-
Notifications
You must be signed in to change notification settings - Fork 0
Expand file tree
/
Copy pathmain.py
More file actions
934 lines (715 loc) · 39.8 KB
/
main.py
File metadata and controls
934 lines (715 loc) · 39.8 KB
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
909
910
911
912
913
914
915
916
917
918
919
920
921
922
923
924
925
926
927
928
929
930
931
932
933
934
from typing import Dict, List, TypedDict
from fastapi import FastAPI, HTTPException
import time
from threading import Lock
from langgraph.graph import StateGraph
from langchain_ollama import ChatOllama
from langgraph.graph import END
from langchain_core.messages import HumanMessage, SystemMessage
from fastapi.middleware.cors import CORSMiddleware
from langchain_nomic.embeddings import NomicEmbeddings
from langchain_community.vectorstores import FAISS
import json
from langchain_community.tools import DuckDuckGoSearchResults
import operator
from typing_extensions import TypedDict
from typing import List, Annotated
from langchain.schema import Document
### LLM
from langchain_ollama import ChatOllama
from pydantic import BaseModel
local_llm = 'SpeakLeash/bielik-11b-v2.2-instruct-imatrix:Q8_0'
llm_json_mode = ChatOllama(model=local_llm, temperature=0, format='json')
import operator
from typing_extensions import TypedDict
from typing import List, Annotated
class GraphState(TypedDict):
"""
Graph state is a dictionary that contains information we want to propagate to, and modify in, each graph node.
"""
question : str # User question
generation : str # LLM generation
web_search : str # Binary decision to run web search
max_retries : int # Max number of retries for answer generation
answers : int # Number of answers generated
loop_step: Annotated[int, operator.add]
documents : List[str] # List of retrieved documents
explanation: str
from langchain.schema import Document
from langgraph.graph import END
from langchain_core.messages import HumanMessage, SystemMessage
from transformers import AutoModelForSequenceClassification, AutoTokenizer
import torch
info = None
### Nodes
def shorten_description(state):
global info
print("Skracam opis...")
info = "Skracam opis..."
# System
desc_system_prompt = """Jesteś ekspertem w przekształcaniu złożonych sytuacji podatników na zwięzły opis.
W zwięzłym opisie nie używaj potocznych słów.
Jeśli podatnik opisuje KUPNO KILKU RZECZY albo SPRZEDAŻ KILKU RZECZY, czyli porozumienie między dwoma osobami, w którym jedna kupuje kilka rzeczy za pieniądze od drugiej, wtedy skonstruuj zwięzyły opis dla każdej z rzeczy i oddziel je przecinkiem.
Zwróć json z kluczem "short_description" zawierający zwięzły opis.
"""
def get_short_desc_user_prompt(query):
user_prompt_template = """
PYTANIE: Wczoraj kupiłem na giełdzie samochodowej Fiata 126p rok prod. 1975, kolor zielony. Przejechane ma
1000000 km, idzie jak przecinak, nic nie stuka, nic nie puka, dosłownie igła. Zapłaciłem za niego 1000
zł ale jego wartość jest wyższa o 2000 zł i co mam z tym zrobić?
PRZEKSZTAŁCENIE: {"short_description": "kupiłem samochód"}
PYTANIE: wczoraj pożyczyłam od swojej przyjaciółki Katarzyny 20 000 zł na remont mieszkania.
PRZEKSZTAŁCENIE: {"short_description": "pożyczyłam pieniądze"}
PYTANIE: 5 dni temu podpisałem umowę z kolegą według której kupuje od niego materiały budowlane za 10000 zł oraz akcje za 5000zł
PRZEKSZTAŁCENIE: {"short_description": "kupiłem auto, kupiłem materiały budowlane"}
PYTANIE: \"""" + query + "\"\nPRZEKSZTAŁCENIE: "
return user_prompt_template
# Test router
test_web_search = llm_json_mode.invoke([SystemMessage(content=desc_system_prompt)] + [HumanMessage(
content=get_short_desc_user_prompt(state["query"]),
)])
v = json.loads(test_web_search.content)["short_description"]
state["fields"].append({"name": "P_23", "value": v})
return {"short_description": v}
def check_values(state):
desc_system_prompt = """Jesteś ekspertem od decydowania, czy pytanie użytkownika zawiera wszystkie kluczowe informacje. Pytanie zawiera wszystkie kluczowe informacje, jeżeli opisuje przedmiot umowy i ceny/wartości dla każdego z elementów.
Jeśli umowa dotyczy sprzedaży, a użytkownik poda tylko wartość zakupu, dopytaj o wartość rynkową.
Twoim zadaniem jest zwrócić obiekt json z kluczami "explanation" oraz "is_compleet". Explenation ma zawierać bardzo uprzejme uzasadnienie decyzji pisane tak jak do użytkownika, z prośbą o dodanie informacji lub informacją, że wszystko jest dobrze. Is compleet to true jeśli prompt jest kompletny lub false, jeśli nie jest.
Przykłady:
PYTANIE: Kupiłem samochód, jaki podatek powinienem zapłacić?
