add minimal fix

Dockerfile

@@ -37,4 +37,4 @@ RUN pip install --no-cache-dir -r /app/requirements.txt
 COPY app /app
 
 # Запуск приложения
-CMD ["python", "main.py"]
+#CMD ["python", "main.py"]

app/main.py

@@ -12,39 +12,45 @@ from config import settings
 
 
 class ChatWithAI:
-    def __init__(self, provider: str = "qwen3"):
-        self.provider = provider
+    def __init__(self, model_name: str):
+        self.model_name = model_name
         self.embeddings = HuggingFaceEmbeddings(
             model_name=settings.LM_MODEL_NAME,
             model_kwargs={"device": "cuda"},
             encode_kwargs={"normalize_embeddings": True},
         )
 
-        if provider == "qwen3":
-            model_name = getattr(settings, "LOCAL_LLM_NAME", "/models/Qwen3-4B")
-            logger.info(f"Загрузка локальной модели: {model_name}")
+        self.chroma_db = Chroma(
+            persist_directory=settings.DOCS_CHROMA_PATH,
+            embedding_function=self.embeddings,
+            collection_name=settings.DOCS_COLLECTION_NAME,
+        )
 
+        self.tokenizer = None
+        self.model = None
+        self.streamer = None
+
+        self.load_model(model_name)
+
+    def load_model(self, model_name: str):
+        """Загружает модель и токенизатор, освобождает предыдущие ресурсы."""
+        if hasattr(self, "model") and self.model is not None:
+            del self.model
+            torch.cuda.empty_cache()
+            logger.info("Предыдущая модель удалена.")
+
+        logger.info(f"Загрузка модели: {model_name}")
+        try:
             self.tokenizer = AutoTokenizer.from_pretrained(model_name)
             self.model = AutoModelForCausalLM.from_pretrained(
                 model_name,
                 torch_dtype=torch.float32,
                 device_map="cuda",
             )
-
-            # Streamer для потоковой генерации
-            self.streamer = TextIteratorStreamer(
-                self.tokenizer,
-                skip_prompt=True,
-                skip_special_tokens=True
-            )
-        else:
-            raise ValueError(f"Неподдерживаемый провайдер: {provider}")
-
-        self.chroma_db = Chroma(
-            persist_directory=settings.DOCS_CHROMA_PATH,
-            embedding_function=self.embeddings,
-            collection_name=settings.DOCS_COLLECTION_NAME,
-        )
+            logger.info(f"Модель {model_name} успешно загружена.")
+        except Exception as e:
+            logger.error(f"Ошибка при загрузке модели {model_name}: {e}")
+            raise
 
     def get_relevant_context(self, query: str, k: int = 3) -> List[Dict[str, Any]]:
         """Получение релевантного контекста из базы данных."""
@@ -74,7 +80,6 @@ class ChatWithAI:
     def generate_response_stream(self, query: str):
         """Генерация ответа с потоковой передачей токенов."""
         try:
-            logger.info(f"Пользовательский запрос: {query}")
             context = self.get_relevant_context(query)
             if not context:
                 yield "Извините, не удалось найти релевантный контекст для ответа."
@@ -85,7 +90,7 @@ class ChatWithAI:
             messages = [
                 {
                     "role": "system",
-                    "content": """Ты — внутренний менеджер компании Mazban. Отвечаешь по делу без лишних вступлений.
+                    "content": """Ты — внутренний менеджер компании Amvera Cloud. Отвечаешь по делу без лишних вступлений.
 
 Правила:
 1. Сразу переходи к сути, без фраз типа "На основе контекста"
@@ -118,13 +123,14 @@ class ChatWithAI:
             # Подготавливаем вход
             inputs = self.tokenizer(prompt, return_tensors="pt").to("cuda")
 
-            # Очищаем streamer и запускаем генерацию в отдельном потоке
+            # Создаём новый streamer
             self.streamer = TextIteratorStreamer(
                 self.tokenizer,
                 skip_prompt=True,
                 skip_special_tokens=True
             )
 
+            # Параметры генерации
             generate_kwargs = {
                 "input_ids": inputs["input_ids"],
                 "max_new_tokens": 512,
@@ -135,6 +141,7 @@ class ChatWithAI:
                 "streamer": self.streamer,
             }
 
+            # Запускаем генерацию в отдельном потоке
             thread = threading.Thread(target=self.model.generate, kwargs=generate_kwargs)
             thread.start()
 
@@ -142,32 +149,100 @@ class ChatWithAI:
             buffer = ""
             for token in self.streamer:
                 buffer += token
-                yield buffer  # Отправляем частичный ответ
+                yield buffer
 
         except Exception as e:
             logger.error(f"Ошибка при генерации ответа: {e}")
             yield "Произошла ошибка при генерации ответа."
 
