介紹
在今天繁忙的工作環境中，快速獲取資訊非常重要。面對這麼多文件，找到所需的資料可能會很困難。PDF問答機器人可以幫助你，特別是當它與Slack這個流行的團隊溝通工具一起使用時。這個機器人讓你可以詢問PDF文件的問題，並獲得即時答案，讓你更容易找到所需的資訊。
Langchain是一個強大的工具，用於建立能理解自然語言的應用程式。透過使用先進的模型，我們可以完成複雜的自然語言處理任務，如文本生成、問題回答和語言翻譯，從而開發出高度互動和智能的應用程式。
ChatGPT非常擅長理解和生成類似人類的文本，這使得它在摘要文本、翻譯語言和情感分析等任務中非常有用。對於我們的PDF問答機器人，ChatGPT將通過在PDF文件中查找相關資訊來回答問題。
通過將這個機器人與Slack整合，用戶可以輕鬆地在Slack頻道中詢問有關他們文件的問題並獲得即時答案，從而簡化工作流程。
在這篇文章中，我們將探索如何建立一個使用ChatGPT從PDF文件中提供答案的Slack機器人。
步驟1：創建一個Slack機器人
第一步是在Slack中設置一個機器人，請遵循我們的部落格文章《使用Python創建Slack機器人》的步驟1到23。
在繼續之前，請確保你遵循部落格的指示。
步驟2：設置接收來自Slack的消息
在設置Slack機器人後，我們需要修改腳本以接收來自Slack伺服器的消息。
請確保你已安裝所有所需的庫：
pip install flask
pip install slackeventsapi
pip install requests
首先，創建一個名為「app.py」的Python文件，並添加所有所需的庫：
import time
import slack
from flask import Flask
from slackeventsapi import SlackEventAdapter
import requests
from flask import Flask, request, jsonify
from slack.errors import SlackApiError
SLACK_TOKEN=””
SIGNING_SECRET=””
app = Flask(__name__)
slack_event_adapter = SlackEventAdapter(SIGNING_SECRET, ‘/slack/events’, app)
client = slack.WebClient(token=SLACK_TOKEN)
將你的Slack機器人令牌替換為<YOUR SLACK TOKEN>，將簽名密鑰替換為<YOUR SIGNING SECRET>。現在，我們需要創建一個路由來接收用戶發送的消息，並創建一個可以處理這些消息的函數。
def message(payload):
# 檢查進來的HTTP請求的資訊
response = request.environ
print(payload)
# 檢查HTTP請求計數
if “HTTP_X_SLACK_RETRY_NUM” not in response:
text=””
# 只有用戶發送的消息才會回應，不包括機器人
event, channel_id, user_id, sentence, file_name, bot_profile, file_url, file_id, block_id, file_size, file_type, subtype = slack_messege(payload)
if bot_profile == None:
# 當機器人加入頻道時的回應
if subtype == ‘channel_join’:
text=””
”’
在每一秒都很重要的世界裡， 不要浪費寶貴的時間在冗長的PDF中篩選。
嗨！ 
我是你的友好問答機器人，隨時準備幫助你解答有關PDF文件的問題。只需上傳你的PDF即可開始，讓我們一起深入細節！ 
迫不及待想要幫助你！ 
”’
# 機器人對用戶的回應
client.chat_postMessage(channel=channel_id,text=text)
# 你可以通過檢測用戶的回應來添加自定義消息
elif sentence == “hi” or sentence == ‘hello’:
text = “嗨！要開始，請提供PDF文件。讓我們開始對話！”
client.chat_postMessage(channel=channel_id,text=text)
if __name__ == “__main__”:
app.run(debug=True)
注意：根據Slack的斜線命令文檔，你需要在3000毫秒（3秒）內回應。如果你的命令花費的時間更長，則會出現超時錯誤，然後Slack伺服器會對相同的查詢發出另一個請求。
為了解決這個問題，請確保所有代碼都寫在「if “HTTP_X_SLACK_RETRY_NUM” not in response」條件內。這裡「response = request.environ」用於HTTP請求計數。
確保所有條件都放在「bot_profile == None」區塊內。否則，如果使用了「else」條件，機器人可能會對單個用戶請求無限回應。
在添加「slack_messege(payload)」函數之前，請不要運行此文件，否則會出現錯誤。
要從「payload」中提取數據，請添加「slack_messege(payload)」函數：
# 從payload中提取數據
file_name=””
bot_profile=””
file_url=””
file_id = ”
block_id = ”
text=””
file_size=””
file_type=””
subtype=””
event = payload.get(‘event’, {})
channel_id = event.get(‘channel’)
user_id = event.get(‘user’)
text = event.get(‘text’)
bot_profile = event.get(‘bot_profile’)