ODPOWIEDŹ: {"explanation": "Szanowny Panie/Szanowna Pani, proszę o doprecyzowanie, jaka była cena samochodu?", "is_compleet": false}
PYTANIE: Wczoraj kupiłem na giełdzie samochodowej Fiata 126p rok prod. 1975, kolor zielony. Przejechane ma 1000000 km, idzie jak przecinak, nic nie stuka, nic nie puka, dosłownie igła. Zapłaciłem za niego 1000 zł ale jego wartość jest wyższa o 2000 zł i co mam z tym zrobić ?
ODPOWIEDŹ: {"explanation": "Dziękuję, informacje są kompletne", "is_compleet": true}
"""
# Test router
test_web_search = llm_json_mode.invoke([SystemMessage(content=desc_system_prompt)] + [HumanMessage(
content=state["query"],
)])
return {"is_compleet": json.loads(test_web_search.content)["is_compleet"], "explanation": json.loads(test_web_search.content)["explanation"] + " Proszę o ponowne wprowadzenie całego polecenia, wraz z uzupełnionymi danymi."}
def check_values_decide(state):
if state["is_compleet"]:
return "CON"
return "END"
def get_value(state):
global info
print("Analizuję kwotę czynności...")
info = "Analizuję kwotę czynności..."
### Rate from prompt
# System
rate_system_prompt = """Jesteś ekspertem w rozumieniu czynności prawnej podatnika i wyodrębnianiu wartości tej czynności.
Jako odpowiedź zwróć obiekt json
Jeżeli sytuacja dotyczy kupna lub sprzedaży KILKU RZECZY lub SPRZEDAZY KILKU RZECZY, pierwszym kluczem jest klucz "chain_of_thought" - opis obliczeń krok po kroku, które prowadzą do zsumowania wartości wszystkich rzeczy, a drugim kluczem jest "rate" - pojedyncza liczba, wynik sumowania.
Jeżeli sytuacja dotyczy kupna lub sprzedaży DOKŁADNIE JEDNEJ rzeczy, pierwszym i jedynym kluczem jest "rate" - pojedyncza liczba, stawka znajdująca się w dostarczonej rozmowie podatnikiem.
Jeżeli sytuacja wymaga przeprowadzenia obliczeń do uzyskania konkretnej wartości, pierwszym kluczem jest klucz "chain_of_thought" - opis obliczeń krok po kroku, które prowadzą do obliczenia wartości, a drugim kluczem jest "rate" - pojedyncza liczba, wynik obliczeń.
Nie odpowiadaj na pytanie użytkownika, w szczególności nie obliczaj podatku, tylko wyodrębnij wartość czynności.
UWAGA:
Kiedy masz doczynienia z przekazaniem kredytu wzamian za rzecz lub, wartość czynności = wartość rzeczy - wartość kredytu, lub 0 zł jeśli wartość kredytu jest większa.
Kiedy masz doczynienia z zamianą rzeczy za rzecz wartość czynności = abs(wartość rzeczy 1 - wartość rzeczy 2)
"""
def get_rate_user_prompt(query):
user_prompt_template = """
PYTANIE: Wczoraj kupiłem na giełdzie samochodowej Fiata 126p rok prod. 1975, kolor zielony. Przejechane ma
1000000 km, idzie jak przecinak, nic nie stuka, nic nie puka, dosłownie igła. Zapłaciłem za niego 1000
zł ale jego wartość jest wyższa o 2000 zł i co mam z tym zrobić?
PRZEKSZTAŁCENIE: {"chain_of_thought": "Aby obliczyć końcową wartość samochodu, musimy wziąć pod uwagę wartość, którą za niego zapłaciłeś oraz dodatkową wartość, która podnosi jego cenę. Zaczynamy krok po kroku: 1. Cena zakupu samochodu: To kwota, którą faktycznie zapłaciłeś za samochód, czyli 1000 zł. 2. Dodatkowa wartość: Wiemy, że wartość samochodu jest wyższa o 2000 zł niż cena, którą zapłaciłeś. Oznacza to, że wartość samochodu powinna wzrosnąć o tę kwotę. 3. Końcowa wartość samochodu: Aby obliczyć końcową wartość, musimy dodać cenę zakupu do tej dodatkowej wartości: końcowa wartość = cena zakupu + dodatkowa wartość Końcowa wartość = 1000 zł + 2000 zł Końcowa wartość samochodu to 1000 zł + 2000 zł = 3000 zł.", "rate": 3000}
PYTANIE: wczoraj pożyczyłam od swojej przyjaciółki Katarzyny 20 000 zł na remont mieszkania.
PRZEKSZTAŁCENIE: {"rate": 20000}
PYTANIE: 5 dni temu podpisałem umowę z kolegą według której kupuje od niego materiały budowlane za 10000 zł oraz akcje za 5000zł
PRZEKSZTAŁCENIE: {"chain_of_thought": "Aby obliczyć końcową wartość transakcji, musimy dodać wartość wszystkich zakupionych przedmiotów. 1. Wartość materiałów budowlanych wynosi 10000 zł. 2. Wartość akcji wynosi 5000 zł. 3. Wartość mleka: masz 50 kartonów, a każdy kosztuje 10 zł, więc 50 * 10 zł = 500 zł. 4. Teraz dodajemy wszystkie kwoty: 10000 zł + 5000 zł + 500 zł = 15500 zł. Końcowa wartość transakcji wynosi 15500 zł.", rate: 15500}
PYTANIE: Wczoraj moja kuzynka przekazała mi swój samochód, który ma wartość 40 000 PLN, a w zamian przejęłam jej kredyt na ten samochód w wysokości 20 000 PLN.
