File size: 4,466 Bytes
e6ae8f8 | 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 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 | """
Intelligent Knowledge Retrieval System - Minimal Frontend
"""
import streamlit as st
import time
# ============================================
# MOCK BACKEND (wird später ersetzt)
# ============================================
def query_rag_pipeline(user_query: str) -> dict:
mock_response = {
"answer": f" Das ist eine Test-Antwort auf deine Frage: '{user_query}'\n\n",
"sources": [
{"id": 1, "title": "Mock-Dokument 1", "relevance": 0.95},
{"id": 2, "title": "Mock-Dokument 2", "relevance": 0.87},
{"id": 3, "title": "Mock-Dokument 3", "relevance": 0.76}
],
"processing_time": 0.5
}
return mock_response
# ============================================
# HAUPTANWENDUNG
# ============================================
def main():
st.set_page_config(
page_title="Knowledge Retrieval System",
page_icon="🤖",
layout="centered"
)
# Header
st.title("🤖 Intelligent Knowledge Retrieval System")
st.markdown("Stelle Fragen in natürlicher Sprache - das System durchsucht die Wissensdatenbank und generiert eine Antwort.")
st.markdown("---")
# Chat-Historie initialisieren
if "messages" not in st.session_state:
st.session_state.messages = []
# Willkommensnachricht
st.session_state.messages.append({
"role": "assistant",
"content": "Hallo! Ich kann dir bei Fragen zu unserer Wissensdatenbank helfen. Was möchtest du wissen?"
})
# Chat-Historie anzeigen
for message in st.session_state.messages:
with st.chat_message(message["role"]):
st.write(message["content"])
# Zeige Quellen wenn vorhanden
if message.get("sources"):
with st.expander("📚 Verwendete Quellen"):
for source in message["sources"]:
relevance_percent = source["relevance"] * 100
st.write(f"• {source['title']} (Relevanz: {relevance_percent:.0f}%)")
# Chat-Eingabe
if prompt := st.chat_input("Stelle eine Frage..."):
# Benutzer-Nachricht hinzufügen und anzeigen
st.session_state.messages.append({"role": "user", "content": prompt})
with st.chat_message("user"):
st.write(prompt)
# RAG-Antwort generieren
with st.chat_message("assistant"):
with st.spinner("Durchsuche Datenbank und generiere Antwort..."):
# RAG Pipeline aufrufen
response = query_rag_pipeline(prompt)
# Antwort anzeigen
st.write(response["answer"])
# Antwort in Historie speichern
st.session_state.messages.append({
"role": "assistant",
"content": response["answer"],
"sources": response.get("sources", [])
})
# Quellen anzeigen wenn vorhanden
if response.get("sources"):
with st.expander("📚 Verwendete Quellen"):
for source in response["sources"]:
relevance_percent = source["relevance"] * 100
st.write(f"• {source['title']} (Relevanz: {relevance_percent:.0f}%)")
# Footer mit Info
st.markdown("---")
with st.expander("ℹ️ Für Entwickler"):
st.markdown("""
**Integration der Backend-Komponenten:**
Ersetzt die Funktion `query_rag_pipeline()` mit eurer echten Implementation:
```python
def query_rag_pipeline(user_query: str) -> dict:
# 1. Retrieval
documents = database.search(user_query, top_k=5)
# 2. Context erstellen
context = format_documents(documents)
# 3. LLM Generation
answer = llm.generate(user_query, context)
return {
"answer": answer,
"sources": documents
}
```
**Erwartete Response-Struktur:**
- `answer`: String mit der generierten Antwort
- `sources`: Liste von Dokumenten (optional)
- `processing_time`: Verarbeitungszeit in Sekunden (optional)
""")
if __name__ == "__main__":
main() |