Files changed (3) hide show
  1. chatbot_server.py +140 -133
  2. mysqlchatstore.py +278 -0
  3. requirements.txt +13 -11
chatbot_server.py CHANGED
@@ -1,133 +1,140 @@
1
- import os
2
- import logging
3
- import sys
4
-
5
- from flask import Flask, request, jsonify, Response
6
- # Inicializa o Flask
7
- app = Flask(__name__)
8
-
9
- logging.basicConfig(stream=sys.stdout, level=logging.INFO)
10
-
11
- from llama_index.llms.openai import OpenAI
12
- from llama_index.embeddings.openai import OpenAIEmbedding
13
- from llama_index.core import (
14
- Settings,
15
- SimpleDirectoryReader,
16
- StorageContext,
17
- Document,
18
- )
19
-
20
- Settings.llm = OpenAI(model="gpt-3.5-turbo")
21
- Settings.embed_model = OpenAIEmbedding(model_name="text-embedding-3-small")
22
- directory_path = "documentos"
23
- from llama_index.readers.file import PDFReader #concatenar todo o documento já vem nativo no pdfreader
24
- file_extractor = {".pdf": PDFReader(return_full_document = True)}
25
- from drive_downloader import GoogleDriveDownloader
26
-
27
- # ID da pasta no Drive e caminho local
28
- folder_id = "1n34bmh9rlbOtCvE_WPZRukQilKeabWsN"
29
- local_path = directory_path
30
-
31
- GoogleDriveDownloader().download_from_folder(folder_id, local_path)
32
-
33
- documents = SimpleDirectoryReader(
34
- input_dir=directory_path,
35
- file_extractor=file_extractor,
36
- filename_as_id=True,
37
- recursive=True
38
- ).load_data()
39
-
40
- from document_creator import create_single_document_with_filenames
41
- document = create_single_document_with_filenames(directory_path = directory_path)
42
- documents.append(document)
43
-
44
- #from llama_index.core.ingestion import IngestionPipeline
45
- #ingestion pipeline vai entrar em uso quando adicionar o extrator de metadados
46
- from llama_index.core.node_parser import SentenceSplitter
47
- splitter = SentenceSplitter(chunk_size=1024, chunk_overlap=128)
48
- nodes = splitter.get_nodes_from_documents(documents)
49
-
50
- from llama_index.core.storage.docstore import SimpleDocumentStore
51
- docstore = SimpleDocumentStore()
52
- docstore.add_documents(nodes)
53
-
54
- from llama_index.core import VectorStoreIndex, StorageContext
55
- from llama_index.vector_stores.chroma import ChromaVectorStore
56
- import chromadb
57
-
58
- db = chromadb.PersistentClient(path="chroma_db")
59
- chroma_collection = db.get_or_create_collection("dense_vectors")
60
- vector_store = ChromaVectorStore(chroma_collection=chroma_collection)
61
- storage_context = StorageContext.from_defaults(
62
- docstore=docstore, vector_store=vector_store
63
- )
64
- index = VectorStoreIndex(nodes = nodes, storage_context=storage_context, show_progress = True)
65
-
66
- storage_context.docstore.persist("./docstore.json")
67
-
68
- index_retriever = index.as_retriever(similarity_top_k=2)
69
- import nest_asyncio
70
- nest_asyncio.apply()
71
- from llama_index.retrievers.bm25 import BM25Retriever
72
- bm25_retriever = BM25Retriever.from_defaults(
73
- docstore=index.docstore,
74
- similarity_top_k=2,
75
- language = "portuguese",
76
- verbose=True,
77
- )
78
-
79
- from llama_index.core.retrievers import QueryFusionRetriever
80
-
81
- retriever = QueryFusionRetriever(
82
- [index_retriever, bm25_retriever],
83
- num_queries=1, #desativado = 1
84
- mode="reciprocal_rerank",
85
- use_async=True,
86
- verbose=True,
87
- )
88
-
89
- from llama_index.core.storage.chat_store import SimpleChatStore
90
- from llama_index.core.memory import ChatMemoryBuffer
91
- chat_store = SimpleChatStore()
92
- chat_memory = ChatMemoryBuffer.from_defaults(
93
- token_limit=3000,
94
- chat_store=chat_store,
95
- chat_store_key="user1",
96
- )
97
- from llama_index.core.query_engine import RetrieverQueryEngine
98
- query_engine = RetrieverQueryEngine.from_args(retriever)
99
- from llama_index.core.chat_engine import CondensePlusContextChatEngine
100
- chat_engine = CondensePlusContextChatEngine.from_defaults(
101
- query_engine,
102
- memory=chat_memory,
103
- context_prompt=(
104
- "Você é um assistente virtual capaz de interagir normalmente, além de"
105
- " fornecer informações sobre organogramas e listar funcionários."
