Update app.py

app.py

@@ -77,7 +77,7 @@ def interact(user_input, history, interaction_count):
             raise ValueError("Tokenizer or model is not initialized.")
         
         if interaction_count >= MAX_INTERACTIONS:
-            user_input += ". Thank you for your questions. Our session is now over. Goodbye!"
+            user_input += " Thank you for your questions. Our session is now over. Goodbye!"
         
         messages = history + [{"role": "user", "content": user_input}]
         
@@ -177,6 +177,11 @@ def save_comment_score(chat_responses, score, comment, story_name, user_name, sy
     df = pd.DataFrame(data, columns=["Timestamp", "User Name", "Model Name", "System Prompt", "Story Name", "Chat History", "Score", "Comment"])
     return df[["Chat History", "Score", "Comment"]], gr.update(value="")  # Show only the required columns and clear the comment input box
 
+# Function to load user guide from a file
+def load_user_guide():
+    with open('user_guide.txt', 'r') as file:
+        return file.read()
+
 # Create the chat interface using Gradio Blocks
 with gr.Blocks() as demo:
     with gr.Tabs():
@@ -207,31 +212,7 @@ with gr.Blocks() as demo:
                 data_table = gr.DataFrame(headers=["Chat History", "Score", "Comment"])
 
         with gr.TabItem("User Guide"):
-            gr.Textbox(label="User Guide", value='''
-            La aplicación está organizada en tres bloques principales: Contexto, Chat y Evaluación.
-            
-            1. Contexto
-            En este bloque, configuramos el contexto antes de interactuar con el chat.
-            1. Seleccionar el modelo: Elige el modelo que deseas probar de la lista de modelos disponibles.
-            2. Seleccionar el usuario: Elige el usuario que está realizando las pruebas. Es importante seleccionar el usuario correcto para guardar los resultados adecuadamente.
-            3. Seleccionar el cuento: Elige el cuento que se trabajará con el modelo.
-            4. Seleccionar el System Prompt: Configura el mensaje de sistema que guiará la interacción con el modelo.
-            5. Enviar el cuento: Haz clic en "Send Story" para enviar el cuento seleccionado y configurar el contexto.
-            
-            2. Chat
-            En este bloque, interactuamos con el modelo de lenguaje.
-            1. Visualizar el cuento seleccionado: En el campo “Selected Story” se muestra el cuento enviado anteriormente en el contexto.
-            2. Escribir el mensaje: Introduce tu mensaje en el campo “User Input”.
-            3. Enviar el mensaje: Haz clic en "Send" para enviar tu mensaje al modelo y recibir una respuesta.
-            
-            3. Evaluación
-            En este bloque, evaluamos la última interacción realizada entre el usuario y el chat.
-            1. Asignar un puntaje: Selecciona el puntaje que deseas asignar al resultado de la interacción.
-            2. Escribir un comentario: Introduce un comentario sobre el resultado de la interacción.
-            3. Guardar la evaluación: Haz clic en "Save Score and Comment" para guardar el puntaje y el comentario.
-            
-            Obs: La lista de cuentos y system prompts disponibles, así como los resultados, se encuentran en el siguiente link.
-            https://docs.google.com/spreadsheets/d/1EY0vYkzsrSYW5PNWDDTUHlL4ahTym3Wj1etxRHQY3c8/edit?usp=sharing''', lines=20)
+            gr.Textbox(label="User Guide", value=load_user_guide(), lines=20)
             
     chat_history_json = gr.JSON(value=[], visible=False)
     interaction_count = gr.Number(value=0, visible=False)