Fix: Se añaden requerimientos

.streamlit/config.toml

@@ -1,5 +1,5 @@
 [theme]
-base = "dark"
+base="dark"
-backgroundColor = "#0d2669"
+backgroundColor="#3f51b5"
-secondaryBackgroundColor = "#050550"
+secondaryBackgroundColor="#2b2b4e"
-font = "monospace"
+font="monospace"

app.py

@@ -1,43 +1,40 @@
+# import os
+# from dotenv import load_dotenv
+# from langchain_community.chat_models import ChatOpenAI
 import streamlit as st
-import os
+from chats.streamlit_tools import import_file  # ,clear_cache
-from dotenv import load_dotenv
-from langchain_community.chat_models import ChatOpenAI
-from chats.streamlit_tools import import_file, clear_cache
 from streamlit_extras.add_vertical_space import add_vertical_space
 from langchain_tools.pdf_tools import PdfLangChain
 from langchain_tools.lc_tools import LangChainTools
+from chats.chat_tools import MessageManager
 
 
 # App title
-st.set_page_config(page_title="Snowflake Arctic")
+st.set_page_config(page_title="LLMOneClusterTeam")
 
 # sidebar
 with st.sidebar:
-
     # Cargar el logo (asegúrate de que el archivo de imagen esté en la misma carpeta que tu script)
     logo_path = "documents/Logo azulblanco.png"
-    # Ajusta el ancho según sea necesario
     logo = st.sidebar.image(logo_path, width=200)
 
-    add_vertical_space(18)
+    # Ajusta el ancho según sea necesario
-    pdf_name = import_file()
+    add_vertical_space(28)
+    # pdf_name = import_file()
+    st.markdown("Built by [OneCluster](https://www.onecluster.org/).")
 
-    # Crea un botón en Streamlit que llama a la función clear_cache() cuando se presiona
+
-    if st.button('Eliminar caché'):
+col1, col2 = st.columns([1.1, 1])
-        clear_cache()
+with col1:
-    if st.button('Reiniciar'):
+    st.title(
-        st.experimental_rerun()
+        "DocumentAssist",
-    st.markdown(
-        "Built by [OneCluster](https://www.onecluster.org/)."
     )
+with col2:
+    logo_2 = st.image("documents/pdfs/logo_1-removebg-preview.png", width=110)
 
-st.title('💬📄 LLM CHat APP')
+pdf_name = import_file()
-
-
 if pdf_name:
-
     with st.spinner("Processing the document..."):
-
         # Inicializamos la clase PdfLangChain
         pdfLangChain = PdfLangChain(pdf_name)
         pdf_name = pdfLangChain.file_name
@@ -54,21 +51,22 @@ if pdf_name:
         # Cargamos el modelo de embeddings
         embedding_model = langChainTools.load_embedding_opnai()
 
+        # Cargamos el modelo de embeddings
+        # embedding_model = langChainTools.load_embedding_hf()
+
         # Creamos el vector store
         docstorage = langChainTools.create_vector_strore(
-            docs_split,
+            docs_split, pdf_name, embedding_model
-            pdf_name,
+        )
-            embedding_model)
 
     # Cargamos el modelo LLM desde LangChain
-    llm = langChainTools.load_llm_openai()
+    llm = langChainTools.load_llm_open_source()
 
     # Creamos la cadena que integra Vectorstroe, el LLM para hacer consultas.
     # Para este caso la cadena tene el parametro de memoria.
     qa = langChainTools.define_retrieval_qa_memory(
-        llm, docstorage,
+        llm, docstorage, pdf_name, embedding_model
-        pdf_name,
+    )
-        embedding_model)
 
     # Store conversation history
     if "messages" not in st.session_state.keys():
@@ -94,7 +92,7 @@ if pdf_name:
 
     st.sidebar.button("Clear chat history", on_click=clear_chat_history)
 