PRZEKSZTAŁCENIE: {"chain_of_thought": "Aby obliczyć wartość czynności prawnej, musimy rozważyć zarówno wartość przekazanego samochodu, jak i kwotę przejętego kredytu. Krok po kroku: 1. Wartość samochodu: Samochód ma wartość 40 000 PLN. 2. Kwota kredytu: Kuzynka przekazuje kredyt na samochód o wartości 20 000 PLN. 3. Obliczenie wartości czynności prawnej: Ponieważ następuje wymiana samochodu na kredyt, aby obliczyć całkowitą wartość transakcji, musimy ODJĄĆ wartość samochodu do kwoty kredytu. Wartość czynności prawnej = wartość samochodu - kwota kredytu Wartość czynności prawnej = 40 000 PLN - 20 000 PLN = 20 000 PLN.", rate: 20000}
PYTANIE: \"""" + query + "\"\nPZEKSZTAŁCENIE: "
return user_prompt_template
# Test router
test_web_search = llm_json_mode.invoke([SystemMessage(content=rate_system_prompt)] + [HumanMessage(
content=get_rate_user_prompt(state["query"]),
)])
return {"tax_value": json.loads(test_web_search.content)['rate']}
def get_type(state):
global info
print("Analizuję typ umowy...")
info = "Analizuję typ umowy..."
### Type
# System
type_system_prompt = """Jesteś ekspertem w przypisywaniu rodzaju czynności prawnej do jednej z definicji
Jako wejście przyjmij pytanie lub sytuację podatnika. Jako odpowiedź zwróć obiekt json {'code': kod_definicji} gdzie kod_definicji zastąp faktycznym kodem definicji.
DEFINICJE:
Nazwa definicji: Umowa sprzedaży
Kod definicji: SPR
Definicja: Umowa sprzedaży to umowa między dwiema stronami, w której sprzedawca zgadza się sprzedać rzecz lub prawo majątkowe, a kupujący zobowiązuje się zapłacić za nie ustaloną cenę.
Nazwa definicji: Umowa zamiany
Kod definicji: ZAM
Definicja: Umowa zamiany to umowa, w której obie strony zgadzają się wymienić swoje rzeczy lub prawa majątkowe. Każda strona przekazuje jedną rzecz lub prawo, a w zamian otrzymuje od drugiej strony inną rzecz lub prawo
Nazwa definicji: Umowa pożyczki lub depozytu nieprawidłowego, w tym zwolniona na podstawie art. 9 pkt 10 lit. b ustawy4)
Kod definicji: POZ
Definicja: Umowa pożyczki lub depozytu nieprawidłowego to umowa, w której jedna strona (pożyczkodawca) przekazuje drugiej stronie (pożyczkobiorcy) określoną sumę pieniędzy lub rzeczy tego samego rodzaju, a pożyczkobiorca zobowiązuje się oddać tę samą kwotę pieniędzy lub rzeczy w takiej samej ilości i jakości. W przypadku depozytu nieprawidłowego, przechowawca ma prawo korzystać z przekazanych mu pieniędzy lub rzeczy.
Nazwa definicji: Umowa darowizny w części dotyczącej przejęcia przez obdarowanego długów i ciężarów lub zobowiązań darczyńcy
Kod definicji: DAR
Definicja: Umowa darowizny w części dotyczącej przejęcia przez obdarowanego długów i ciężarów darczyńcy to czynność prawna, w której darczyńca, przekazując obdarowanemu określony przedmiot lub wartość, jednocześnie zobowiązuje go do przejęcia jego długów, ciężarów oraz innych zobowiązań, co oznacza, że obdarowany staje się odpowiedzialny za te zobowiązania, umożliwiając tym samym uregulowanie sytuacji finansowej darczyńcy.
Nazwa definicji: Ustanowienie odpłatnego użytkowania, w tym użytkowania nieprawidłowego
Kod definicji: UZY
Definicja: Użytkowanie to umowa, w której jedna strona (użytkownik) zyskuje prawo do korzystania z cudzej rzeczy lub nieruchomości za wynagrodzeniem, jednocześnie zobowiązując się do przestrzegania ustalonych warunków. W przypadku użytkowania nieprawidłowego, gdy obejmuje ono pieniądze lub inne przedmioty oznaczone tylko co do gatunku, użytkownik staje się ich właścicielem w momencie ich wydania. Po zakończeniu użytkowania jest zobowiązany do zwrotu przedmiotów według przepisów dotyczących zwrotu pożyczki. Niezastosowanie się do warunków umowy może skutkować koniecznością zapłaty odszkodowania lub zwrotu przedmiotu w stanie niezgodnym z umową.
PRZYKŁADY:
PYTANIE: Postanowiłem wczoraj pożyczyć 5,000 zł od Piotra.
