Update app.py

app.py

@@ -1,73 +1,48 @@
-import os
-os.environ["TOKENIZERS_PARALLELISM"] = "false"
-os.environ["NO_CUDA_EXT"] = "1"
-
-
-from reader_llm import get_reader_llm
-from retrieval import get_retriever
-from answer_rag import answer_with_rag2
-import streamlit as st
-
-# Настройка страницы
-st.set_page_config(page_title="RAG", layout="wide")
-st.title("Туристический путеводитель")
-st.header("Города: Ярославль, Екатеринбург, Нижний Новгород, Владимир")
-
-@st.cache_resource
-def load_models():
-    READER_LLM = get_reader_llm(name="Vikhrmodels/Vikhr-Llama-3.2-1B-Instruct")
-    # READER_LLM = get_reader_llm(name="microsoft/phi-2") # легкая модель для приложения на сайте streamlit
-    embedding_model, KNOWLEDGE_VECTOR_DATABASE = get_retriever()
-    return READER_LLM, embedding_model, KNOWLEDGE_VECTOR_DATABASE
-
-READER_LLM, _, KNOWLEDGE_VECTOR_DATABASE = load_models()
-
-if "messages" not in st.session_state:
-    st.session_state.messages = []
-
-for message in st.session_state.messages:
-    with st.chat_message(message["role"]):
-        st.markdown(message["content"])
-
-if prompt := st.chat_input("Задайте Ваш вопрос"):
-    st.session_state.messages.append({"role": "user", "content": prompt})
-    
-    with st.chat_message("user"):
-        st.markdown(prompt)
-    
-    with st.chat_message("assistant"):
-        with st.spinner("Ищу информацию..."):
-            answer, sources = answer_with_rag2(
-                question=prompt,
-                llm=READER_LLM,
-                knowledge_index=KNOWLEDGE_VECTOR_DATABASE
-            )
-            st.markdown(answer)
-            
-            # if sources:
-            #     st.markdown("**Источники информации:**")
-            #     for i, doc in enumerate(sources):
-            #         with st.expander(f"Источник {i+1}"):
-            #             st.write(doc.page_content)
-            #             if hasattr(doc, 'metadata'):
-            #                 if "latitude" in doc.metadata and "longitude" in doc.metadata:
-            #                     st.write(f"📍 Координаты: {doc.metadata['latitude']}, {doc.metadata['longitude']}")
-            #                 if "image" in doc.metadata and doc.metadata["image"]:
-            #                     try:
-            #                         if isinstance(doc.metadata["image"], str):
-            #                             if doc.metadata["image"].startswith('/9j/'):
-            #                                 import base64
-            #                                 from io import BytesIO
-            #                                 from PIL import Image
-                                            
-            #                                 img_bytes = base64.b64decode(doc.metadata["image"])
-            #                                 img = Image.open(BytesIO(img_bytes))
-            #                                 st.image(img, caption=f"Изображение {i+1}")
-            #                             else:
-            #                                 st.image(doc.metadata["image"], caption=f"Изображение {i+1}")
-            #                         elif isinstance(doc.metadata["image"], bytes):
-            #                             st.image(doc.metadata["image"], caption=f"Изображение {i+1}")
-            #                     except Exception as e:
-            #                         st.error(f"Ошибка загрузки изображения: {str(e)}")
-
+import os
+os.environ["TOKENIZERS_PARALLELISM"] = "false"
+os.environ["NO_CUDA_EXT"] = "1"
+
+
+from reader_llm import get_reader_llm
+from retrieval import get_retriever
+from answer_rag import answer_with_rag2
+import streamlit as st
+
+# Настройка страницы
+st.set_page_config(page_title="RAG", layout="wide")
+st.title("Туристический путеводитель")
+st.header("Города: Ярославль, Екатеринбург, Нижний Новгород, Владимир")
+
+@st.cache_resource
+def load_models():
+    READER_LLM = get_reader_llm(name="Vikhrmodels/Vikhr-Llama-3.2-1B-Instruct")
+    # легкая модель для приложения на сайте hugging face
+    embedding_model, KNOWLEDGE_VECTOR_DATABASE = get_retriever()
+    return READER_LLM, embedding_model, KNOWLEDGE_VECTOR_DATABASE
+
+READER_LLM, _, KNOWLEDGE_VECTOR_DATABASE = load_models()
+
+if "messages" not in st.session_state:
+    st.session_state.messages = []
+
+for message in st.session_state.messages:
+    with st.chat_message(message["role"]):
+        st.markdown(message["content"])
+
+if prompt := st.chat_input("Задайте Ваш вопрос"):
+    st.session_state.messages.append({"role": "user", "content": prompt})
+    
+    with st.chat_message("user"):
+        st.markdown(prompt)
+    
+    with st.chat_message("assistant"):
+        with st.spinner("Ищу информацию..."):
+            answer, sources = answer_with_rag2(
+                question=prompt,
+                llm=READER_LLM,
+                knowledge_index=KNOWLEDGE_VECTOR_DATABASE
+            )
+            st.markdown(answer)
+            
+         
         st.session_state.messages.append({"role": "assistant", "content": answer})