-    @ st.cache_resource
+    @st.cache_resource
     def get_num_tokens(prompt):
         """Get the number of tokens in a given prompt"""
         return len(prompt.split())
@@ -110,23 +108,28 @@ if pdf_name:
         # Generate a new response if last message is not from assistant
         if st.session_state.messages[-1]["role"] != "assistant":
             with st.spinner("Thinking..."):
-
                 # Creamos la cadena que integra Vectorstroe, el LLM para hacer consultas.
                 # Para este caso la cadena tene el parametro de memoria.
                 qa = langChainTools.define_retrieval_qa_memory(
-                    llm, docstorage,
+                    llm, docstorage, pdf_name, embedding_model
-                    pdf_name,
+                )
-                    embedding_model)
 
-                input = "\n".join([msg["content"]
+                input = "\n".join([msg["content"] for msg in st.session_state.messages])
-                                   for msg in st.session_state.messages])
 
-                query = qa.invoke({"question": f"{input}"},
+                query = qa.invoke({"question": f"{prompt}"}, return_only_outputs=True)
-                                  return_only_outputs=True)
 
-                response = query["answer"]
+                response_text = query["answer"]
+                documents_source = query["source_documents"]
+
+                messageManager = MessageManager()
+
+                citation: str = messageManager.generate_citations(documents_source)
+                # st.markdown(citation)
 
             with st.chat_message("assistant"):
-                st.write(response)
+                st.write(response_text)
                 st.session_state.messages.append(
-                    {"role": "assistant", "content": response})
+                    {"role": "assistant", "content": response_text}
+                )
+                expander = st.expander("Fuentes")
+                expander.markdown(citation)

app_2.py

@@ -0,0 +1,134 @@
+# import os
+# from dotenv import load_dotenv
+# from langchain_community.chat_models import ChatOpenAI
+import streamlit as st
+from chats.streamlit_tools import import_file  # ,clear_cache
+from streamlit_extras.add_vertical_space import add_vertical_space
+from langchain_tools.pdf_tools import PdfLangChain
+from langchain_tools.lc_tools import LangChainTools
+from chats.chat_tools import MessageManager
+from langchain_community.llms import HuggingFaceEndpoint
+
+
+# App title
+st.set_page_config(page_title="LLMOneClusterTeam")
+
+# sidebar
+with st.sidebar:
+    # Cargar el logo (asegúrate de que el archivo de imagen esté en la misma carpeta que tu script)
+    logo_path = "documents/Logo azulblanco.png"
+    logo = st.sidebar.image(logo_path, width=200)
+
+    # Ajusta el ancho según sea necesario
+    add_vertical_space(28)
+    # pdf_name = import_file()
+    st.markdown("Built by [OneCluster](https://www.onecluster.org/).")
+
+
+col1, col2 = st.columns([1.1, 1])
+with col1:
+    st.title(
+        "DocumentAssist",
+    )
+with col2:
+    logo_2 = st.image("documents/pdfs/logo_1-removebg-preview.png", width=110)
+
+pdf_name = import_file()
+if pdf_name:
+    with st.spinner("Processing the document..."):
+        # Inicializamos la clase PdfLangChain
+        pdfLangChain = PdfLangChain(pdf_name)
+        pdf_name = pdfLangChain.file_name
+
+        # Cargamos el documento PDF
+        docs: list = pdfLangChain.load_pdf()
+
+        # Dividimos los documentos en partes mas pequenas
+        docs_split: list = pdfLangChain.split_docs(docs)
+
+        # Instanciamos la clase LangChainTools que contiene herramientras LangChain
+        langChainTools = LangChainTools()
+
+        # Cargamos el modelo de embeddings
+        embedding_model = langChainTools.load_embedding_opnai()
+
+        # Creamos el vector store
+        docstorage = langChainTools.create_vector_strore(
+            docs_split, pdf_name, embedding_model
+        )
+
+    # Cargamos el modelo LLM desde LangChain
+    llm = langChainTools.load_llm_open_source()
+
+    # Creamos la cadena que integra Vectorstroe, el LLM para hacer consultas.
+    # Para este caso la cadena tene el parametro de memoria.
+    qa = langChainTools.define_retrieval_qa_memory(
+        llm, docstorage, pdf_name, embedding_model
+    )
+
+    # Store conversation history
+    if "messages" not in st.session_state.keys():
+        st.session_state.messages = [
+            {
+                "role": "assistant",
+                "content": "Hola, soy una IA con el que puedes chatear con tu PDF. Haz un pregunta al documento.",
+            }
+        ]
+
+    # Display or clear chat messages
+    for message in st.session_state.messages:
+        with st.chat_message(message["role"]):
+            st.write(message["content"])
+
+    def clear_chat_history():
+        st.session_state.messages = [
+            {
+                "role": "assistant",
+                "content": "Hola, soy una IA con el que puedes chatear con tu PDF. Haz un pregunta al documento.",
+            }
+        ]
+
+    st.sidebar.button("Clear chat history", on_click=clear_chat_history)
+
+    @st.cache_resource
+    def get_num_tokens(prompt):
+        """Get the number of tokens in a given prompt"""
+        return len(prompt.split())
+
+    # Function for generating Snowflake Arctic response
+
+    # User-provided prompt
+    if prompt := st.chat_input():
+        st.session_state.messages.append({"role": "user", "content": prompt})
+        with st.chat_message("user"):
+            st.write(prompt)
+
+        # Generate a new response if last message is not from assistant
+        if st.session_state.messages[-1]["role"] != "assistant":
+            with st.spinner("Thinking..."):
+                # Creamos la cadena que integra Vectorstroe, el LLM para hacer consultas.
+                # Para este caso la cadena tene el parametro de memoria.
+                qa = langChainTools.define_retrieval_qa_memory(
+                    llm, docstorage, pdf_name, embedding_model
+                )
+
+                input = "\n".join([msg["content"] for msg in st.session_state.messages])
+
+                query = qa.invoke({"question": f"{prompt}"}, return_only_outputs=True)
+
+                response_text_en = query["answer"]
+                documents_source = query["source_documents"]
+
+                messageManager = MessageManager()
+
+                citation: str = messageManager.generate_citations(documents_source)
+                # st.markdown(citation)
+
+            with st.chat_message("assistant"):
+                st.write(response_text_en)
+                # st.write(translation)
+                st.session_state.messages.append(
+                    {"role": "assistant", "content": response_text_en}
+                )
+                expander = st.expander("Fuentes")
+                expander.markdown(citation)

chats/chat_tools.py

@@ -24,5 +24,17 @@ class MessageManager:
             print(f'{ia_emoticon} ' + Style.BRIGHT + Fore.YELLOW +
                   'IA:' + Style.RESET_ALL + f'{bot_response["answer"]}')
 
-    def generate_citations(self):
+    def generate_citations(self, documents_source: list) -> str:
-        pass
+
+        text_source: str = ""
+
+        for index, document in enumerate(documents_source):
+            quote: str = document.page_content
+            source: str = document.metadata['source'].replace(
+                'documents/pdfs/', '')
+            page: str = document.metadata['page'] + 1
+            fuente: str = f"**Fuente #{index + 1}:** \n '{quote}'\n(*{source}, P.{page})*"
+
+            text_source += fuente + "\n\n\n"
+
+        return text_source

langchain_tools/lc_tools.py

@@ -7,12 +7,12 @@ from langchain.memory.buffer import ConversationBufferMemory
 import os
 import streamlit as st
 from dotenv import load_dotenv
-from langchain.chains import (
+from langchain.chains import RetrievalQAWithSourcesChain, ConversationalRetrievalChain
-    RetrievalQAWithSourcesChain,
+from langchain_community.llms import HuggingFaceEndpoint
-    ConversationalRetrievalChain)
+from langchain_community.embeddings import HuggingFaceEmbeddings
 
 
-class LangChainTools():
+class LangChainTools:
     """
     Esta clase maneja algunas herramientas integraciones con las que
     cuenta LangChain.
@@ -27,15 +27,38 @@ class LangChainTools():
 
