graph TD
    A[ユーザーの質問: 「製品Aの保証期間は？」] --> B{RAGシステム};
    B --> C[1. 社内ナレッジベースを検索];
    C --> D["関連文書を発見：『製品A保証規定.pdf』の該当箇所"];
    D --> E[2. 検索結果と質問をLLMに渡す];
    subgraph LLMへの指示
        direction LR
        F["参考資料：『製品Aの保証期間は購入日から1年間とする』"] --と--> G["質問：『製品Aの保証期間は？』"]
    end
    E --> H[3. LLMが参考資料に基づいて回答を生成];
    H --> I[AIの回答: 「製品Aの保証期間は、ご購入日から1年間です。」];

import os
import streamlit as st
from dotenv import load_dotenv
from langchain.text_splitter import CharacterTextSplitter
from langchain_community.document_loaders import PyPDFLoader, TextLoader
from langchain_community.vectorstores import FAISS
from langchain_openai import OpenAIEmbeddings, ChatOpenAI
from langchain.chains import RetrievalQA
from langchain.prompts import PromptTemplate
# --- 技術要素の解説 ---
# Streamlit: 簡単なWeb UIを構築するためのフレームワーク
# PyPDFLoader: PDFファイルを読み込むためのローダー
# CharacterTextSplitter: テキストを指定したサイズに分割するクラス
# OpenAIEmbeddings: テキストをベクトルに変換するためのOpenAIのモデル
# FAISS: ベクトルを高速に検索するためのライブラリ
# RetrievalQA: 検索と質問応答を組み合わせるためのチェーン
def main():
load_dotenv()
st.set_page_config(page_title="自社データ対応AIチャットボット", page_icon=":robot_face:")
st.header("自社データ対応AIチャットボット :robot_face:")
if "conversation" not in st.session_state:
st.session_state.conversation = None
if "chat_history" not in st.session_state:
st.session_state.chat_history = []
with st.sidebar:
st.subheader("ナレッジファイル")
uploaded_files = st.file_uploader("PDFやテキストファイルをアップロードしてください", accept_multiple_files=True)
if st.button("ナレッジを構築"):
with st.spinner("ナレッジベースを構築中..."):
# 1. ドキュメントの読み込みと分割
raw_text = get_document_text(uploaded_files)
text_chunks = get_text_chunks(raw_text)
# 2. ベクトルストアの構築
vectorstore = get_vectorstore(text_chunks)
st.session_state.conversation = get_conversation_chain(vectorstore)
st.success("ナレッジの構築が完了しました！")
user_question = st.text_input("質問を入力してください:")
if user_question:
handle_userinput(user_question)
for i, message in enumerate(st.session_state.chat_history):
if i % 2 == 0:
st.write(f"**あなた:** {message}")
else:
st.write(f"**AI:** {message}")
def get_document_text(uploaded_files):
text = ""
for uploaded_file in uploaded_files:
if uploaded_file.name.endswith('.pdf'):
pdf_reader = PyPDFLoader(uploaded_file)
pages = pdf_reader.load_and_split()
for page in pages:
text += page.page_content
elif uploaded_file.name.endswith('.txt'):
text += uploaded_file.getvalue().decode("utf-8")
return text
def get_text_chunks(text):
text_splitter = CharacterTextSplitter(
separator="\n",
chunk_size=1000,
chunk_overlap=200,
length_function=len
)
chunks = text_splitter.split_text(text)
return chunks
def get_vectorstore(text_chunks):
embeddings = OpenAIEmbeddings()
vectorstore = FAISS.from_texts(texts=text_chunks, embedding=embeddings)
return vectorstore
def get_conversation_chain(vectorstore):
llm = ChatOpenAI(temperature=0.7)
prompt_template = """
    以下の参考情報のみを使用して、質問に答えてください。
    参考情報に答えがない場合は、「分かりません」と答えてください。
    参考情報:
    {context}
    質問: {question}
    回答:
    """
PROMPT = PromptTemplate(
template=prompt_template, input_variables=["context", "question"]
)
conversation_chain = RetrievalQA.from_chain_type(
llm=llm,
chain_type="stuff",
retriever=vectorstore.as_retriever(),
chain_type_kwargs={"prompt": PROMPT}
)
return conversation_chain
def handle_userinput(user_question):
if st.session_state.conversation:
response = st.session_state.conversation({'query': user_question})
st.session_state.chat_history.append(user_question)
st.session_state.chat_history.append(response['result'])
else:
st.warning("先にナレッジファイルをアップロードして、ナレッジを構築してください。")
if __name__ == '__main__':
main()