if “subtype” in event:
subtype = event.get(‘subtype’)
if ‘files’ in event:
files = event.get(‘files’,{})
file_name = files[0].get(‘name’)
file_url = files[0].get(‘url_private_download’)
file_id = files[0].get(‘id’)
file_size = files[0].get(‘size’)
file_type = files[0].get(‘mimetype’)
if ‘blocks’ in event:
blocks = event.get(‘blocks’,{})
block_id = blocks[0].get(“block_id”)
return event, channel_id, user_id, text, file_name,bot_profile, file_url, file_id, block_id, file_size, file_type, subtype
當PDF發送到機器人時，你可以檢查終端以查看JSON回應，如下圖所示：
我們需要獲取文件名稱和URL，這些在「slack_messege()」函數中已經提取。
為了檢測機器人何時接收到PDF文件，我們需要添加一個附加條件來檢查該文件。這個條件應該與處理用戶發送的歡迎消息的條件放在一起。
if file_type == “application/pdf”: # 檢查用戶提供的文件是否為PDF
if file_size > 10000000:
text = “請上傳一個小於10MB的文件。”
else:
text = “你的PDF已成功保存！ 
現在你可以問任何問題。讓我們開始吧！ 
“
# 下載PDF
download_pdf(file_url, file_name)
print(“\nuser_id\n”,user_id)
# 函數用於將PDF分塊並添加到chromadb中。
pdf_added_to_database(file_name,user_id)
else:
text = “抱歉，僅支持上傳PDF格式的文件。如果你有PDF文件，請隨時上傳，我將很高興進一步協助你。”
client.chat_postMessage(channel=channel_id,text=text)
else:
if sentence:
# 檢查用戶是否上傳了PDF
document_list=get_all_documents(user_id)
if len(document_list) == 0:
text = “請先上傳PDF，然後我才能幫助你解答問題。“
elif sentence:
# 向ChatGPT發出請求，詢問用戶的問題。
text = ask_question(sentence, user_id)
else:
text = “抱歉，似乎你嘗試上傳的媒體不受支持。請確保你正在嘗試上傳PDF文件，因為僅支持PDF格式的文檔上傳。”
client.chat_postMessage(channel=channel_id,text=text)
如果用戶輸入的任何文本不是「hi」，機器人將不會回應靜態消息，因為為每個可能的輸入提供特定回應是不切實際的。相反，當用戶提出問題時，輸入將由else條件處理，這將觸發「ask_question(sentence, user_id)」函數。
「ask_question(sentence, user_id)」函數向OpenAI發出請求，以從PDF中檢索答案。
這裡「get_all_documents(channel_id)」函數檢查ChromaDB向量數據庫，用戶是否上傳了他們的PDF，如果未上傳，則給他們回應，例如「請先上傳PDF」。別擔心，我們將在接下來的步驟中添加此功能。
我們使用了「pdf_added_to_database(file_name,user_id)」函數，該函數將PDF分塊並將這些分塊存儲在ChromaDB中，別擔心，我們將在接下來的步驟中添加此功能。
在對PDF進行分塊之前，我們需要下載PDF，為此我們使用了「download_pdf(file_url, file_name)」函數，請添加此函數以下載PDF文件。
headers = {
‘Authorization’: f’Bearer {SLACK_TOKEN}’
}
response = requests.get(file_url, headers=headers)
if response.status_code == 200:
# 將PDF保存到文件
with open(file_name, ‘wb’) as file:
file.write(response.content)
print(‘下載完成。’)
else:
print(f’下載文件失敗。狀態碼：{response.status_code}’)
步驟3：設置Langchain和OpenAI
為了設置Langchain和OpenAI，首先創建一個新的Python文件，名為「test_pdf_reader.py」
並遵循我們的《使用OpenAI和Langchain的RAG教程》部落格中的步驟1-7。
請確保你已安裝所有所需的庫：
pip install langchain_openai
pip install langchain_community
pip install pysqlite3
現在，我們需要修改主腳本，以自動化將PDF上傳到ChromaDB並進行問答的過程。
首先，添加所有代碼所需的庫：
from langchain_openai import OpenAIEmbeddings
from langchain_community.vectorstores import Chroma
from langchain_openai import ChatOpenAI