         # Cargamos la variable que contiene la api_key de OpenAI
         load_dotenv()
-        openai_api_key = os.getenv('api_key')
+        openai_api_key = os.getenv("api_key")
         # Define an OpenAI embeddings model
         self.embedding_model = OpenAIEmbeddings(openai_api_key=openai_api_key)
         # st.success('El modelo de embeddins de OpneAI se ha cargado')
 
         return self.embedding_model
 
+    def load_embedding_hf(self):
+        """Esta funcion carga un modelo de embedding de OpenAI
+
+        Returns:
+            _type_: Retorno a un objetito de tipo embedding de OpenAI
+        """
+
+        huggingfacehub_api_token = "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"
+
+        model_name = "sentence-transformers/all-mpnet-base-v2"
+        model_kwargs = {"device": "cpu"}
+        encode_kwargs = {"normalize_embeddings": False}
+
+        self.embedding_model = HuggingFaceEmbeddings(
+            model_name=model_name,
+            model_kwargs=model_kwargs,
+            encode_kwargs=encode_kwargs,
+        )
+
+        return self.embedding_model
+
     @st.cache_resource
-    def create_vector_strore(_self, _docs_split: list, _file_name: str, _embedding_model):
+    def create_vector_strore(
+        _self, _docs_split: list, _file_name: str, _embedding_model
+    ):
         """Esta funcion construye un vector store a partir de un documento
 
         Args:
@@ -43,7 +66,7 @@ class LangChainTools():
             _file_name (str): Nombre del documento
         """
 
-        db_name = _file_name.replace('.pdf', '').replace(' ', '_').lower()
+        db_name = _file_name.replace(".pdf", "").replace(" ", "_").lower()
 
         # Cargamos el modelo de embeddings
         # _embedding_model = self._embedding_model
@@ -53,13 +76,14 @@ class LangChainTools():
 
         if os.path.exists(persist_directory):
             vectordb = Chroma(
-                persist_directory=persist_directory,
+                persist_directory=persist_directory, embedding_function=_embedding_model
-                embedding_function=_embedding_model)
+            )
         else:
             vectordb = Chroma.from_documents(
                 persist_directory=persist_directory,
                 documents=_docs_split,
-                embedding=_embedding_model)
+                embedding=_embedding_model,
+            )
 
             vectordb.persist()
 
@@ -74,36 +98,64 @@ class LangChainTools():
 
         # Cargamos la variable que contiene la api_key de OpenAI
         load_dotenv()
-        openai_api_key = os.getenv('api_key')
+        openai_api_key = os.getenv("api_key")
 
         temperature = 0.5
-        llm_openai = ChatOpenAI(model_name="gpt-3.5-turbo",
+        llm_openai = ChatOpenAI(
-                                temperature=temperature,
+            model_name="gpt-3.5-turbo",
-                                openai_api_key=openai_api_key,
+            temperature=temperature,
-                                max_tokens=1000)
+            openai_api_key=openai_api_key,
+            max_tokens=1000,
+        )
 
         return llm_openai
 
+    def load_llm_open_source(self):
+        """Esta funcion carga un modelo de LLM OpenSource desde HuggingFace
+
+        Returns:
+            _type_: Retorno a un objetito de tipo LLM de OpenAI
+        """
+        # model_huggingface = "google/gemma-1.1-7b-it"  # Es buena y funciona en espanol
+        # model_huggingface = (
+        #     "google/gemma-1.1-2b-it"  # Es buena y funciona en espanol funciona rapido
+        # )
+        # model_huggingface = "tiiuae/falcon-7b-instruct"
+        # model_huggingface = "mistralai/Mistral-7B-Instruct-v0.2"
+        # model_huggingface = 'mistralai/Mixtral-8x7B-Instruct-v0.1'
+        huggingfacehub_api_token = "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"
+
+        model_huggingface = "mistralai/Mixtral-8x7B-Instruct-v0.1"  # Es buena y funciona en espanol funciona rapido
+
+        # Define the LLM
+        llm = HuggingFaceEndpoint(
+            repo_id=model_huggingface,
+            huggingfacehub_api_token=huggingfacehub_api_token,
+            temperature=0.1,
+            max_new_tokens=1000,
+        )
+
+        return llm
+
     def load_prompt_template(self):
         """Esta funcion construye un prompt template de lanfchain.
 