 
-# === Gradio интерфейс ===
+# === Gradio интерфейс с выбором модели ===
 def main():
-    chat = ChatWithAI(provider="qwen3")
+    # Список доступных моделей (можно вынести в settings)
+    MODEL_OPTIONS = {
+        "Qwen3-4B (локальная)": getattr(settings, "LOCAL_LLM_NAME", "/models/Qwen3-4B"),
+        "Alibaba/Qwen2.5-1.8B-Chat": "Alibaba/Qwen2.5-1.8B-Chat",
+        "HuggingFaceH4/zephyr-7b-beta": "HuggingFaceH4/zephyr-7b-beta",
+        # Добавь другие модели по желанию
+    }
+
+    chat = None  # Будет инициализирована при выборе модели
+
+    def initialize_model(selected_model_key):
+        """Создаёт или перезагружает экземпляр ChatWithAI с выбранной моделью."""
+        nonlocal chat
+        if chat is not None:
+            logger.info(f"Смена модели")
+            # Удаляем экземпляр
+            del chat
+            torch.cuda.empty_cache()
+        
+        model_path = MODEL_OPTIONS[selected_model_key]
+        try:
+            chat = ChatWithAI(model_path)
+            return gr.update(interactive=True, placeholder="Введите свой вопрос..."), \
+                   gr.update(visible=True), \
+                   f"✅ Модель загружена: {selected_model_key}"
+        except Exception as e:
+            logger.error(f"Не удалось загрузить модель {selected_model_key}: {e}")
+            return gr.update(interactive=False), \
+                   gr.update(visible=False), \
+                   f"❌ Ошибка загрузки модели: {str(e)}"
 
     def respond(message, history):
         # Генерируем ответ по частям
         for token in chat.generate_response_stream(message):
             yield token
 
-    demo = gr.ChatInterface(
-        fn=respond,
-        title="Помощник настройки Marzban",
-        description="Задайте вопрос — получите ответ от внутреннего менеджера.",
-        examples=[
-            "Как подключить Marzban?",
-            "Как настроить telegram бота?",
-            "Что такое marzban?"
-        ],
-    )
+    with gr.Blocks(title="Amvera Cloud Assistant") as demo:
+        gr.Markdown("# 🤖 Amvera Cloud Assistant")
+        gr.Markdown("Выберите модель и задайте вопрос — получите ответ с контекстом.")
+
+        with gr.Row():
+            with gr.Column(scale=1):
+                model_dropdown = gr.Dropdown(
+                    choices=list(MODEL_OPTIONS.keys()),
+                    value=list(MODEL_OPTIONS.keys())[0],
+                    label="Выберите модель",
+                    interactive=True
+                )
+                load_button = gr.Button("Загрузить модель", variant="primary")
+                status_text = gr.Textbox(
+                    label="Состояние",
+                    value="Выберите модель и нажмите 'Загрузить модель'",
+                    interactive=False
+                )
+
+            with gr.Column(scale=3):
+                chatbot = gr.Chatbot(
+                    label="Чат",
+                    height=600,
+                    bubble_full_width=False,
+                )
+                msg = gr.Textbox(
+                    label="Сообщение",
+                    placeholder="Введите ваш вопрос...",
+                    interactive=False
+                )
+                clear = gr.Button("Очистить чат")
+
+        # Логика выбора модели
+        load_button.click(
+            initialize_model,
+            inputs=[model_dropdown],
+            outputs=[msg, chatbot, status_text]
+        )
+
+        # Отправка сообщения
+        msg.submit(
+            respond,
+            inputs=[msg, chatbot],
+            outputs=[chatbot]
+        )
+
+        # Очистка чата
+        clear.click(lambda: None, None, chatbot, queue=False)
+
     demo.launch(server_name="0.0.0.0", server_port=8080, share=False)
 
 

docker-compose.yml

@@ -20,7 +20,7 @@ services:
       - ./cache/cache:/root/.cache
       - ./cache/site-packages:/usr/local/lib/python3.10/site-packages
       - ./offline_packages:/offline_packages
-    # entrypoint: sleep 1000000 #./app/entrypoint.sh
+    entrypoint: sleep 1000000 #./app/entrypoint.sh
     ports:
       - "8080:8080"
     networks: