Debugging: Menjalankan versi ringan tanpa Chroma/Embeddings

Dockerfile

@@ -1,21 +1,5 @@
-# Memulai dari gambar dasar Python versi 3.9
 FROM python:3.9-slim
-
-# Menetapkan direktori kerja di dalam container
 WORKDIR /code
-
-# 1. Salin SEMUA file proyek terlebih dahulu
 COPY . .
-
-# 2. Instal semua library yang dibutuhkan dari requirements.txt
 RUN pip install --no-cache-dir --upgrade -r requirements.txt
-
-# 3. Jalankan skrip pra-unduh model
-RUN python download_model.py
-
-# 4. Membuat dan menetapkan folder cache
-RUN mkdir -p /app/.cache
-ENV SENTENCE_TRANSFORMERS_HOME=/app/.cache
-
-# 5. Perintah untuk menjalankan aplikasi saat container dimulai
 CMD ["gunicorn", "--bind", "0.0.0.0:7860", "--workers", "1", "app:app"]

app.py

@@ -1,132 +1,39 @@
-from flask import Flask, render_template, request, jsonify, session
+from flask import Flask, render_template, request, jsonify
 from langchain_google_genai import ChatGoogleGenerativeAI
-from langchain_huggingface import HuggingFaceEmbeddings
-from langchain_chroma import Chroma
-from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
-from langchain.chains import create_history_aware_retriever, create_retrieval_chain
-from langchain.chains.combine_documents import create_stuff_documents_chain
-from langchain_core.messages import HumanMessage, AIMessage
 from dotenv import load_dotenv
 import os
 
-# Memuat variabel lingkungan dari file .env
 load_dotenv()
 
 app = Flask(__name__, template_folder='templates')
-app.secret_key = os.urandom(24)
-
-# --- Inisialisasi Komponen Utama (dilakukan sekali saat server dimulai) ---
-vectorstore = None
 llm = None
-retriever = None
 
 try:
-    # 1. Memuat Vectorstore (Database Chroma) yang sudah dibuat oleh vector_embeddings.py
-    vectorstore = Chroma(
-        persist_directory="data",
-        embedding_function=HuggingFaceEmbeddings(model_name="sentence-transformers/bert-base-nli-max-tokens")
-    )
-    # Membuat retriever untuk mengambil informasi dari vectorstore
-    retriever = vectorstore.as_retriever(search_kwargs={"k": 5})
-    print("Vectorstore berhasil dimuat dan retriever dibuat.")
-except Exception as e:
-    print(f"GALAT PENTING: Kesalahan saat memuat vectorstore Chroma: {e}")
-    print("Pastikan Anda sudah menjalankan 'vector_embeddings.py' terlebih dahulu.")
-
-try:
-    # 2. Menyiapkan Model AI (LLM)
     llm = ChatGoogleGenerativeAI(model="gemini-1.5-flash", temperature=0.2)
     print("Model AI (Gemini) berhasil diinisialisasi.")
 except Exception as e:
     print(f"GALAT PENTING: Gagal menginisialisasi model Gemini: {e}")
-    print("Pastikan GOOGLE_API_KEY Anda sudah benar di file .env.")
-
-# --- Rute Aplikasi Flask ---
 
 @app.route('/')
 def home():
-    # --- KODE DEBUGGING BARU (Bisa dihapus nanti) ---
-    template_folder_path = os.path.join(os.path.dirname(__file__), 'templates')
-    print("--- DEBUGGING INFO ---")
-    print(f"Mencari folder templates di path: {template_folder_path}")
-    if os.path.exists(template_folder_path):
-        files_in_templates = os.listdir(template_folder_path)
-        print(f"Isi folder templates yang ditemukan: {files_in_templates}")
-    else:
-        print("Folder 'templates' TIDAK DITEMUKAN oleh aplikasi.")
-    print("--- AKHIR DEBUGGING INFO ---")
-    # --- Akhir dari kode debugging ---
-
-    session.pop("chat_history", None) 
     return render_template('index.html')
 