PRZEKSZTAŁCENIE: {"code": "POZ"}
PYTANIE: Wczoraj mój przyjaciel przekazał mi swoje mieszkanie warte 100000 PLN, a w zamian przejęłam jego kredyt hipoteczny, który jeszcze spłaca w wysokości 50000
PRZEKSZTAŁCENIE: {"code": "DAR"}
"""
def get_type_user_prompt(query):
user_prompt_template = """
PYTANIE: \"""" + query + "\"\nPZEKSZTAŁCENIE: "
return user_prompt_template
test_web_search = llm_json_mode.invoke([SystemMessage(content=type_system_prompt)] + [HumanMessage(
content=get_type_user_prompt(state["query"]),
)])
return json.loads(test_web_search.content)['code']
def sprzedaz(state):
global info
print("Decyduję o stawce sprzedaży...")
info = "Decyduję o stawce sprzedaży..."
# System
decide_system_prompt = """Jesteś ekspertem od decydowania, czy w danym przypadku umowy sprzedaży lub kupna, sprzedawana jest dokładnie jedna rzecz, czy więcej rzeczy.
Jako odpowiedź zwróć obiekt json z kluczem "is_only_one"
Jeżeli sprzedaż lub kupno dotyczy WIĘCEJ NIŻ jednej rzeczy, zwróć {"is_only_one": false}
Jeżeli sprzedaż lub kupno dotyczy DOKŁADNIE jednej rzeczy, zwróć {"is_only_one": true}"""
def decide_if_only_one():
shorten = state["short_description"]
return llm_json_mode.invoke([SystemMessage(content=decide_system_prompt)] + [HumanMessage(
content=shorten,
)])
return {"is_only_one": json.loads(decide_if_only_one().content)["is_only_one"]}
def sprzedaz_decyzja(state):
if state["is_only_one"]:
return "one"
return "many"
def sprzedaz_many(state):
state["fields"].append({"name": "P_26", "value": state["tax_value"]})
state["fields"].append({"name": "P_27", "value": state["tax_value"] * 0.02})
return {"tax_rate": 0.02}
def sprzedaz_only_one(state):
global info
print("Określam stawkę dla jednego przedmiotu...")
info = "Określam stawkę dla jednego przedmiotu..."
only_one_system_prompts = """
Jesteś ekspertem od określania, jaki % podaktu powinien być dla konkretnej zamiany.
Twoje postępowanie powinno przebiegać następująco:
1) Dla każdej z rzeczy ustal, do której kategorii należy:
0.01 - Podatek PCC w wysokości 0.01 od praw majątkowych (np. praw do domeny internetowej). Prawa majątkowe to prawa, które przysługują osobie w odniesieniu do rzeczy, przedmiotów materialnych lub dóbr niematerialnych, takich jak prawa autorskie czy patenty. Obejmują one m.in. prawo do korzystania z tych dóbr oraz prawo do ich sprzedaży lub wynajmu.
0.02 - Podatek PCC w wysokości 0.02 nieruchomości, takich jak mieszkania, domy czy działki, oraz ruchomości, na przykład samochodów, motocykli i innych wartościowych przedmiotów, gdy ich wartość rynkowa przekracza 1 000 zł.
2) Jeśli obie rzeczy są na stawce 0.01, opodatkowanie zamiany to 0.01. Jeśli obie rzeczy są na stawce 0.02, opodatkowanie zamiany to 0.02. Jeśli rzeczy mają różną stawkę, opodatkowanie wynosi 0.02
Zwróć jsona {'chain_of_thought': ..., 'tax_value': ...}
chain_of_thought to proces decyzyjny, który doprowadził cię do takiej decyzji, a tax_value to ustalona wartość podatku.
"""
def get_tax_value_prompt(query):
user_prompt_template = """
PYTANIE: \"""" + query + "\"\nJSON: "
return user_prompt_template
test_web_search = llm_json_mode.invoke([SystemMessage(content=only_one_system_prompts)] + [HumanMessage(
content=get_tax_value_prompt(state["query"]),
)])
v = json.loads(test_web_search.content)["tax_value"]
if v == 0.01:
state["fields"].append({"name": "P_24", "value": state["tax_value"]})
state["fields"].append({"name": "P_25", "value": state["tax_value"] * 0.01})
if v == 0.02:
state["fields"].append({"name": "P_26", "value": state["tax_value"]})
state["fields"].append({"name": "P_27", "value": state["tax_value"] * 0.02})
return {"tax_rate": json.loads(test_web_search.content)["tax_value"]}
def zamiana(state):
global info
print("Określam stawkę dla zamiany...")
info = "Określam stawkę dla jednego przedmiotu..."
change_system_prompt = """Jesteś ekspertem od określania, jaki podatek powinien być dla konkretnej zamiany.
Twoje postępowanie powinno przebiegać następująco:
1) Dla każdej z rzeczy ustal, do której kategorii należy:
0.01 - Podatek PCC w wysokości 0.01 od praw majątkowych (np. praw do domeny internetowej). Prawa majątkowe to prawa, które przysługują osobie w odniesieniu do rzeczy, przedmiotów materialnych lub dóbr niematerialnych, takich jak prawa autorskie czy patenty. Obejmują one m.in. prawo do korzystania z tych dóbr oraz prawo do ich sprzedaży lub wynajmu.
0.02 - Podatek PCC w wysokości 0.02 nieruchomości, takich jak mieszkania, domy czy działki, oraz ruchomości, na przykład samochodów, motocykli i innych wartościowych przedmiotów, gdy ich wartość rynkowa przekracza 1 000 zł.
