Update app.py

app.py

@@ -1,33 +1,28 @@
 import os
 import gradio as gr
-import torch # 确保导入 torch，因为 phi-2 模型需要
+import torch
 import logging
 
-# LangChain 新版导入方式
+# LangChain 0.1.x 系列的导入方式
+# 注意：HuggingFacePipeline通常在langchain.llms中，或者直接在langchain_community中
 from langchain_chroma import Chroma
-from langchain_huggingface import HuggingFaceEmbeddings
-# 注意：HuggingFacePipeline 从 0.2.x 开始推荐从 langchain_huggingface 导入
-# 如果遇到问题，也可以尝试从 langchain_community.llms 导入
-from langchain_huggingface.llms import HuggingFacePipeline # 或者 from langchain_community.llms import HuggingFacePipeline
+from langchain.embeddings import HuggingFaceEmbeddings # <--- 注意这里，从 langchain.embeddings 导入
+from langchain.llms import HuggingFacePipeline       # <--- 注意这里，从 langchain.llms 导入
 from langchain.chains import RetrievalQA
 
 # Transformers 库
 from transformers import AutoTokenizer, AutoModelForCausalLM, pipeline
 
-logging.basicConfig(level=logging.INFO) # 更好的日志级别
+logging.basicConfig(level=logging.INFO)
 
 # 设置路径
-# 确保这些路径与您的预下载模型和向量库文件夹名称匹配
 VECTOR_STORE_DIR = "./vector_store"
-# 将模型名称指向本地预下载的路径
 MODEL_NAME = "./hf_models_cache/models--uer--gpt2-chinese-cluecorpussmall"
 EMBEDDING_MODEL_NAME = "./hf_models_cache/models--sentence-transformers--paraphrase-multilingual-mpnet-base-v2"
 
-
 # 1. 轻量 LLM（uer/gpt2-chinese-cluecorpussmall）
 print("🔧 加载生成模型...")
 try:
-    # 确保 tokenizer 和 model 是从正确的本地路径加载
     tokenizer = AutoTokenizer.from_pretrained(MODEL_NAME)
     model = AutoModelForCausalLM.from_pretrained(
         MODEL_NAME,
@@ -47,28 +42,25 @@ try:
     print("✅ 生成模型加载成功。")
 except Exception as e:
     logging.error(f"加载生成模型失败: {e}", exc_info=True)
-    # 如果加载失败，可以考虑在这里退出或者给一个友好的错误提示
-    llm = None # 确保 llm 为 None，避免后续报错
+    llm = None
     print("❌ 生成模型加载失败，应用可能无法正常工作。")
 
-
 # 2. 向量库和嵌入模型
 print("📚 加载向量库和嵌入模型...")
 try:
     embeddings = HuggingFaceEmbeddings(
-        model_name=EMBEDDING_MODEL_NAME # 指向本地预下载的嵌入模型路径
+        model_name=EMBEDDING_MODEL_NAME
     )
     vectordb = Chroma(persist_directory=VECTOR_STORE_DIR, embedding_function=embeddings)
     print("✅ 向量库加载成功。")
 except Exception as e:
     logging.error(f"加载向量库失败: {e}", exc_info=True)
-    vectordb = None # 确保 vectordb 为 None
+    vectordb = None
     print("❌ 向量库加载失败，RAG功能将无法使用。")
 
-
 # 3. RAG 问答链
 qa_chain = None
-if llm and vectordb: # 只有当LLM和向量库都成功加载时才构建RAG链
+if llm and vectordb:
     try:
         retriever = vectordb.as_retriever(search_kwargs={"k": 3})
         qa_chain = RetrievalQA.from_chain_type(
@@ -82,12 +74,11 @@ if llm and vectordb: # 只有当LLM和向量库都成功加载时才构建RAG链
         logging.error(f"构建RAG问答链失败: {e}", exc_info=True)
         print("❌ RAG问答链构建失败。")
 
-
 # 4. 业务函数
 def qa_fn(query):
     if not query.strip():
         return "❌ 请输入问题内容。"
-    if not qa_chain: # 检查 qa_chain 是否已成功构建
+    if not qa_chain:
         return "⚠️ 问答系统未完全加载，请稍后再试或检查日志。"
     try:
         result = qa_chain({"query": query})
@@ -113,7 +104,6 @@ with gr.Blocks(title="数学知识问答助手", theme=gr.themes.Base()) as demo
 
     gr.Markdown("---\n模型：uer/gpt2-chinese-cluecorpussmall + Chroma RAG | Powered by Hugging Face Spaces")
 
-
 if __name__ == "__main__":
     demo.launch()