106
- " Aqui estão os documentos relevantes para o contexto:\n"
107
- "{context_str}"
108
- "\nInstrução: Use o histórico da conversa anterior, ou o contexto acima, para responder."
109
- "No final da resposta, depois de uma quebra de linha escreva o nome do documento que contém a informação entre dois ||, como ||Documento Nome||"
110
-
111
- ),
112
- )
113
-
114
-
115
-
116
- @app.route("/chat", methods=["POST"])
117
- def chat():
118
- user_input = request.json.get("message", "")
119
- if not user_input:
120
- return jsonify({"error": "Mensagem vazia"}), 400
121
-
122
- def generate_response():
123
- try:
124
- response = chat_engine.stream_chat(user_input)
125
- for token in response.response_gen:
126
- yield token # Envia cada token
127
- chat_store.persist(persist_path="chat_store.json")
128
- except Exception as e:
129
- yield f"Erro: {str(e)}"
130
-
131
- return Response(generate_response(), content_type="text/plain")
132
- if __name__ == "__main__":
133
- app.run(port=5001, debug=False)
 
 
 
 
 
 
 
 
1
+ import os
2
+ import logging
3
+ import sys
4
+
5
+ from flask import Flask, request, jsonify, Response
6
+ # Inicializa o Flask
7
+ app = Flask(__name__)
8
+
9
+ logging.basicConfig(stream=sys.stdout, level=logging.INFO)
10
+
11
+ from llama_index.llms.openai import OpenAI
12
+ from llama_index.embeddings.openai import OpenAIEmbedding
13
+ from llama_index.core import (
14
+ Settings,
15
+ SimpleDirectoryReader,
16
+ StorageContext,
17
+ Document,
18
+ )
19
+
20
+ Settings.llm = OpenAI(model="gpt-3.5-turbo")
21
+ Settings.embed_model = OpenAIEmbedding(model_name="text-embedding-3-small")
22
+ directory_path = "documentos"
23
+ from llama_index.readers.file import PDFReader #concatenar todo o documento já vem nativo no pdfreader
24
+ file_extractor = {".pdf": PDFReader(return_full_document = True)}
25
+ from drive_downloader import GoogleDriveDownloader
26
+
27
+ # ID da pasta no Drive e caminho local
28
+ folder_id = "1n34bmh9rlbOtCvE_WPZRukQilKeabWsN"
29
+ local_path = directory_path
30
+
31
+ GoogleDriveDownloader().download_from_folder(folder_id, local_path)
32
+
33
+ documents = SimpleDirectoryReader(
34
+ input_dir=directory_path,
35
+ file_extractor=file_extractor,
36
+ filename_as_id=True,
37
+ recursive=True
38
+ ).load_data()
39
+
40
+ from document_creator import create_single_document_with_filenames
41
+ document = create_single_document_with_filenames(directory_path = directory_path)
42
+ documents.append(document)
43
+
44
+ #from llama_index.core.ingestion import IngestionPipeline
45
+ #ingestion pipeline vai entrar em uso quando adicionar o extrator de metadados
46
+ from llama_index.core.node_parser import SentenceSplitter
47
+ splitter = SentenceSplitter(chunk_size=1024, chunk_overlap=128)
48
+ nodes = splitter.get_nodes_from_documents(documents)
49
+
50
+ from llama_index.core.storage.docstore import SimpleDocumentStore
51
+ docstore = SimpleDocumentStore()
52
+ docstore.add_documents(nodes)
53
+
54
+ from llama_index.core import VectorStoreIndex, StorageContext
55
+ from llama_index.vector_stores.chroma import ChromaVectorStore
56
+ import chromadb
57
+
58
+ db = chromadb.PersistentClient(path="chroma_db")
59
+ chroma_collection = db.get_or_create_collection("dense_vectors")
60
+ vector_store = ChromaVectorStore(chroma_collection=chroma_collection)
61
+ storage_context = StorageContext.from_defaults(
62
+ docstore=docstore, vector_store=vector_store
63
+ )
64
+ index = VectorStoreIndex(nodes = nodes, storage_context=storage_context, show_progress = True)
