tgltommyai/langchain_llm_chatbot

基于LLM和LangChain实现基于本地文档的QA chatbot

LangChain 学习指南

案例-01 基于上传PDF文档进行QA问答

• 01 实现基于 streamlit + OpenAI 的QA问答（文件格式：PDF）

streamlit run chatbot.py

• 02 实现基于 gradio + OpenAI 的QA问答（文件格式：PDF）

gradio chatbot_gradio.py

或者

访问HuggingFace Space体验：
https://huggingface.co/spaces/Tommy930/chatbot-PDF

langchain_llm_chatbot's Issues

执行chatbot.py 执行, 构建vectorstore之后, 查询文档报错

遇到一个问题，使用streamlit构建的应用，执行chatbot.py脚本，第一次查询可以得到结果，第二次再输入查询，报错信息
ValueError: Unsupported chat history format: <class 'str'>. Full chat history: Human

• 使用的本地服务器部署的ChatGLM模型，没有使用openai

报错位置
def process_user_input(user_input):
if st.session_state.conversation is not None:
# 调用函数st.session_state.conversation，并把用户输入的内容作为一个问题传入，返回响应。
response = st.session_state.conversation({'question': user_input})
# session状态是Streamlit中的一个特性，允许在用户的多个请求之间保存数据。
st.session_state.chat_history = response['chat_history']

顺便看了一下源码
def _get_chat_history(chat_history: List[CHAT_TURN_TYPE]) -> str:
buffer = ""
for dialogue_turn in chat_history:
if isinstance(dialogue_turn, BaseMessage):
role_prefix = _ROLE_MAP.get(dialogue_turn.type, f"{dialogue_turn.type}: ")
buffer += f"\n{role_prefix}{dialogue_turn.content}"
elif isinstance(dialogue_turn, tuple):
human = "Human: " + dialogue_turn[0]
ai = "Assistant: " + dialogue_turn[1]
buffer += "\n" + "\n".join([human, ai])