Update app.py

app.py

@@ -1,5 +1,9 @@
+import gradio as gr
+from langchain_community.vectorstores import FAISS
+from langchain_community.embeddings import HuggingFaceEmbeddings
 import openai
 import os
+import zipfile
 
 # Configura la tua chiave API in modo sicuro
 api_key = os.getenv("OPENAI_API_KEY")  # Imposta la chiave come variabile d'ambiente
@@ -8,12 +12,64 @@ if not api_key:
     raise ValueError("Chiave API OpenAI non trovata. Assicurati di aver impostato OPENAI_API_KEY.")
 
 # Crea il client utilizzando la chiave API
-#openai.api_key = api_key  # Usa direttamente api_key
-
 client = openai.Client(api_key=api_key)
 
-
-
+# Percorsi per il primo file ZIP
+zip_path_m = "faiss_manual_index.zip"  # File ZIP per l'indice manuale
+faiss_manual_index = "faiss_manual_index"  # Sottocartella per estrazione manuale
+
+# Controlla se la directory esiste già
+if not os.path.exists(faiss_manual_index):
+    os.makedirs(faiss_manual_index)  # Crea la directory
+
+# Percorsi per il secondo file ZIP
+zip_path_p = "faiss_problems_index.zip"  # File ZIP per l'indice problemi
+faiss_problems_index = "faiss_problems_index"  # Sottocartella per estrazione problemi
+
+# Controlla se la directory esiste già
+if not os.path.exists(faiss_problems_index):
+    os.makedirs(faiss_problems_index)  # Crea la directory
+
+# Estrai il primo file ZIP se non esiste già
+if os.path.exists(zip_path_m):  # Controlla che il file zip esista
+    with zipfile.ZipFile(zip_path_m, 'r') as zip_ref:
+        zip_ref.extractall(faiss_manual_index)
+    print(f"Files estratti nella directory: {faiss_manual_index}")
+else:
+    print(f"File {zip_path_m} non trovato. Assicurati di caricarlo nello Space.")
+
+# Estrai il secondo file ZIP se non esiste già
+if os.path.exists(zip_path_p):  # Controlla che il file zip esista
+    with zipfile.ZipFile(zip_path_p, 'r') as zip_ref:
+        zip_ref.extractall(faiss_problems_index)
+    print(f"Files estratti nella directory: {faiss_problems_index}")
+else:
+    print(f"File {zip_path_p} non trovato. Assicurati di caricarlo nello Space.")
+
+# Carica il modello di embedding
+embedding_model = HuggingFaceEmbeddings(model_name="sentence-transformers/LaBSE")
+
+# Carica i vectorstore FAISS salvati
+manual_vectorstore = FAISS.load_local(faiss_manual_index, embedding_model, allow_dangerous_deserialization=True)
+problems_vectorstore = FAISS.load_local(faiss_problems_index, embedding_model, allow_dangerous_deserialization=True)
+
+# Funzione per cercare nei dati FAISS e interrogare GPT
+def search_and_answer(query):
+    # Cerca nei manuali
+    manual_results = manual_vectorstore.similarity_search(query, k=2)
+    manual_output = "\n\n".join([doc.page_content for doc in manual_results])
+
+    # Cerca nei problemi
+    problems_results = problems_vectorstore.similarity_search(query, k=2)
+    problems_output = "\n\n".join([doc.page_content for doc in problems_results])
+
+    # Costruisce una domanda combinata
+    combined_text = f"Manual Results: {manual_output}\n\nProblems Results: {problems_output}"
+    response = rispondi_a_domanda(query, combined_text)
+    
+    return manual_output, problems_output, response
+
+# Funzione per interrogare GPT
 def rispondi_a_domanda(domanda, testo, max_token_risposta=350):
     try:
         # Chiamata API di OpenAI
@@ -36,33 +92,33 @@ def rispondi_a_domanda(domanda, testo, max_token_risposta=350):
         )
 
         # Estrai la risposta
-        #risposta_finale = risposta['choices'][0]['message']['content']
-        risposta_finale = risposta.choices[0].message.content
+        risposta_finale = risposta['choices'][0]['message']['content']
         return risposta_finale
 
     except Exception as e:
         print(f"Si è verificato un errore: {e}")
-        return 
-
-# Test del codice
-if __name__ == "__main__":
-    domanda="GPT-3.5 è un modello avanzato che  può tradurre un testo in diverse  lingue?"
-    testo = """OpenAI ha sviluppato modelli linguistici avanzati come GPT-3.5 che sono in grado di generare testo, tradurre lingue, 
-        e risolvere problemi complessi. Questi modelli possono essere utilizzati in molte applicazioni, inclusi chatbot, 
-       strumenti di scrittura e sistemi di supporto decisionale."""
-
-
-    max_token = 350  # Numero massimo di token per il riassunto
-    riassunto = rispondi_a_domanda(domanda,testo, max_token)
-
-    print("Testo originale:")
-    print(testo)
-    print("\nRiassunto:")
-    print(riassunto)
-
-
-
-
-
-
+        return "Errore nell'elaborazione della risposta."
+
+# Interfaccia Gradio
+examples = [
+    ["How to change the knife?"],
+    ["What are the safety precautions for using the machine?"],
+    ["How can I get help with the machine?"]
+]
+
+iface = gr.Interface(
+    fn=search_and_answer,
+    inputs=gr.Textbox(lines=2, placeholder="Enter your question here..."),
+    outputs=[
+        gr.Textbox(label="Manual Results"),
+        gr.Textbox(label="Issues Results"),
+        gr.Textbox(label="GPT-Generated Answer")
+    ],
+    examples=examples,
+    title="Manual Querying System with GPT",
+    description="Enter a question to get relevant information extracted from the manual and related issues, followed by a GPT-generated answer."
+)
+
+# Avvia l'app
+iface.launch()