         Returns:
             _type_: Retorno a un prompt template de LangChain.
         """
-        template = """Responde a la siguiente pregunta utilizando los documentos proporcionados y citando las fuentes relevantes entre corchetes []:
+        template = """Responde en español la siguiente pregunta utilizando los documentos proporcionados y citando las fuentes relevantes entre corchetes []:
 
         Pregunta: {question}
 
         Respuesta:"""
 
         prompt_template = PromptTemplate(
-            template=template, input_variables=["question"])
+            template=template, input_variables=["question"]
+        )
 
         return prompt_template
 
-    def define_retrieval_qa(
+    def define_retrieval_qa(self, _llm, _vectordb, _file_name, _embedding_model):
-        self, _llm, _vectordb, _file_name, _embedding_model
-    ):
         """Esta función integra un LLM y una base de datos vectorial en una
         chain de LangChain para hacer requerimientos. Este modelo no integra memoria.
 
@@ -120,14 +172,14 @@ class LangChainTools():
             y la BDV.
         """
 
-        db_name = _file_name.replace('.pdf', '').replace(' ', '_').lower()
+        db_name = _file_name.replace(".pdf", "").replace(" ", "_").lower()
 
         # Verificamos si existe la vector strore
         persist_directory = f"embeddings/{db_name}"
 
         _vectordb = Chroma(
-            persist_directory=persist_directory,
+            persist_directory=persist_directory, embedding_function=_embedding_model
-            embedding_function=_embedding_model)
+        )
 
         # Define the Retrieval QA Chain to integrate the database and LLM
         qa = RetrievalQAWithSourcesChain.from_chain_type(
@@ -161,25 +213,44 @@ class LangChainTools():
             y la BDV.
         """
 
-        db_name = _file_name.replace('.pdf', '').replace(' ', '_').lower()
+        db_name = _file_name.replace(".pdf", "").replace(" ", "_").lower()
 
         # Verificamos si existe la vector strore
         persist_directory = f"embeddings/{db_name}"
 
         _vectordb = Chroma(
-            persist_directory=persist_directory,
+            persist_directory=persist_directory, embedding_function=_embedding_model
-            embedding_function=_embedding_model)
+        )
 
         # Configura la memoria
         memory = ConversationBufferMemory(
-            memory_key="chat_history", return_messages=True)
+            memory_key="chat_history", return_messages=True, output_key="answer"
+        )
 
         # Define the Retrieval QA Chain to integrate the database and LLM
         conversation = ConversationalRetrievalChain.from_llm(
             _llm,
             retriever=_vectordb.as_retriever(),
             memory=memory,
-            verbose=False  # Modo verboso
+            verbose=True,  # Modo verboso
+            return_source_documents=True,  # Devuelve los documentos fuente
         )
 
+        template = """Utiliza los siguientes fragmentos de contexto para responder en español la pregunta al final. Si no sabes la respuesta, simplemente di que no sabes, no intentes inventar una respuesta.
+
+        {context}
+
+        Pregunta: {question}
+        Respuesta:"""
+
+        # template = """Utiliza los siguientes fragmentos de contexto como ejemplo para responder la pregunta al final. Organiza tu respuesta de manera clara y concisa, proporcionando información relevante y evitando divagaciones innecesarias.
+
+        # {context}
+
+        # Pregunta: {question}
+        # Respuesta en español:"""
+
+        conversation.combine_docs_chain.llm_chain.prompt.template = template
+        conversation.question_generator.prompt.template = "Dado el siguiente diálogo y una pregunta de seguimiento, reformula la pregunta de seguimiento para que sea una pregunta independiente, en su idioma original.\n\nHistorial del chat:\n{chat_history}\nPregunta de seguimiento: {question}\nPregunta independiente:"
+
         return conversation

