File size: 3,407 Bytes
72eddd4 | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 | import pandas as pd
import sqlite3
import streamlit as st
from langchain.chains.llm import LLMChain
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain_openai import OpenAIEmbeddings
from langchain_openai import OpenAI
from langchain_community.document_loaders import DataFrameLoader
from langchain_community.vectorstores import FAISS
from langchain.prompts import PromptTemplate
# Подключаемся к базе данных SQLite
connection = sqlite3.connect("C:\\Users\\lyuto\\OneDrive\\Рабочий стол\\UniversityProjeck\\Russian_cuisine.db")
# Запрашиваем данные из нужной таблицы
query = "SELECT * FROM 'Russian cuisine'"
# Загружаем данные в DataFrame
df = pd.read_sql_query(query, connection)
# Закрываем подключение к базе данных
connection.close()
df.head()
loader = DataFrameLoader(df, page_content_column='recipe_name')
documents = loader.load()
embeddings = OpenAIEmbeddings(openai_api_key="ваш OPENAI-ключ")
text_splitter = RecursiveCharacterTextSplitter(chunk_size=1000, chunk_overlap=0)
texts = text_splitter.split_documents(documents)
# создаем хранилище
db = FAISS.from_documents(texts, embeddings)
db.as_retriever()
prompt_template = """
Используя данные из рецепта, включающие алгоритм: {algorithm} и ингредиенты: {ingredients}, опишите подробно, как приготовить блюдо, чтобы читатель мог легко следовать вашему описанию.
"""
prompt = PromptTemplate(
template=prompt_template,
input_variables=["algorithm", "ingredients"]
)
max_tokens = 1500
# Инициализация модели OpenAI
llm = OpenAI(temperature=0, max_tokens=max_tokens, openai_api_key="ваш OPENAI-ключ")
# Создание LLMChain с prompt и llm
chain = LLMChain(prompt=prompt, llm=llm)
def clean_url(url):
url = "https:" + url
return url.replace('"', '')
def generate_recipe_description(query):
relevants = db.similarity_search(query)
if not relevants:
return "Не удалось найти информацию о данном рецепте."
# Извлечение метаданных (алгоритм и ингредиенты) из документа
recipe_data = relevants[0].metadata
algorithm = recipe_data.get('algorithm', '')
ingredients = recipe_data.get('ingredients', '')
photo_url = recipe_data.get('photo', None)
# Генерация подробного описания рецепта с использованием LLMChain
response = chain.run(algorithm=algorithm, ingredients=ingredients)
return response, photo_url
# Начало Streamlit-приложения
st.title("Ассистент по поиску рецептов ChefMate")
query = st.text_input("Введите ваш запрос:")
if st.button("Получить рецепт"):
response, photo_url = generate_recipe_description(query)
avatar_url = "https://i.yapx.ru/XZyvC.png" # Укажите URL или путь к аватарке ассистента
st.image(avatar_url, width=50)
st.write("ChefMate:")
st.write(response)
if photo_url:
clean_url = clean_url(photo_url)
st.image(clean_url, width=400)
|