65
+
66
+ storage_context.docstore.persist("./docstore.json")
67
+
68
+ index_retriever = index.as_retriever(similarity_top_k=2)
69
+ import nest_asyncio
70
+ nest_asyncio.apply()
71
+ from llama_index.retrievers.bm25 import BM25Retriever
72
+ bm25_retriever = BM25Retriever.from_defaults(
73
+ docstore=index.docstore,
74
+ similarity_top_k=2,
75
+ language = "portuguese",
76
+ verbose=True,
77
+ )
78
+
79
+ from llama_index.core.retrievers import QueryFusionRetriever
80
+
81
+ retriever = QueryFusionRetriever(
82
+ [index_retriever, bm25_retriever],
83
+ num_queries=1, #desativado = 1
84
+ mode="reciprocal_rerank",
85
+ use_async=True,
86
+ verbose=True,
87
+ )
88
+
89
+
90
+ from llama_index.core.memory import ChatMemoryBuffer
91
+ from mysqlchatstore import MySQLChatStore
92
+ chat_store = MySQLChatStore.from_params(
93
+ host=os.getenv("MYSQL_HOST"),
94
+ port=os.getenv("MYSQL_PORT"),
95
+ user=os.getenv("MYSQL_USER"),
96
+ password=os.getenv("MYSQL_PASSWORD"),
97
+ database=os.getenv("MYSQL_DATABASE"),
98
+ table_name=os.getenv("MYSQL_TABLE")
99
+ )
100
+ chat_memory = ChatMemoryBuffer.from_defaults(
101
+ token_limit=3000,
102
+ chat_store=chat_store,
103
+ chat_store_key="Sicoob", #Tendo algumas dificuldades ainda pra passar o user
104
+ )
105
+ from llama_index.core.query_engine import RetrieverQueryEngine
106
+ query_engine = RetrieverQueryEngine.from_args(retriever)
107
+ from llama_index.core.chat_engine import CondensePlusContextChatEngine
108
+ chat_engine = CondensePlusContextChatEngine.from_defaults(
109
+ query_engine,
110
+ memory=chat_memory,
111
+ context_prompt=(
112
+ "Você é um assistente virtual capaz de interagir normalmente, além de"
113
+ " fornecer informações sobre organogramas e listar funcionários."
114
+ " Aqui estão os documentos relevantes para o contexto:\n"
115
+ "{context_str}"
116
+ "\nInstrução: Use o histórico da conversa anterior, ou o contexto acima, para responder."
117
+ "No final da resposta, depois de uma quebra de linha escreva o nome do documento que contém a informação entre dois ||, como ||Documento Nome||"
118
+
119
+ ),
120
+ )
121
+
122
+
123
+
124
+ @app.route("/chat", methods=["POST"])
125
+ def chat():
126
+ user_input = request.json.get("message", "")
127
+ if not user_input:
128
+ return jsonify({"error": "Mensagem vazia"}), 400
129
+
130
+ def generate_response():
131
+ try:
132
+ response = chat_engine.stream_chat(user_input)
133
+ for token in response.response_gen:
134
+ yield token # Envia cada token
135
+ except Exception as e:
136
+ yield f"Erro: {str(e)}"
137
+
138
+ return Response(generate_response(), content_type="text/plain")
139
+ if __name__ == "__main__":
140
+ app.run(port=5001, debug=False)
mysqlchatstore.py ADDED
@@ -0,0 +1,278 @@
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
+ from typing import Optional, Any
2
+ from sqlalchemy import create_engine, text
3
+ from sqlalchemy.ext.asyncio import create_async_engine, AsyncSession
4
+ from sqlalchemy.orm import sessionmaker
5
+ from pydantic import Field
6
+ import pymysql
7
+
8
+ from llama_index.core.storage.chat_store import BaseChatStore
9
+ from llama_index.core.llms import ChatMessage
10
+ from llama_index.core.memory import ChatMemoryBuffer
11
+
12
+
13
+
14
+ class MySQLChatStore(BaseChatStore):
15
+ """
16
+ Implementação de um ChatStore que armazena mensagens em uma tabela MySQL,
17
+ unindo a pergunta do usuário e a resposta do assistente na mesma linha.
