Create app.py

app.py

@@ -0,0 +1,241 @@
+import os
+import re
+import gradio as gr
+import aisuite as ai
+import zipfile
+import time # 為了讓檔案解壓縮有時間
+# 移除 Colab 專用的 userdata 匯入
+
+# RAG 相關
+from langchain_community.vectorstores import FAISS
+from langchain_community.embeddings import HuggingFaceEmbeddings
+
+# =========================================================
+# 1. 檔案解壓縮與環境變數載入 (Hugging Face Secrets 會自動注入 OS 環境變數)
+# =========================================================
+
+# Hugging Face 環境中，Secrets 會被注入為環境變數。
+# 我們不再需要 google.colab import userdata 來獲取 Key。
+# 程式將直接從 os.environ 讀取。
+
+# 1.1 啟動時解壓縮 FAISS 資料庫
+if not os.path.exists("faiss_dbV2"):
+    print("正在解壓縮 faiss_dbV2.zip...")
+    try:
+        with zipfile.ZipFile("faiss_dbV2.zip", 'r') as zip_ref:
+            zip_ref.extractall(".")
+        print("✅ faiss_db 解壓縮完成。")
+    except FileNotFoundError:
+        print("❌ 錯誤：未找到 faiss_dbV2.zip，請檢查是否已上傳。")
+        exit()
+
+# 1.2 檢查 API Key
+groq_api_key = os.environ.get('GROQ') # 注意：從 Secrets 讀取時 Key 要大寫，如 GROQ
+hf_token = os.environ.get('HuggingFace')
+
+if not groq_api_key:
+    print("❌ 警告：GROQ API Key 未設定在 Hugging Face Secrets 中！")
+if not hf_token:
+    print("❌ 警告：HuggingFace Token 未設定在 Secrets 中！")
+
+# 由於 aisuite 依賴 os.environ，我們在這裡確保 Groq Key 再次被設定
+os.environ['GROQ_API_KEY'] = groq_api_key if groq_api_key else ""
+
+
+# =========================================================
+# 2. 模型與設定 (與 Colab 相同)
+# =========================================================
+
+# Embedding 模型配置
+class EmbeddingGemmaEmbeddings(HuggingFaceEmbeddings):
+    def __init__(self, **kwargs):
+        super().__init__(
+            model_name="google/embeddinggemma-300m",
+            encode_kwargs={"normalize_embeddings": True},
+            **kwargs
+        )
+
+    def embed_documents(self, texts):
+        texts = [f"title: none | text: {t}" for t in texts]
+        return super().embed_documents(texts)
+
+    def embed_query(self, text):
+        return super().embed_query(f"task: search result | query: {text}")
+
+embedding_model = EmbeddingGemmaEmbeddings()
+
+# FAISS 資料庫載入
+print("正在載入 FAISS 資料庫...")