pruebas_open_source.py

@@ -0,0 +1,67 @@
+# from langchain_tools.lc_tools import LangChainTools
+from langchain_community.llms import HuggingFaceEndpoint
+
+
+# Instanciamos la clase LangChainTools que contiene herramientras LangChain
+# langChainTools = LangChainTools()
+
+# model_huggingface = "google/gemma-1.1-7b-it"  # Es buena y funciona en espanol
+# model_huggingface = (
+#    "google/gemma-1.1-2b-it"  # Es buena y funciona en espanol funciona rapido
+# )
+# model_huggingface = 'tiiuae/falcon-7b-instruct'
+model_huggingface = "mistralai/Mistral-7B-Instruct-v0.2"
+huggingfacehub_api_token = "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"
+
+# model_huggingface = "mistralai/Mixtral-8x22B-Instruct-v0.1"  # Es buena y funciona en espanol funciona rapido
+
+# Define the LLM
+llm = HuggingFaceEndpoint(
+    repo_id=model_huggingface,
+    huggingfacehub_api_token=huggingfacehub_api_token,
+    temperature=0.5,
+    max_new_tokens=500,
+)  # Cargamos el modelo LLM desde LangChainllm llm = langChainTools.load_llm_open_source()
+# respuesta = llm.invoke("Cual es el sentido de la vida?")
+
+# print(respuesta)
+
+import streamlit as st
+from chats.streamlit_tools import import_file  # ,clear_cache
+from streamlit_extras.add_vertical_space import add_vertical_space
+from langchain_tools.pdf_tools import PdfLangChain
+from langchain_tools.lc_tools import LangChainTools
+from chats.chat_tools import MessageManager
+
+
+pdf_name = "1.TC_Malamud, Se está muriendo la democracia.pdf"
+pdfLangChain = PdfLangChain(pdf_name)
+
+# Cargamos el documento PDF
+docs: list = pdfLangChain.load_pdf()
+
+# Dividimos los documentos en partes mas pequenas
+docs_split: list = pdfLangChain.split_docs(docs)
+
+# Instanciamos la clase LangChainTools que contiene herramientras LangChain
+langChainTools = LangChainTools()
+
+# Cargamos el modelo de embeddings
+# embedding_model = langChainTools.load_embedding_opnai()
+
+# Cargamos el modelo de embeddings
+embedding_model = langChainTools.load_embedding_hf()
+
+# Creamos el vector store
+docstorage = langChainTools.create_vector_strore(docs_split, pdf_name, embedding_model)
+
+# Cargamos el modelo LLM desde LangChain
+llm = langChainTools.load_llm_open_source()
+
+# Creamos la cadena que integra Vectorstroe, el LLM para hacer consultas.Para este caso la cadena tene el parametro de memoria.
+qa = langChainTools.define_retrieval_qa_memory(
+    llm, docstorage, pdf_name, embedding_model
+)
+# qa.question_generator.prompt.template = "Dado el siguiente diálogo y una pregunta de seguimiento, reformula la pregunta de seguimiento para que sea una pregunta independiente, en su idioma original.\n\nHistorial del chat:\n{chat_history}\nPregunta de seguimiento: {question}\nPregunta independiente:"
+
+print(qa)