18
+ """
19
+ table_name: Optional[str] = Field(default="chatstore", description="Nome da tabela MySQL.")
20
+
21
+ _session: Optional[sessionmaker] = None
22
+ _async_session: Optional[sessionmaker] = None
23
+
24
+ def __init__(self, session: sessionmaker, async_session: sessionmaker, table_name: str):
25
+ super().__init__(table_name=table_name.lower())
26
+ self._session = session
27
+ self._async_session = async_session
28
+ self._initialize()
29
+
30
+ @classmethod
31
+ def from_params(cls, host: str, port: str, database: str, user: str, password: str, table_name: str = "chatstore") -> "MySQLChatStore":
32
+ """
33
+ Cria o sessionmaker síncrono e assíncrono, retornando a instância da classe.
34
+ """
35
+ conn_str = f"mysql+pymysql://{user}:{password}@{host}:{port}/{database}"
36
+ async_conn_str = f"mysql+aiomysql://{user}:{password}@{host}:{port}/{database}"
37
+ session, async_session = cls._connect(conn_str, async_conn_str)
38
+ return cls(session=session, async_session=async_session, table_name=table_name)
39
+
40
+ @classmethod
41
+ def _connect(cls, connection_string: str, async_connection_string: str) -> tuple[sessionmaker, sessionmaker]:
42
+ """
43
+ Cria e retorna um sessionmaker síncrono e um sessionmaker assíncrono.
44
+ """
45
+ engine = create_engine(connection_string, echo=False)
46
+ session = sessionmaker(bind=engine)
47
+
48
+ async_engine = create_async_engine(async_connection_string)
49
+ async_session = sessionmaker(bind=async_engine, class_=AsyncSession)
50
+
51
+ return session, async_session
52
+
53
+ def _initialize(self):
54
+ """
55
+ Garante que a tabela exista, com colunas para armazenar user_input e response.
56
+ """
57
+ with self._session() as session:
58
+ session.execute(text(f"""
59
+ CREATE TABLE IF NOT EXISTS {self.table_name} (
60
+ id INT AUTO_INCREMENT PRIMARY KEY,
61
+ chat_store_key VARCHAR(255) NOT NULL,
62
+ user_input TEXT,
63
+ response TEXT,
64
+ timestamp TIMESTAMP DEFAULT CURRENT_TIMESTAMP
65
+ )
66
+ """))
67
+ session.commit()
68
+
69
+ def get_keys(self) -> list[str]:
70
+ """
71
+ Retorna todas as chaves armazenadas.
72
+ """
73
+ with self._session() as session:
74
+ result = session.execute(text(f"""
75
+ SELECT DISTINCT chat_store_key FROM {self.table_name}
76
+ """))
77
+ return [row[0] for row in result.fetchall()]
78
+
79
+ def get_messages(self, key: str) -> list[ChatMessage]:
80
+ """
81
+ Retorna a conversa inteira (perguntas e respostas), na ordem de inserção (id).
82
+ Cada linha pode conter o user_input, o response ou ambos (caso já respondido).
