Update app.py

app.py

@@ -4,60 +4,38 @@ 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
+# 核心修正：使用新的导入路径
+from langchain.chains.retrieval_qa.base import RetrievalQA
 
-# 1. 链接顶级大脑 Qwen 2.5
-# 系统会自动读取你刚才设置的 Secret: HF_TOKEN
+# 1. 初始化引擎
 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. 初始化与加载私有知识库
-def init_knowledge_base():
-    # 如果没有 knowledge.txt，先创建一个初始模版
-    if not os.path.exists("knowledge.txt"):
-        with open("knowledge.txt", "w", encoding="utf-8") as f:
-            f.write("大脑初始化成功。请在 knowledge.txt 文件中输入你的私有知识。")
-    
-    # 读取知识库
-    loader = TextLoader("knowledge.txt", encoding="utf-8")
-    documents = loader.load()
-    
-    # 文本切分：让 AI 更好找重点
-    text_splitter = CharacterTextSplitter(chunk_size=600, chunk_overlap=100)
-    docs = text_splitter.split_documents(documents)
-    
-    # 向量化处理：将文字坐标化 (使用中文优化模型)
-    embeddings = HuggingFaceEmbeddings(model_name="BAAI/bge-small-zh-v1.5")
-    vectorstore = FAISS.from_documents(docs, embeddings)
-    return vectorstore
+# 2. 检查并加载知识库
+if not os.path.exists("knowledge.txt"):
+    with open("knowledge.txt", "w", encoding="utf-8") as f:
+        f.write("私有大脑已上线。")
 
-# 启动时先加载一次知识库
-vectorstore = init_knowledge_base()
+loader = TextLoader("knowledge.txt", encoding="utf-8")
+docs = CharacterTextSplitter(chunk_size=500, chunk_overlap=50).split_documents(loader.load())
+# 使用中文友化的向量模型
+embeddings = HuggingFaceEmbeddings(model_name="BAAI/bge-small-zh-v1.5")
+vectorstore = FAISS.from_documents(docs, embeddings)
+
+# 3. 创建问答链条
 qa_chain = RetrievalQA.from_chain_type(
     llm=llm, 
     retriever=vectorstore.as_retriever(search_kwargs={"k": 3})
 )
 
-# 3. 聊天交互逻辑
-def predict(message, history):
+# 4. 聊天函数
+def chat(message, history):
     try:
-        # AI 会先搜索 knowledge.txt，再结合大模型给出回答
         response = qa_chain.invoke({"query": message})
         return response["result"]
     except Exception as e:
-        return f"大脑思考时遇到了一点问题，请检查 Token 或网络。详情: {str(e)}"
-
-# 4. 搭建前端界面
-demo = gr.ChatInterface(
-    predict,
-    title="我的全能私有大脑",
-    description="我已经读取了你的知识库。你可以问我关于你自己的事，也可以和我聊任何话题。",
-    examples=["你是谁？", "解释一下知识库里的核心内容", "帮我写一个 Python 脚本"],
-    theme="soft"
-)
+        return f"大脑响应异常，请检查 Token。错误原因: {str(e)}"
 
-if __name__ == "__main__":
-    demo.launch()
+gr.ChatInterface(chat, title="全能私有大脑 v2.0").launch()