requirements.txt

@@ -1,13 +1,163 @@
+aiohttp==3.9.5
+aiosignal==1.3.1
+altair==5.3.0
+annotated-types==0.6.0
+anyio==4.3.0
+asgiref==3.8.1
+attrs==23.2.0
+backoff==2.2.1
+bcrypt==4.1.2
+beautifulsoup4==4.12.3
+blinker==1.7.0
+build==1.2.1
+cachetools==5.3.3
+certifi==2024.2.2
+charset-normalizer==3.3.2
 chroma-hnswlib==0.7.3
 chromadb==0.5.0
+click==8.1.7
 colorama==0.4.6
 coloredlogs==15.0.1
+contourpy==1.2.1
+cycler==0.12.1
+dataclasses-json==0.6.4
+Deprecated==1.2.14
+distro==1.9.0
+entrypoints==0.4
+Faker==24.14.0
+fastapi==0.110.2
+favicon==0.7.0
+filelock==3.13.4
+flatbuffers==24.3.25
+fonttools==4.51.0
+frozenlist==1.4.1
+fsspec==2024.3.1
+gitdb==4.0.11
+GitPython==3.1.43
+google-auth==2.29.0
+googleapis-common-protos==1.63.0
+greenlet==3.0.3
+grpcio==1.62.2
+h11==0.14.0
+htbuilder==0.6.2
+httpcore==1.0.5
+httptools==0.6.1
+httpx==0.27.0
 huggingface-hub==0.22.2
+humanfriendly==10.0
+idna==3.7
+importlib-metadata==7.0.0
+importlib_resources==6.4.0
+Jinja2==3.1.3
+jsonpatch==1.33
+jsonpointer==2.4
+jsonschema==4.21.1
+jsonschema-specifications==2023.12.1
+kiwisolver==1.4.5
+kubernetes==29.0.0
 langchain==0.1.16
 langchain-community==0.0.34
 langchain-core==0.1.45
 langchain-openai==0.1.3
 langchain-text-splitters==0.0.1
 langsmith==0.1.50
+lxml==5.2.1
+Markdown==3.6
+markdown-it-py==3.0.0
+markdownlit==0.0.7
+MarkupSafe==2.1.5
+marshmallow==3.21.1
+matplotlib==3.8.4
+mdurl==0.1.2
+mmh3==4.1.0
+monotonic==1.6
+more-itertools==10.2.0
+mpmath==1.3.0
+multidict==6.0.5
+mypy-extensions==1.0.0
+numpy==1.26.4
+oauthlib==3.2.2
+onnxruntime==1.17.3
 openai==1.23.5
-
+opentelemetry-api==1.24.0
+opentelemetry-exporter-otlp-proto-common==1.24.0
+opentelemetry-exporter-otlp-proto-grpc==1.24.0
+opentelemetry-instrumentation==0.45b0
+opentelemetry-instrumentation-asgi==0.45b0
+opentelemetry-instrumentation-fastapi==0.45b0
+opentelemetry-proto==1.24.0
+opentelemetry-sdk==1.24.0
+opentelemetry-semantic-conventions==0.45b0
+opentelemetry-util-http==0.45b0
+orjson==3.10.1
+overrides==7.7.0
+packaging==23.2
+pandas==2.2.2
+pillow==10.3.0
+posthog==3.5.0
+prometheus_client==0.20.0
+protobuf==4.25.3
+pyarrow==16.0.0
+pyasn1==0.6.0
+pyasn1_modules==0.4.0
+pydantic==2.7.1
+pydantic_core==2.18.2
+pydeck==0.9.0b1
+Pygments==2.17.2
+pymdown-extensions==10.8
+pyparsing==3.1.2
+pypdf==4.2.0
+PyPika==0.48.9
+pyproject_hooks==1.0.0
+python-dateutil==2.9.0.post0
+python-dotenv==1.0.1
+pytz==2024.1
+PyYAML==6.0.1
+referencing==0.35.0
+regex==2024.4.16
+requests==2.31.0
+requests-oauthlib==2.0.0
+rich==13.7.1
+rpds-py==0.18.0
+rsa==4.9
+shellingham==1.5.4
+six==1.16.0
+smmap==5.0.1
+sniffio==1.3.1
+soupsieve==2.5
+SQLAlchemy==2.0.29
+st-annotated-text==4.0.1
+starlette==0.37.2
+streamlit==1.33.0
+streamlit-camera-input-live==0.2.0
+streamlit-card==1.0.0
+streamlit-embedcode==0.1.2
+streamlit-extras==0.4.2
+streamlit-faker==0.0.3
+streamlit-image-coordinates==0.1.6
+streamlit-keyup==0.2.4
+streamlit-toggle-switch==1.0.2
+streamlit-vertical-slider==2.5.5
+sympy==1.12
+tenacity==8.2.3
+tiktoken==0.6.0
+tokenizers==0.19.1
+toml==0.10.2
+toolz==0.12.1
+tornado==6.4
+tqdm==4.66.2
+typer==0.12.3
+typing-inspect==0.9.0
+typing_extensions==4.11.0
+tzdata==2024.1
+urllib3==2.2.1
+uvicorn==0.29.0
+uvloop==0.19.0
+validators==0.28.1
+watchdog==4.0.0
+watchfiles==0.21.0
+websocket-client==1.8.0
+websockets==12.0
+wrapt==1.16.0
+yarl==1.9.4
+zipp==3.18.1