1. 原文连接hello-agents/docs/chapter8/第八章 记忆与检索.md at main · datawhalechina/hello-agents · GitHub2. 修改处11_QA_Assistant.py这是 Gradio 6.x 的 API 变更 导致的你当前环境是 6.19.0。 原因 bubble_full_widthGradio 6 已移除该参数Chatbot 不再支持。 theme不能放在 gr.Blocks(...) 里应移到 demo.launch(...)。 潜在问题Chatbot 消息格式Gradio 6 只支持 {role: ..., content: ...}不再支持旧的 [[user, bot], ...] 元组格式。 已做的修改 已在 11_QA_Assistant.py 中修复原写法新写法gr.Blocks(..., themegr.themes.Soft())gr.Blocks(...)demo.launch(...)demo.launch(..., themegr.themes.Soft())bubble_full_widthFalselayoutbubblehistory.append([msg, resp])history [{role: user, ...}, {role: assistant, ...}]重新运行 conda activate agent python /data/py_workspace/agent_learning/hello-agents/code/chapter8/11_QA_Assistant.py 如果仍想保持旧代码写法也可以降级 Gradio pip install gradio6 -i https://pypi.tuna.tsinghua.edu.cn/simple 更推荐按 Gradio 6 的 API 改代码因为当前环境已是 6.19.0。3. 修改后代码#!/usr/bin/env python3 # -*- coding: utf-8 -*- 智能文档问答助手 - 基于HelloAgents的智能文档问答系统 这是一个完整的PDF学习助手应用支持 - 加载PDF文档并构建知识库 - 智能问答基于RAG - 学习历程记录基于Memory - 学习回顾和报告生成 from dotenv import load_dotenv load_dotenv() import os import time import json from datetime import datetime from typing import Dict, List, Optional, Any, Tuple from hello_agents.tools import MemoryTool, RAGTool import gradio as gr class PDFLearningAssistant: 智能文档问答助手 def __init__(self, user_id: str default_user): 初始化学习助手 Args: user_id: 用户ID用于隔离不同用户的数据 self.user_id user_id self.session_id fsession_{datetime.now().strftime(%Y%m%d_%H%M%S)} # 初始化工具 self.memory_tool MemoryTool(user_iduser_id) self.rag_tool RAGTool(rag_namespacefpdf_{user_id}) # 学习统计 self.stats { session_start: datetime.now(), documents_loaded: 0, questions_asked: 0, concepts_learned: 0 } # 当前加载的文档 self.current_document None def load_document(self, pdf_path: str) - Dict[str, Any]: 加载PDF文档到知识库 Args: pdf_path: PDF文件路径 Returns: Dict: 包含success和message的结果 if not os.path.exists(pdf_path): return {success: False, message: f文件不存在: {pdf_path}} start_time time.time() try: # 使用RAG工具处理PDF result self.rag_tool.run({ action:add_document, file_path:pdf_path, chunk_size:1000, chunk_overlap:200 }) process_time time.time() - start_time # RAG工具返回的是字符串消息 self.current_document os.path.basename(pdf_path) self.stats[documents_loaded] 1 # 记录到学习记忆 self.memory_tool.run({ action:add, content:f加载了文档《{self.current_document}》, memory_type:episodic, importance:0.9, event_type:document_loaded, session_id:self.session_id }) return { success: True, message: f加载成功(耗时: {process_time:.1f}秒), document: self.current_document } except Exception as e: return { success: False, message: f加载失败: {str(e)} } def ask(self, question: str, use_advanced_search: bool True) - str: 向文档提问 Args: question: 用户问题 use_advanced_search: 是否使用高级检索MQE HyDE Returns: str: 答案 if not self.current_document: return ⚠️ 请先加载文档使用 load_document() 方法加载PDF文档。 # 记录问题到工作记忆 self.memory_tool.run({ action:add, content:f提问: {question}, memory_type:working, importance:0.6, session_id:self.session_id }) # 使用RAG检索答案 answer self.rag_tool.run({ action:ask, question:question, limit:5, enable_advanced_search:use_advanced_search, enable_mqe:use_advanced_search, enable_hyde:use_advanced_search }) # 记录到情景记忆 self.memory_tool.run({ action:add, content:f关于{question}的学习, memory_type:episodic, importance:0.7, event_type:qa_interaction, session_id:self.session_id }) self.stats[questions_asked] 1 return answer def add_note(self, content: str, concept: Optional[str] None): 添加学习笔记 Args: content: 笔记内容 concept: 相关概念可选 self.memory_tool.run({ action:add, content:content, memory_type:semantic, importance:0.8, concept:concept or general, session_id:self.session_id }) self.stats[concepts_learned] 1 def recall(self, query: str, limit: int 5) - str: 回顾学习历程 Args: query: 查询关键词 limit: 返回结果数量 Returns: str: 相关记忆 result self.memory_tool.run({ action:search, query:query, limit:limit }) return result def get_stats(self) - Dict[str, Any]: 获取学习统计 Returns: Dict: 统计信息 duration (datetime.now() - self.stats[session_start]).total_seconds() return { 会话时长: f{duration:.0f}秒, 加载文档: self.stats[documents_loaded], 提问次数: self.stats[questions_asked], 学习笔记: self.stats[concepts_learned], 当前文档: self.current_document or 未加载 } def generate_report(self, save_to_file: bool True) - Dict[str, Any]: 生成学习报告 Args: save_to_file: 是否保存到文件 Returns: Dict: 学习报告 # 获取记忆摘要 memory_summary self.memory_tool.run({action:summary, limit:10}) # 获取RAG统计 rag_stats self.rag_tool.run({action:stats}) # 生成报告 duration (datetime.now() - self.stats[session_start]).total_seconds() report { session_info: { session_id: self.session_id, user_id: self.user_id, start_time: self.stats[session_start].isoformat(), duration_seconds: duration }, learning_metrics: { documents_loaded: self.stats[documents_loaded], questions_asked: self.stats[questions_asked], concepts_learned: self.stats[concepts_learned] }, memory_summary: memory_summary, rag_status: rag_stats } # 保存到文件 if save_to_file: report_file flearning_report_{self.session_id}.json try: with open(report_file, w, encodingutf-8) as f: json.dump(report, f, ensure_asciiFalse, indent2, defaultstr) report[report_file] report_file except Exception as e: report[save_error] str(e) return report def create_gradio_ui(): 创建Gradio Web UI # 全局助手实例 assistant_state {assistant: None} def init_assistant(user_id: str) - str: 初始化助手 if not user_id: user_id web_user assistant_state[assistant] PDFLearningAssistant(user_iduser_id) return f✅ 助手已初始化 (用户: {user_id}) def load_pdf(pdf_file) - str: 加载PDF文件 if assistant_state[assistant] is None: return ❌ 请先初始化助手 if pdf_file is None: return ❌ 请上传PDF文件 # Gradio 6: typefilepath 时直接返回路径字符串 pdf_path pdf_file if isinstance(pdf_file, str) else pdf_file.name result assistant_state[assistant].load_document(pdf_path) if result[success]: return f✅ {result[message]}\n 文档: {result[document]} else: return f❌ {result[message]} def chat(message: str, history: List) - Tuple[str, List]: 聊天功能 if assistant_state[assistant] is None: return , history [ {role: user, content: message}, {role: assistant, content: ❌ 请先初始化助手并加载文档}, ] if not message.strip(): return , history # 判断是技术问题还是回顾问题 if any(keyword in message for keyword in [之前, 学过, 回顾, 历史, 记得]): # 回顾学习历程 response assistant_state[assistant].recall(message) response f **学习回顾**\n\n{response} else: # 技术问答 response assistant_state[assistant].ask(message) response f **回答**\n\n{response} history history [ {role: user, content: message}, {role: assistant, content: response}, ] return , history def add_note_ui(note_content: str, concept: str) - str: 添加笔记 if assistant_state[assistant] is None: return ❌ 请先初始化助手 if not note_content.strip(): return ❌ 笔记内容不能为空 assistant_state[assistant].add_note(note_content, concept or None) return f✅ 笔记已保存: {note_content[:50]}... def get_stats_ui() - str: 获取统计信息 if assistant_state[assistant] is None: return ❌ 请先初始化助手 stats assistant_state[assistant].get_stats() result **学习统计**\n\n for key, value in stats.items(): result f- **{key}**: {value}\n return result def generate_report_ui() - str: 生成报告 if assistant_state[assistant] is None: return ❌ 请先初始化助手 report assistant_state[assistant].generate_report(save_to_fileTrue) result f✅ 学习报告已生成\n\n result f**会话信息**\n result f- 会话时长: {report[session_info][duration_seconds]:.0f}秒\n result f- 加载文档: {report[learning_metrics][documents_loaded]}\n result f- 提问次数: {report[learning_metrics][questions_asked]}\n result f- 学习笔记: {report[learning_metrics][concepts_learned]}\n if report_file in report: result f\n 报告已保存至: {report[report_file]} return result # 创建Gradio界面 with gr.Blocks(title智能文档问答助手) as demo: gr.Markdown( # 智能文档问答助手 基于HelloAgents的智能文档问答系统支持 - 加载PDF文档并构建知识库 - 智能问答基于RAG - 学习笔记记录 - 学习历程回顾 - 学习报告生成 ) with gr.Tab( 开始使用): with gr.Row(): user_id_input gr.Textbox( label用户ID, placeholder输入你的用户ID可选默认为web_user, valueweb_user ) init_btn gr.Button(初始化助手, variantprimary) init_output gr.Textbox(label初始化状态, interactiveFalse) init_btn.click(init_assistant, inputs[user_id_input], outputs[init_output]) gr.Markdown(### 加载PDF文档) pdf_upload gr.File( label上传PDF文件, file_types[.pdf], typefilepath ) load_btn gr.Button(加载文档, variantprimary) load_output gr.Textbox(label加载状态, interactiveFalse) load_btn.click(load_pdf, inputs[pdf_upload], outputs[load_output]) with gr.Tab( 智能问答): gr.Markdown(### 向文档提问或回顾学习历程) chatbot gr.Chatbot( label对话历史, height400, layoutbubble, ) with gr.Row(): msg_input gr.Textbox( label输入问题, placeholder例如什么是Transformer 或 我之前学过什么, scale4 ) send_btn gr.Button(发送, variantprimary, scale1) gr.Examples( examples[ 什么是大语言模型, Transformer架构有哪些核心组件, 如何训练大语言模型, 我之前学过什么内容, 回顾一下关于注意力机制的学习 ], inputsmsg_input ) msg_input.submit(chat, inputs[msg_input, chatbot], outputs[msg_input, chatbot]) send_btn.click(chat, inputs[msg_input, chatbot], outputs[msg_input, chatbot]) with gr.Tab( 学习笔记): gr.Markdown(### 记录学习心得和重要概念) note_content gr.Textbox( label笔记内容, placeholder输入你的学习笔记..., lines3 ) concept_input gr.Textbox( label相关概念可选, placeholder例如transformer, attention ) note_btn gr.Button(保存笔记, variantprimary) note_output gr.Textbox(label保存状态, interactiveFalse) note_btn.click(add_note_ui, inputs[note_content, concept_input], outputs[note_output]) with gr.Tab( 学习统计): gr.Markdown(### 查看学习进度和统计信息) stats_btn gr.Button(刷新统计, variantprimary) stats_output gr.Markdown() stats_btn.click(get_stats_ui, outputs[stats_output]) gr.Markdown(### 生成学习报告) report_btn gr.Button(生成报告, variantprimary) report_output gr.Textbox(label报告状态, interactiveFalse) report_btn.click(generate_report_ui, outputs[report_output]) return demo def main(): 主函数 - 启动Gradio Web UI print(\n *60) print(智能文档问答助手) print(*60) print(正在启动Web界面...\n) demo create_gradio_ui() demo.launch( server_name0.0.0.0, server_port7860, shareFalse, show_errorTrue, themegr.themes.Soft(), ) if __name__ __main__: main()4. 运行后界面