2) Jeśli obie rzeczy są na stawce 0.01, opodatkowanie zamiany to 0.01. Jeśli obie rzeczy są na stawce 0.02, opodatkowanie zamiany to 0.02. Jeśli rzeczy mają różną stawkę, opodatkowanie wynosi 0.02
Zwróć jsona {'chain_of_thought': ..., 'tax_value': ...}
Chain of thought to proces decyzyjny, który doprowadził cię do takiej decyzji, a tax_value to ustalona wartość podatku."""
test_web_search = llm_json_mode.invoke([SystemMessage(content=change_system_prompt)] + [HumanMessage(
content="Ania, przekazała mi auto o wartości 5 000 zł, a w zamian przekazałem jej auto o wartości 7 000 zł.",
)])
v = json.loads(test_web_search.content)["tax_value"]
state["fields"].append({"name": "P_28", "value": state["tax_value"]})
state["fields"].append({"name": "P_29", "value": v})
state["fields"].append({"name": "P_30", "value": state["tax_value"] * v})
return {"tax_rate": v}
def darowizna_dlug(state):
state["fields"].append({"name": "P_34", "value": state["tax_value"]})
state["fields"].append({"name": "P_35", "value": 0.02})
state["fields"].append({"name": "P_36", "value": state["tax_value"] * 0.02})
return {"tax_rate": 0.02}
def uzytkowanie(state):
state["fields"].append({"name": "P_37", "value": state["tax_value"]})
state["fields"].append({"name": "P_38", "value": 0.02})
state["fields"].append({"name": "P_39", "value": state["tax_value"] * 0.02})
return {"tax_rate": 0.02}
def pozyczka_fake(state):
global info
print("Poprawiam decyzję dla pożyczki...")
info = "Poprawiam decyzję dla pożyczki..."
mortage_system_prompt = """Jesteś ekspertem od decydowania, czy dana sytuacja jest umową hipoteki, czy umową pożyczki
Umowa hipoteki - jeśli użyto nieruchomości jako zabezpieczenia (obciążono nieruchomość)
Umowa pożyczki - jeśli nie użyto nieruchomości jako zabezpieczenia pożyczki.
Zwróć pojedynczy json {"is_mortgage": true} jeśli umowa jest umową hipoteki lub {"is_mortgage": false} jeśli umowa nie jest umową hipoteki.
Few shot examples:
PYTANIE: Tydzień temu zdecydowałem się wziąć kredyt hipoteczny na 100,000 zł, z zabezpieczeniem na mój dom.
PRZEKSZTAŁCENIE: {"is_mortgage": true}
PYTANIE: Postanowiłem wczoraj pożyczyć 5,000 zł od Piotra.
PRZEKSZTAŁCENIE: {"is_mortgage": false}
"""
def get_is_mortage_prompt(query):
user_prompt_template = """
PYTANIE: \"""" + query + "\"\nPZEKSZTAŁCENIE: "
return user_prompt_template
test_web_search = llm_json_mode.invoke([SystemMessage(content=mortage_system_prompt)] + [HumanMessage(
content=get_is_mortage_prompt(state["query"]),
)])
return {"is_mortgage": json.loads(test_web_search.content)["is_mortgage"]}
def pozyczka_fake_decyzja(state):
if state["is_mortgage"]:
return "hipoteka"
return "pozyczka"
def pozyczka(state):
state["fields"].append({"name": "P_31", "value": state["tax_value"]})
state["fields"].append({"name": "P_32", "value": 0.005})
state["fields"].append({"name": "P_33", "value": 0.005 * state["tax_value"]})
return {"tax_rate": 0.005}
def hipoteka(state):
global info
print("Ustalam stawkę hipoteki...")
info = "Ustalam stawkę hipoteki..."
mortage_known_system_prompt = """Jesteś ekspertem od ustalania, czy podstawa, wartość hipoteki jest znana.
Nie odpowiadaj na pytanie, wyłącznie zwróć pojedynczy json {"is_known": true} jeśli podstawa hipoteki jest znana lub {"is_known": false} jeśli nie jest znana
"""
test_web_search = llm_json_mode.invoke([SystemMessage(content=mortage_known_system_prompt)] + [HumanMessage(
content=state["query"],
)])
return {"is_known": json.loads(test_web_search.content)["is_known"]}
def hipoteka_decyzja(state):
if state["is_known"]:
return "hipoteka_znana"
return "hipoteka_nieznana"
def hipoteka_nieznana(state):
state["fields"].append({"name": "P_42", "value": 19})
state["tax_value"] = 1
return {"tax_rate": 19}
def hipoteka_znana(state):
state["fields"].append({"name": "P_40", "value": state["tax_value"]})
state["fields"].append({"name": "P_41", "value": state["tax_value"] * 0.01})
return {"tax_rate": 0.001}
import operator
from typing_extensions import TypedDict
from typing import TypedDict, List, Dict
from typing import List, Annotated
class GraphState(TypedDict):
"""
Graph state is a dictionary that contains information we want to propagate to, and modify in, each graph node.