 @app.route('/get', methods=['GET'])
 def get_response():
-    if not llm or not retriever:
-        return jsonify({"error": "Server belum siap. Periksa log terminal untuk galat."}), 503
+    if not llm:
+        return jsonify({"error": "Server belum siap. Model AI tidak terinisialisasi."}), 503
 
     user_message = request.args.get('msg')
     if not user_message:
         return jsonify({"error": "Pesan tidak boleh kosong."}), 400
-
-    # Mengambil riwayat chat dari sesi dan mengubahnya ke format yang benar
-    chat_history_from_session = session.get("chat_history", [])
-    chat_history = []
-    for msg in chat_history_from_session:
-        if msg.get("sender") == "user":
-            chat_history.append(HumanMessage(content=msg["message"]))
-        elif msg.get("sender") == "ai":
-            chat_history.append(AIMessage(content=msg["message"]))
-
-    # 1. Prompt untuk membuat pertanyaan baru yang kontekstual
-    contextualize_q_prompt = ChatPromptTemplate.from_messages([
-        ("system", "Mengingat riwayat percakapan dan pertanyaan terbaru, formulasikan ulang pertanyaan menjadi pertanyaan yang berdiri sendiri."),
-        MessagesPlaceholder("chat_history"),
-        ("human", "{input}"),
-    ])
-    history_aware_retriever = create_history_aware_retriever(
-        llm, retriever, contextualize_q_prompt
-    )
-
-    # 2. Prompt utama untuk menjawab pertanyaan berdasarkan konteks dari PDF
-    qa_prompt = ChatPromptTemplate.from_messages([
-        ("system", "Anda adalah asisten AI untuk BPVP Kota Sorong. Gunakan potongan konteks berikut untuk menjawab pertanyaan. Jika tidak tahu jawabannya, katakan saja Anda tidak tahu atau arahkan saja ke Website Resmi BPVP Sorong https://bpvpsorong.kemnaker.go.id/web. Jawab dalam bahasa Indonesia.\n\nKonteks:\n{context}"),
-        MessagesPlaceholder("chat_history"),
-        ("human", "{input}"),
-    ])
-
-    # Membuat chain untuk menggabungkan dokumen/konteks
-    question_answer_chain = create_stuff_documents_chain(llm, qa_prompt)
-
-    # Menggabungkan semuanya menjadi satu alur RAG (Retrieval-Augmented Generation)
-    rag_chain = create_retrieval_chain(history_aware_retriever, question_answer_chain)
-
+    
     try:
-        # Menjalankan chain untuk mendapatkan jawaban
-        response = rag_chain.invoke({"input": user_message, "chat_history": chat_history})
-        answer = response.get("answer", "Maaf, saya tidak dapat menemukan jawaban untuk itu.")
-
-        # Menyimpan percakapan baru ke dalam sesi dalam format JSON
-        new_history = session.get("chat_history", [])
-        new_history.append({"sender": "user", "message": user_message})
-        new_history.append({"sender": "ai", "message": answer})
-        session["chat_history"] = new_history
-        
+        response = llm.invoke(user_message)
+        answer = response.content
         return jsonify(answer)
-
     except Exception as e:
-        print(f"GALAT saat menjalankan RAG Chain: {e}")
-        return jsonify({"error": "Maaf, terjadi masalah internal saat memproses permintaan Anda."}), 500
-
-@app.route('/load_history', methods=['GET'])
-def load_history():
-    return jsonify(session.get("chat_history", []))
-
-@app.route('/clear_history', methods=['POST'])
-def clear_history():
-    session.pop("chat_history", None)
-    return jsonify({"status": "success"})
+        print(f"GALAT saat memanggil LLM: {e}")
+        return jsonify({"error": "Maaf, terjadi masalah saat memproses permintaan Anda."}), 500
 
 if __name__ == '__main__':
-    app.run(debug=True)
-
+    app.run(debug=True, host='0.0.0.0', port=7860)