Update app.py

app.py

@@ -4,53 +4,34 @@ from langchain_huggingface import HuggingFaceEndpoint, HuggingFaceEmbeddings
 from langchain_community.vectorstores import FAISS
 from langchain_community.document_loaders import TextLoader
 from langchain_text_splitters import CharacterTextSplitter
-from langchain.chains import RetrievalQA
+# 修改这里：使用更稳定的导入路径
+from langchain.chains.retrieval_qa.base import RetrievalQA
 
-# 1. 配置大模型动力源 (使用 Qwen 2.5)
-# 确保你在 Settings -> Secrets 中设置了 HF_TOKEN
+# 1. 引擎初始化
 llm = HuggingFaceEndpoint(
     repo_id="Qwen/Qwen2.5-7B-Instruct",
-    huggingfacehub_api_token=os.getenv("HF_TOKEN"),
-    timeout=300
+    huggingfacehub_api_token=os.getenv("HF_TOKEN")
 )
 
-# 2. 初始化私有知识库
-# 如果 knowledge.txt 不存在，先创建一个简单的，防止报错
+# 2. 知识库加载
 if not os.path.exists("knowledge.txt"):
     with open("knowledge.txt", "w", encoding="utf-8") as f:
-        f.write("欢迎使用全能 AI 大脑！请在 knowledge.txt 中输入你的私有知识。")
+        f.write("这里是你的私有大脑知识库。")
 
-# 加载并切分文档
 loader = TextLoader("knowledge.txt", encoding="utf-8")
-documents = loader.load()
-text_splitter = CharacterTextSplitter(chunk_size=500, chunk_overlap=50)
-docs = text_splitter.split_documents(documents)
-
-# 3. 创建向量检索系统 (使用中文优化的 Embedding 模型)
+docs = CharacterTextSplitter(chunk_size=500, chunk_overlap=50).split_documents(loader.load())
 embeddings = HuggingFaceEmbeddings(model_name="BAAI/bge-small-zh-v1.5")
 vectorstore = FAISS.from_documents(docs, embeddings)
 
-# 4. 构建问答链 (RAG 核心)
-qa_chain = RetrievalQA.from_chain_type(
-    llm=llm,
-    retriever=vectorstore.as_retriever(search_kwargs={"k": 3})
-)
+# 3. 构建问答链
+qa_chain = RetrievalQA.from_chain_type(llm=llm, retriever=vectorstore.as_retriever())
 
-# 5. 定义界面交互
-def chat_fn(message, history):
+# 4. 界面逻辑
+def chat(msg, history):
     try:
-        # 执行检索并生成回答
-        response = qa_chain.invoke({"query": message})
-        return response["result"]
+        res = qa_chain.invoke({"query": msg})
+        return res["result"]
     except Exception as e:
-        return f"大脑连接超时或出错，请检查 Token 设置。错误详情: {str(e)}"
-
-# 启动 Gradio 界面
-demo = gr.ChatInterface(
-    chat_fn, 
-    title="我的全能私有大脑",
-    description="基于 Qwen 2.5 + RAG 技术。它会先查阅你的 knowledge.txt 再回答。"
-)
+        return f"运行出错：{str(e)}"
 
-if __name__ == "__main__":
-    demo.launch()
+gr.ChatInterface(chat).launch()