+vectorstore = FAISS.load_local(
+    "faiss_db",
+    embeddings=embedding_model,
+    allow_dangerous_deserialization=True
+)
+retriever = vectorstore.as_retriever(search_kwargs={"k": 4})
+print("✅ RAG 系統初始化完成。")
+
+
+# LLM Agent 配置 (使用您最後成功的配置)
+provider_system_planner = "groq"
+model_system_planner = "llama-3.3-70b-versatile"
+provider_system_writer = "groq"
+model_system_writer = "llama-3.3-70b-versatile"
+provider_system_reviewer = "groq"
+model_system_reviewer = "openai/gpt-oss-120b"
+provider_system_refiner = "groq"
+model_system_refiner = "llama-3.3-70b-versatile"
+
+# 初始化 AI Client
+client = ai.Client()
+
+
+# =========================================================
+# 3. 核心函式定義 (與 Colab 相同)
+# =========================================================
+
+def call_ai(system_prompt, user_prompt, provider, model):
+    messages = [
+        {"role": "system", "content": system_prompt},
+        {"role": "user", "content": user_prompt}
+    ]
+    try:
+        # **注意**：我們在這裡使用了 os.environ 裡面的 Key，
+        # 如果 Key 失敗，這裡就會報錯。
+        response = client.chat.completions.create(
+            model=f"{provider}:{model}",
+            messages=messages
+        )
+        return response.choices[0].message.content
+    except Exception as e:
+        # 如果模型呼叫失敗，拋出詳細錯誤
+        raise Exception(f"【AI Agent 呼叫失敗: {provider}:{model}】 錯誤原因: {str(e)}")
+
+
+# A. CoT Planner: 發想 5 種思路
+system_planner = """
+你是一位精通實變函數論 (Real Analysis) 的數學家。
+你的任務不是直接給答案，而是進行「廣度優先思考」。
+針對使用者的問題與提供的課本內容，請提出 5 種不同的解釋路徑或證明策略，盡可能詳細證明。
+"""
+# B. CoT Selector & Writer: 選擇最佳並撰寫初稿
+system_writer = """
+你是一位嚴謹的數學教授。
+請參考 Planner 提供的 5 種思路，選出「最符合實變函數論嚴謹定義」的一種。
+請依此思路撰寫完整的解答：
+1. 必須使用 LaTeX 格式書寫所有數學符號。
+2. 【關鍵規則】：所有行內公式 (Inline Math) 的 $ 符號前後必須留一個空格。
+3. 【關鍵規則】：複雜或長度超過 10 個字元的公式，請務必使用雙錢字號 $$ ... $$ 獨立一行顯示。
+4. 【新增要求】：在 $$...$$ 區塊公式的**上下**必須各留**一個空行**，以確保 Markdown 渲染器能正確識別。
+5. 引用相關的定義與定理 (Definition/Theorem)。
+6. 使用繁體中文 (台灣習慣) 進行解說。
+"""
+# C. Reflexion Reviewer: 2diff 審查
+system_reviewer = """
+你是一位負責嚴格數學審稿人。
+請檢查這份數學解答。
+檢查重點：
+1. 定義引用是否正確？
+2. 證明邏輯是否有漏洞 (Logical Gaps)？
+3. 符號使用是否規範？
+4. 是否有濫用直觀而犧牲嚴謹性的情況？
+請給出具體的修改建議。如果解答正確，請回答「PASS」。
+"""
+# D. Reflexion Refiner: 根據建議修正
+system_refiner = """
+你負責根據審稿人的建議，修正並潤飾最終的數學解答。
+請保留原本正確的部分，針對被指出的錯誤進行修正。
+1. 必須使用 LaTeX 格式書寫所有數學符號。
+2. 【關鍵規則】：所有行內公式 (Inline Math) 的 $ 符號前後必須留一個空格。
+3. 【關鍵規則】：複雜或長度超過 10 個字元的公式，請務必使用雙錢字號 $$ ... $$ 獨立一行顯示。
+4. 【新增要求】：在 $$...$$ 區塊公式的**上下**必須各留**一個空行**，以確保 Markdown 渲染器能正確識別。
+"""
+
+def fix_latex(text):
+    if not text: return text
+    # 1. 取代區塊公式 \[ ... \] 為 $$ ... $$
+    text = re.sub(r'\\\[(.*?)\\\]', r'\n$$\1$$\n', text, flags=re.DOTALL)
+    # 2. 取代行內公式 \( ... \) 為 $ ... $
+    text = re.sub(r'\\\((.*?)\\\)', r'$ \1 $', text, flags=re.DOTALL)
+    return text
+
+
+def math_solver_process(user_question):
+    try:
+        # --- Step 1: RAG 檢索 ---
+        docs = retriever.invoke(user_question)
+        context = "\n\n".join([doc.page_content for doc in docs])
+        rag_info = fix_latex(f"【檢索到的課本內容】:\n{context}")
+