"""
tax_rate : float # User question
fields: List[Dict[str, str]]
tax_value: float
is_known: bool
explanation: str
query: str
is_mortgage: bool
is_only_one: bool
type: str
short_description: str
workflow = StateGraph(GraphState)
# Define the nodes
workflow.add_node("shorten_description", shorten_description)
workflow.add_node("get_value", get_value)
workflow.add_node("sprzedaz", sprzedaz)
workflow.add_node("sprzedaz_many", sprzedaz_many)
workflow.add_node("sprzedaz_only_one", sprzedaz_only_one)
workflow.add_node("zamiana", zamiana)
# workflow.add_node("check_values", check_values)
workflow.add_node("darowizna_dlug", darowizna_dlug)
workflow.add_node("uzytkowanie", uzytkowanie)
workflow.add_node("pozyczka_fake", pozyczka_fake)
workflow.add_node("pozyczka", pozyczka)
workflow.add_node("hipoteka", hipoteka)
workflow.add_node("hipoteka_nieznana", hipoteka_nieznana)
workflow.add_node("hipoteka_znana", hipoteka_znana)
workflow.set_entry_point("shorten_description")
workflow.add_edge("shorten_description", "get_value")
workflow.add_edge("shorten_description", "get_value")
workflow.add_conditional_edges(
"get_value",
get_type,
{
"SPR": "sprzedaz",
"ZAM": "zamiana",
"POZ": "pozyczka_fake",
"DAR": "darowizna_dlug",
"UZY": "uzytkowanie",
},
)
workflow.add_conditional_edges(
"sprzedaz",
sprzedaz_decyzja,
{
"one": "sprzedaz_only_one",
"many": "sprzedaz_many",
},
)
workflow.add_conditional_edges(
"pozyczka_fake",
pozyczka_fake_decyzja,
{
"hipoteka": "hipoteka",
"pozyczka": "pozyczka",
},
)
workflow.add_conditional_edges(
"hipoteka",
hipoteka_decyzja,
{
"hipoteka_znana": "hipoteka_znana",
"hipoteka_nieznana": "hipoteka_nieznana",
},
)
workflow.add_edge("zamiana", END)
workflow.add_edge("sprzedaz_only_one", END)
workflow.add_edge("sprzedaz_many", END)
workflow.add_edge("pozyczka", END)
workflow.add_edge("hipoteka_znana", END)
workflow.add_edge("hipoteka_nieznana", END)
workflow.add_edge("darowizna_dlug", END)
workflow.add_edge("uzytkowanie", END)
print("loading model")
local_llm = 'SpeakLeash/bielik-11b-v2.2-instruct-imatrix:Q8_0'
llm_json_mode = ChatOllama(model=local_llm, temperature=0, format="json")
print("model loaded")
app = FastAPI()
lock = Lock()
system_prompt = """
Na podstawie poniższej listy kroków, twoim zadaniem będzie ustalenie, czy pytanie dotyczy podatku PCC-3.
Zwróć jsona postaci {"is_pcc": "pcc"} jeśli pytanie dotyczy PCC-3 lub {"is_pcc": "no"} jeśli pytanie nie dotyczy PCC-3.
Kroki do określenia, czy wiadomość użytkownika dotyczy podatku PCC: 1. Sprawdzenie charakteru czynności: Zidentyfikuj, czy wiadomość opisuje jakąkolwiek czynność cywilnoprawną. Ustal, czy czynność ma charakter prawnym i finansowy (np. sprzedaż, wymiana, darowizna, pożyczka, zabezpieczenia hipoteczne). 2. Analiza przeniesienia własności lub praw majątkowych: Zwróć uwagę, czy wiadomość opisuje przeniesienie własności, takich jak rzeczy ruchome, nieruchomości lub inne prawa majątkowe. Czy transakcja dotyczy odpłatności lub innych korzyści finansowych? 3. Rozpoznanie umowy sprzedaży lub zamiany: Ustal, czy wiadomość odnosi się do sprzedaży (nabycie czegoś za pieniądze). Sprawdź, czy opisuje zamianę rzeczy lub praw (np. „wymiana mieszkania na samochód”). 4. Rozważenie możliwości pożyczki: Sprawdź, czy w wiadomości mowa o pożyczeniu pieniędzy lub innych wartości z obowiązkiem ich zwrotu. Poszukaj sformułowań sugerujących, że użytkownik „otrzymał środki do zwrotu” lub „przekazał środki znajomemu do oddania”. 5. Ocena umowy darowizny: Zwróć uwagę, czy użytkownik opisuje darowiznę, zwłaszcza z przejęciem zobowiązań (np. „otrzymałem dom z kredytem”). Sprawdź, czy darowizna nie jest bezpłatna, ale wiąże się z dodatkowymi obciążeniami. 6. Rozważenie odpłatnego użytkowania: Zidentyfikuj, czy wiadomość opisuje korzystanie z rzeczy lub nieruchomości w zamian za opłatę (np. „wynajem mieszkania” lub „użytkowanie samochodu za wynagrodzenie”). 7. Analiza zabezpieczeń hipotecznych: Zwróć uwagę, czy w wiadomości pojawia się ustanowienie hipoteki na nieruchomości (np. „ustanowiłem hipotekę na dom, aby zabezpieczyć kredyt”). 8. Kontekst sytuacyjny: Zrozum pełen kontekst wiadomości. Sprawdź, czy opisane działania mogą prowadzić do powstania zobowiązań finansowych lub majątkowych, które podlegają podatkowi PCC. 9. Wnioski: Jeśli wiadomość spełnia powyższe kryteria, można stwierdzić, że opisuje czynność cywilnoprawną objętą podatkiem PCC.