83
+ """
84
+ with self._session() as session:
85
+ rows = session.execute(text(f"""
86
+ SELECT user_input, response
87
+ FROM {self.table_name}
88
+ WHERE chat_store_key = :key
89
+ ORDER BY id
90
+ """), {"key": key}).fetchall()
91
+
92
+ messages = []
93
+ for user_in, resp in rows:
94
+ if user_in is not None:
95
+ messages.append(ChatMessage(role='user', content=user_in))
96
+ if resp is not None:
97
+ messages.append(ChatMessage(role='assistant', content=resp))
98
+ return messages
99
+
100
+ def set_messages(self, key: str, messages: list[ChatMessage]) -> None:
101
+ """
102
+ Sobrescreve o histórico de mensagens de uma chave (apaga tudo e insere novamente).
103
+ Se quiser somente acrescentar, use add_message.
104
+
105
+ Aqui, cada pergunta do usuário gera uma nova linha.
106
+ Assim que encontrar uma mensagem de assistente, atualiza essa mesma linha.
107
+ Se houver assistentes sem usuários, insere normalmente.
108
+ """
109
+ with self._session() as session:
110
+ # Limpa histórico anterior
111
+ session.execute(text(f"""
112
+ DELETE FROM {self.table_name} WHERE chat_store_key = :key
113
+ """), {"key": key})
114
+
115
+ # Reinsere na ordem
116
+ current_id = None
117
+ for msg in messages:
118
+ if msg.role == 'user':
119
+ # Cria nova linha com user_input
120
+ result = session.execute(text(f"""
121
+ INSERT INTO {self.table_name} (chat_store_key, user_input)
122
+ VALUES (:key, :ui)
123
+ """), {"key": key, "ui": msg.content})
124
+ # Pega o id do insert
125
+ current_id = result.lastrowid
126
+
127
+ else:
128
+ # Tenta atualizar a última linha se existir
129
+ if current_id is not None:
130
+ session.execute(text(f"""
131
+ UPDATE {self.table_name}
132
+ SET response = :resp
133
+ WHERE id = :id
134
+ """), {"resp": msg.content, "id": current_id})
135
+ # Depois de atualizar a linha, zera o current_id
136
+ current_id = None
137
+ else:
138
+ # Se não houver pergunta pendente, insere como nova linha
139
+ session.execute(text(f"""
140
+ INSERT INTO {self.table_name} (chat_store_key, response)
141
+ VALUES (:key, :resp)
142
+ """), {"key": key, "resp": msg.content})
143
+
144
+ session.commit()
145
+
146
+ def add_message(self, key: str, message: ChatMessage) -> None:
147
+ """
148
+ Acrescenta uma nova mensagem no fluxo. Se for do usuário, insere nova linha;
149
+ se for do assistente, tenta preencher a linha pendente que não tenha resposta.
150
+ """
151
+
152
+ with self._session() as session:
153
+ if message.role == 'user':
154
+ # Sempre cria uma nova linha para mensagens de usuário
155
+ insert_stmt = text(f"""
156
+ INSERT INTO {self.table_name} (chat_store_key, user_input)
157
+ VALUES (:key, :ui)
158
+ """)
159
+ session.execute(insert_stmt, {
160
+ "key": key,
161
+ "ui": message.content
162
+ })
163
+ else:
164
+ # Tenta encontrar a última linha sem resposta
165
+
166
+ row = session.execute(text(f"""
167
+ SELECT id
168
+ FROM {self.table_name}
169
+ WHERE chat_store_key = :key
170
+ AND user_input IS NOT NULL
171
+ AND response IS NULL
172
+ ORDER BY id DESC
173
+ LIMIT 1
174
+ """), {"key": key}).fetchone()
175
+
176
+ if row:
177
+ # Atualiza com a resposta
178
+ msg_id = row[0]
179
+
180
+ update_stmt = text(f"""
181
+ UPDATE {self.table_name}
182
+ SET response = :resp
183
+ WHERE id = :id
184
+ """)
185
+ session.execute(update_stmt, {
186
+ "resp": message.content,
187
+ "id": msg_id
188
+ })
189
+ else:
190
+ # Se não achar linha pendente, insere como nova
191
+
192
+ insert_stmt = text(f"""
193
+ INSERT INTO {self.table_name} (chat_store_key, response)
194
+ VALUES (:key, :resp)
195
+ """)
196
+ session.execute(insert_stmt, {
197
+ "key": key,
198
+ "resp": message.content
199
+ })
200
+
201
+ session.commit()
202
+
203
+
204
+
205
+ def delete_messages(self, key: str) -> None:
206
+ """
207
+ Remove todas as linhas associadas a 'key'.
