshiftz向后撤回 commandc/v复制粘贴 command ⬅️→回到行首/末 commandshift3/4截图 飞…
阅读更多...
最新文章

Copyright @ 2022~2023