+        # --- Step 2: CoT (Planner) ---
+        plan_prompt = f"使用者問題: {user_question}\n\n參考資料:\n{context}\n\n請列出 5 種解題思路。"
+        thoughts_5 = fix_latex(call_ai(system_planner, plan_prompt, provider_system_planner, model_system_planner))
+
+        # --- Step 3: Draft (Writer) ---
+        draft_prompt = f"使用者問題: {user_question}\n\nPlanner 的思路:\n{thoughts_5}\n\n參考資料:\n{context}\n\n請選擇最佳思路並撰寫解答初稿。"
+        first_draft = fix_latex(call_ai(system_writer, draft_prompt, provider_system_writer, model_system_writer))
+
+        # --- Step 4: Reflexion (Reviewer) ---
+        review_prompt = f"問題: {user_question}\n\n初稿解答:\n{first_draft}\n\n請審查並給出建議。"
+        review_feedback = fix_latex(call_ai(system_reviewer, review_prompt, provider_system_reviewer, model_system_reviewer))
+
+        # --- Step 5: Final Refinement (Refiner) ---
+        if "PASS" in review_feedback:
+            raw_answer = first_draft
+            status = "✅ 審查通過，初稿即完美。"
+        else:
+            refine_prompt = f"初稿:\n{first_draft}\n\n審查建議:\n{review_feedback}\n\n請產出最終修正版解答。"
+            raw_answer = call_ai(system_refiner, refine_prompt, provider_system_refiner, model_system_refiner)
+            status = "🔄 經過審查修正後的最終版。"
+
+        final_answer = fix_latex(raw_answer)
+        
+        return rag_info, thoughts_5, first_draft, review_feedback, final_answer
+    
+    except Exception as e:
+        error_msg = f"系統執行發生錯誤:\n{str(e)}"
+        # 如果發生錯誤，將錯誤訊息回傳給 Gradio 介面
+        return error_msg, "Error", "Error", "Error", "Error"
+
+
+# =========================================================
+# 4. Gradio 介面配置 (作為測試介面，確保能跑)
+# =========================================================
+
+# 6. Gradio 介面
+with gr.Blocks(title="實變函數論 AI Agent") as demo:
+    gr.Markdown("# 📐 實變函數論 AI 助教 (Hugging Face Spaces RAG + CoT)")
+    gr.Markdown("輸入你的數學問題，AI 將查詢課本、多角度思考、並經由同儕審查機制產出嚴謹證明。")
+
+    with gr.Row():
+        input_box = gr.Textbox(label="請輸入問題", placeholder="例如：請解釋 Lebesgue 積分與 Riemann 積分在極限交換時的差異")
+        run_btn = gr.Button("開始解題", variant="primary")
+
+    with gr.Accordion("📚 步驟一：檢索資料 (RAG)", open=False):
+        out_rag = gr.TextArea(label="RAG Context", interactive=False)
+
+    with gr.Accordion("🧠 步驟二：思考與選擇 (CoT)", open=False):
+        out_thoughts = gr.TextArea(label="5 種解題思路", interactive=False)
+
+    with gr.Row():
+        out_draft = gr.TextArea(label="📝 初稿 (Writer)", interactive=False)
+        out_review = gr.TextArea(label="🧐 審查意見 (Reviewer)", interactive=False)
+
+    gr.Markdown("### ✨ 最終解答 (Final Answer)")
+
+    out_final = gr.Markdown(
+        label="最終解答",
+        latex_delimiters=[
+            { "left": "$$", "right": "$$", "display": True },
+            { "left": "$", "right": "$", "display": False }
+        ]
+    )
+
+    # 按鈕事件綁定
+    run_btn.click(
+        math_solver_process,
+        inputs=[input_box],
+        outputs=[out_rag, out_thoughts, out_draft, out_review, out_final]
+    )
+
+    # 在 Hugging Face 上執行時，只需呼叫 demo.launch()
+    demo.launch()