from langchain_community.document_loaders import PyPDFLoader
from langchain.chains.question_answering import load_qa_chain
import os
openai_key = ”
model_name = “gpt-4o”
將你的OpenAI密鑰替換為<YOUR-OPENAI-KEY>
我們使用了「gpt-4o」模型來進行嵌入和生成答案，但你也可以使用其他OpenAI模型，如「gpt-3.5-turbo」等。
要嵌入PDF文件，請添加此函數：
os.environ[‘OPENAI_API_KEY’] = openai_key
embeddings_model = OpenAIEmbeddings()
llm = ChatOpenAI(model_name = model_name, openai_api_key = openai_key, max_tokens = 400)
return embeddings_model, llm
對於問答，我們需要添加請求問題到ChatGPT並從PDF中生成答案的函數，因此添加「ask_question(question, chat_id)」函數，這在「app.py」中已經定義。
embeddings_model, llm = get_initialize()
vectordb = Chroma(persist_directory=str(chat_id), embedding_function = embeddings_model)
retriever = vectordb.as_retriever(search_kwargs = {“k” : 3})
chain = load_qa_chain(llm, chain_type=”stuff”)
context = retriever.get_relevant_documents(question)
answer = (chain({“input_documents”: context, “question”: f”你是一個問答機器人。用戶將上傳文件並詢問有關上傳文件的問題，你需要提供答案。如果用戶說謝謝，那麼請回謝謝用戶，並告訴他們在需要任何問題幫助時隨時聯繫我們。如果答案有不完整的句子，則從回應中刪除不完整的句子，並嘗試在前一句中涵蓋它。這是問題：{question}”}, return_only_outputs=True))[‘output_text’]
return answer
接下來，我們需要將PDF數據分塊並添加到ChromaDB中，為此添加此函數：
embeddings_model, llm = get_initialize()
loader = PyPDFLoader(pdf_name, extract_images=False)
pages = loader.load_and_split()
text_splitter = RecursiveCharacterTextSplitter(
chunk_size = 4000,
chunk_overlap = 20,
length_function = len,
add_start_index = True,
)
chunks = text_splitter.split_documents(pages)
__import__(‘pysqlite3’)
db = Chroma.from_documents(chunks, embedding = embeddings_model, persist_directory=str(chat_id))
db.persist()
return “你的PDF已上傳並保存！”
我們需要首先檢查ChromaDB以確保它是否為空，如果ChromaDB為空，則給出回應，請先上傳PDF。為此，我們需要添加此函數：
documents = []
documents_set = set()
db = Chroma(persist_directory=str(chat_id))
metadata = db.get()[“metadatas”]
for index,data in enumerate(metadata):
documents_set.add(data[“source”])
print(“documentset”,documents_set)
for doc in documents_set:
documents.append({
“type”: “button”,
“text”: {
“type”: “plain_text”,
“text”: doc
},
“style”: “primary”,
“action_id”: doc
},)
return documents
為了確保所有函數在運行「app.py」文件之前可用，請在「app.py」文件的開頭添加以下行，該行繼承了來自「test_pdf_reader」的所有所需函數。
在終端運行Ngrok：ngrok http 5000
步驟4：測試Slack機器人
在這篇文章中，我們使用了一篇PDF格式的研究論文來進行問答（Q&A）任務。該研究論文的標題為「Google Gemini作為下一代AI教育工具：新興教育技術的回顧」，可以通過以下鏈接訪問。你可以從那裡下載PDF。
https://slejournal.springeropen.com/articles/10.1186/s40561-024-00310-z
當我們添加PDF並根據其內容提出問題時，我們得到了這樣的結果：
結論：
創建一個用於Slack的PDF問答機器人，使用Langchain和OpenAI可以顯著提高資訊的可獲取性並改善團隊效率。這個機器人將使用戶能夠直接在Slack中查詢PDF文件，提供即時答案，節省寶貴的時間。
本文由 AI 台灣 運用 AI 技術編撰，內容僅供參考，請自行核實相關資訊。
歡迎加入我們的 AI TAIWAN 台灣人工智慧中心 FB 社團，
隨時掌握最新 AI 動態與實用資訊！