208
+ """
209
+ with self._session() as session:
210
+ session.execute(text(f"""
211
+ DELETE FROM {self.table_name} WHERE chat_store_key = :key
212
+ """), {"key": key})
213
+ session.commit()
214
+
215
+ def delete_last_message(self, key: str) -> Optional[ChatMessage]:
216
+ """
217
+ Apaga a última mensagem da conversa (considerando a ordem de inserção).
218
+ Se a última linha tiver pergunta e resposta, remove primeiro a resposta;
219
+ caso não exista resposta, remove a linha inteira.
220
+ """
221
+ with self._session() as session:
222
+ # Localiza a última linha
223
+ row = session.execute(text(f"""
224
+ SELECT id, user_input, response
225
+ FROM {self.table_name}
226
+ WHERE chat_store_key = :key
227
+ ORDER BY id DESC
228
+ LIMIT 1
229
+ """), {"key": key}).fetchone()
230
+
231
+ if not row:
232
+ return None
233
+
234
+ row_id, user_in, resp = row
235
+
236
+ # Se a linha tiver somente pergunta, apagamos a linha inteira.
237
+ # Se tiver também a resposta, apagamos só a parte do assistente.
238
+ if user_in and resp:
239
+ # Remove a resposta
240
+ session.execute(text(f"""
241
+ UPDATE {self.table_name}
242
+ SET response = NULL
243
+ WHERE id = :id
244
+ """), {"id": row_id})
245
+ session.commit()
246
+ return ChatMessage(role='assistant', content=resp)
247
+ else:
248
+ # Deleta a linha inteira
249
+ session.execute(text(f"""
250
+ DELETE FROM {self.table_name}
251
+ WHERE id = :id
252
+ """), {"id": row_id})
253
+ session.commit()
254
+
255
+ if user_in:
256
+ return ChatMessage(role='user', content=user_in)
257
+ elif resp:
258
+ return ChatMessage(role='assistant', content=resp)
259
+ else:
260
+ return None
261
+
262
+ def delete_message(self, key: str, idx: int) -> Optional[ChatMessage]:
263
+ """
264
+ Deleta a mensagem com base na ordem total do histórico. O índice 'idx' é
265
+ calculado após reconstruir a lista de ChatMessages (user e assistant).
266
+ """
267
+ messages = self.get_messages(key)
268
+ if idx < 0 or idx >= len(messages):
269
+ return None
270
+
271
+ removed = messages[idx]
272
+
273
+ # Agora precisamos traduzir 'idx' para saber qual registro no banco será modificado.
274
+ # É mais simples recriar todos os dados com set_messages sem a mensagem em 'idx':
275
+ messages.pop(idx)
276
+ self.set_messages(key, messages)
277
+
278
+ return removed
requirements.txt CHANGED
@@ -1,11 +1,13 @@
1
- llama-index==0.12.12
2
- llama-index-retrievers-bm25==0.5.2
3
- llama-index-vector-stores-chroma==0.4.1
4
- llama-index-readers-google==0.6.0
5
- openpyxl==3.1.5
6
- flask==3.1.0
7
- streamlit==1.41.1
8
- streamlit-authenticator==0.4.1
9
- python-levenshtein==0.26.1
10
- streamlit_feedback
11
- fuzzywuzzy
 
 
 
1
+ llama-index==0.12.12
2
+ llama-index-retrievers-bm25==0.5.2
3
+ llama-index-vector-stores-chroma==0.4.1
4
+ llama-index-readers-google==0.6.0
5
+ openpyxl==3.1.5
6
+ flask==3.1.0
7
+ streamlit==1.41.1
8
+ streamlit-authenticator==0.4.1
9
+ python-levenshtein==0.26.1
10
+ streamlit_feedback
11
+ fuzzywuzzy
12
+ pymysql==1.1.1
13
+ aiomysql==0.2.0