edit respond

app/main.py

@@ -1,8 +1,8 @@
 from typing import Any, Dict, List, Optional, AsyncGenerator
 import gradio as gr
+import uuid
 import torch
 import asyncio
-import threading
 from transformers import AutoTokenizer as HFTokenizer
 from loguru import logger
 from langchain_chroma import Chroma
@@ -36,6 +36,7 @@ class ChatWithAI:
                 max_model_len=32768,
                 enable_prefix_caching=True,
                 tensor_parallel_size=1,  # Увеличь, если у тебя несколько GPU
+                enable_chunked_prefill=False, 
             )
             self.engine = AsyncLLMEngine.from_engine_args(engine_args)
             self.tokenizer = HFTokenizer.from_pretrained(settings.LM_MODEL_NAME, trust_remote_code=True)
@@ -130,7 +131,7 @@ class ChatWithAI:
             buffer = ""
 
             # Генерируем асинхронно
-            request_id = f"request-{hash(query)}"
+            request_id = str(uuid.uuid4())
             try:
                 async for output in self.engine.generate(prompt, sampling_params, request_id):
                     if output.outputs:
@@ -154,27 +155,14 @@ class ChatWithAI:
 def main():
     chat = ChatWithAI(provider="qwen3")
 
-    # Gradio требует синхронную функцию, но мы можем обернуть асинхронный вызов
+    async def respond(message, history):
-    def respond(message, history):
+        # Генерируем ответ по частям
-        # Запускаем асинхронный генератор в синхронном контексте
+        try: 
-        async def async_generate():
             async for token in chat.generate_response_stream(message):
                 yield token
-
+        except Exception as e:
-        # Используем asyncio.new_event_loop() для запуска внутри потока
+            logger.error(f"Ошибка в respond: {e}")
-        loop = asyncio.new_event_loop()
+            yield "Извините, произошла ошибка при обработке запроса."
-        asyncio.set_event_loop(loop)
-
-        try:
-            gen = async_generate()
-            while True:
-                try:
-                    token = loop.run_until_complete(gen.__anext__())
-                    yield token
-                except StopAsyncIteration:
-                    break
-        finally:
-            loop.close()
 
     demo = gr.ChatInterface(
         fn=respond,