"""
graph = workflow.compile()
MEMORY = {}
app.add_middleware(
CORSMiddleware,
allow_origins=["*"],
allow_credentials=True,
allow_methods=["*"],
allow_headers=["*"],
)
@app.get("/")
def read_root():
# Jeśli blokada jest zajęta, zwracamy odpowiedni błąd
if not lock.acquire(blocking=False):
raise HTTPException(status_code=503, detail="API is busy. Please try again later.")
# Po udanym przejęciu blokady
try:
time.sleep(10) # symulacja długotrwałej operacji
return {"message": "Hello, World!"}
finally:
lock.release() # Zwalniamy blokadę na koniec operacji
import json
class MsgRequest(BaseModel):
msg_id: str
message: str
isFirstFormMessage: bool
@app.post("/getState")
def send_msg():
return {"info": info}
@app.post("/sendMichalMsg")
def send_msg(msg: MsgRequest):
if not lock.acquire(blocking=False):
return {"info": info}
try:
if msg.isFirstFormMessage:
MEMORY[msg.msg_id] = []
brbr = llm_json_mode.invoke([SystemMessage(content=system_prompt)] + [HumanMessage(content="PYTANIE UŻYTKOWNIKA: " + msg.message + "\nJSON:")])
return json.loads(brbr.content)
res = json.loads(json.dumps(graph.invoke({"query": msg.message, "fields": []})))
res["finished"] = True
res["final_message"] = "Przeanalizowałem Pana/Pani pytanie i wypełniłem pola formularza"
return res
finally:
lock.release() # Zwalniamy blokadę na koniec operacji
##########################################################################
# Kod Bartka Kod Bartka Kod Bartka Kod Bartka Kod Bartka #
##########################################################################
# Prompt templates
from prompts import router_instructions2, doc_grader_instructions2, doc_grader_prompt2, rag_prompt2, answer_grader_instructions2, answer_grader_prompt2, hallucination_grader_instructions2, hallucination_grader_prompt2
#LLM
local_llm2 = 'SpeakLeash/bielik-11b-v2.3-instruct:Q4_K_M'
llm2 = ChatOllama(model=local_llm2, temperature=0.2)
llm_json_mode2 = ChatOllama(model=local_llm2, temperature=0.2, format='json')
#Embedding model
embeddings2 = NomicEmbeddings(model="nomic-embed-text-v1.5", inference_mode="local")
#Loading vectorstore
vectorstore2 = FAISS.load_local("my_faiss_store", embeddings=embeddings2, allow_dangerous_deserialization=True)
retriever2 = vectorstore2.as_retriever(k=3)
#Post-processing
def format_docs(docs2):
return "\n\n".join(doc2.page_content for doc2 in docs2)
#Web search
web_search_tool2 = DuckDuckGoSearchResults(k=3)
#GraphState class
class GraphState2(TypedDict):
"""
Graph state is a dictionary that contains information we want to propagate to, and modify in, each graph node.
"""
question : str # User question
history : str # LLM prompt
generation : str # LLM generation
web_search : str # Binary decision to run web search
max_retries : int # Max number of retries for answer generation
answers : int # Number of answers generated
loop_step: Annotated[int, operator.add]
documents : List[str] # List of retrieved documents
#Graph nodes (actions functions)
def rerank(query):
import os
os.environ["KMP_DUPLICATE_LIB_OK"] = "TRUE"
embeddings2 = NomicEmbeddings(model="nomic-embed-text-v1.5", inference_mode="local")
vectorstore2 = FAISS.load_local("my_faiss_store", embeddings=embeddings2, allow_dangerous_deserialization=True)
results = vectorstore2.similarity_search(query, k=50)
chunks = [result.page_content for result in results]
print("Started reranking...")
model_name = "cross-encoder/ms-marco-MiniLM-L-6-v2"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForSequenceClassification.from_pretrained(model_name)
def rerank_chunks(query, chunks):
inputs = [query + " [SEP] " + chunk for chunk in chunks]
tokenized_inputs = tokenizer(inputs, padding=True, truncation=True, return_tensors="pt")
with torch.no_grad():
outputs = model(**tokenized_inputs)
scores = outputs.logits.squeeze().cpu().tolist()
reranked_chunks = [chunk for _, chunk in sorted(zip(scores, chunks), reverse=True)]
return reranked_chunks
reranked_chunks = rerank_chunks(query, chunks)
for i, chunk in enumerate(reranked_chunks[:10]):
print(f"Rank {i+1}: {chunk}")
return reranked_chunks[:6]
def retrieve2(state):
"""
Retrieve documents from vectorstore
Args:
state (dict): The current graph state
Returns:
state (dict): New key added to state, documents, that contains retrieved documents
"""
print("---RETRIEVE---")
documents = rerank(state["question"])
return {"documents": documents}
def generate2(state):
"""
Generate answer using RAG on retrieved documents
Args:
state (dict): The current graph state
Returns:
state (dict): New key added to state, generation, that contains LLM generation
"""
print("---GENERATE---")
question = state["question"]
history = state["history"]
documents = state["documents"]
loop_step = state.get("loop_step", 0)
# RAG generation
docs_txt2 = format_docs(documents)
json_format = "Ważne byś wszystkie swoje opowiedzie przedstawiał w postaci zwykłego tekstu pisanego (zgodnie z promptami), czyli nie zwracał nic w stylu 'Question':some random text, 'Answer':some other random text. Just give me the text,"
rag_prompt_formatted2 = rag_prompt2.format(context=docs_txt2, history=history, question=question)
generation2 = llm2.invoke([SystemMessage(content=json_format), HumanMessage(content=rag_prompt_formatted2)])
return {"generation": generation2, "loop_step": loop_step+1}
def grade_documents2(state):
"""
Determines whether the retrieved documents are relevant to the question
If any document is not relevant, we will set a flag to run web search
Args:
state (dict): The current graph state
Returns:
state (dict): Filtered out irrelevant documents and updated web_search state
"""
print("---CHECK DOCUMENT RELEVANCE TO QUESTION---")
question = state["question"]
documents = state["documents"]
history = state["history"]
# Score each doc
filtered_docs = []
web_search = "No"
relevant = 0
irreleavnt = 0
for d in documents:
doc_grader_prompt_formatted = doc_grader_prompt2.format(document=d, history=history, question=question)
result = llm_json_mode2.invoke([SystemMessage(content=doc_grader_instructions2)] + [HumanMessage(content=doc_grader_prompt_formatted)])
grade = json.loads(result.content)['binary_score']
# Document relevant
if "yes" in grade.lower():
print("---GRADE: DOCUMENT RELEVANT---")
filtered_docs.append(d)
relevant += 1
# Document not relevant
else:
print("---GRADE: DOCUMENT NOT RELEVANT---")
# We do not include the document in filtered_docs
# We set a flag to indicate that we want to run web search
irreleavnt += 1
continue
if relevant < irreleavnt:
web_search = "Yes"
return {"documents": filtered_docs, "web_search": web_search}
def web_search2(state):
"""
Web search based based on the question
Args:
state (dict): The current graph state
Returns:
state (dict): Appended web results to documents
"""
print("---WEB SEARCH---")
question = state["question"]
documents = state.get("documents", [])
# Web search
try:
docs = web_search_tool2.invoke({"query": "site:podatki.gov.pl " + question})
docs = {"answer": "No web search results found"}
web_results = Document(page_content=docs)
documents.append(web_results)
except:
documents = []
return {"documents": documents}
#Graph Edges (validation functions)
def route_question2(state):
"""
Route question to web search or RAG
Args:
state (dict): The current graph state
Returns:
str: Next node to call
"""
print("---ROUTE QUESTION---")
route_question = llm_json_mode2.invoke([SystemMessage(content=router_instructions2)] + [HumanMessage(content=state["question"])])
source = json.loads(route_question.content)['datasource']
if 'websearch' in source:
print("---ROUTE QUESTION TO WEB SEARCH---")
return "websearch"
elif 'vectorstore' in source:
print("---ROUTE QUESTION TO RAG---")
return "vectorstore"
def decide_to_generate2(state):
"""
Determines whether to generate an answer, or add web search
Args:
state (dict): The current graph state
Returns:
str: Binary decision for next node to call
"""
print("---ASSESS GRADED DOCUMENTS---")
question = state["question"]
web_search = state["web_search"]
filtered_documents = state["documents"]
if "yes" in web_search.lower():
# All documents have been filtered check_relevance
# We will re-generate a new query
print("---DECISION: NOT ALL DOCUMENTS ARE RELEVANT TO QUESTION, INCLUDE WEB SEARCH---")
return "websearch"
else:
# We have relevant documents, so generate answer
print("---DECISION: GENERATE---")
return "generate"
def grade_generation_v_documents_and_question2(state):
"""
Determines whether the generation is grounded in the document and answers question
Args:
state (dict): The current graph state
Returns:
str: Decision for next node to call
"""
print("---CHECK HALLUCINATIONS---")
question = state["question"]
documents = state["documents"]
history = state["history"]
generation = state["generation"]
max_retries = state.get("max_retries", 5) # Default to 3 if not provided
hallucination_grader_prompt_formatted = hallucination_grader_prompt2.format(documents=format_docs(documents),history=history, generation=generation.content)
result = llm_json_mode2.invoke([SystemMessage(content=hallucination_grader_instructions2)] + [HumanMessage(content=hallucination_grader_prompt_formatted)])
grade = json.loads(result.content)['binary_score']
# Check hallucination
if "yes" in grade.lower():
print("---DECISION: GENERATION IS GROUNDED IN DOCUMENTS---")
# Check question-answering
print("---GRADE GENERATION vs QUESTION---")
# Test using question and generation from above
answer_grader_prompt_formatted = answer_grader_prompt2.format(question=question, history=history, generation=generation.content)
result = llm_json_mode2.invoke([SystemMessage(content=answer_grader_instructions2)] + [HumanMessage(content=answer_grader_prompt_formatted)])
grade = json.loads(result.content)['binary_score']
if "yes" in grade.lower():
print("---DECISION: GENERATION ADDRESSES QUESTION---")
return "useful"
elif state["loop_step"] <= max_retries:
print("---DECISION: GENERATION DOES NOT ADDRESS QUESTION---")
return "not useful"
else:
print("---DECISION: MAX RETRIES REACHED---")
return "max retries"
elif state["loop_step"] <= max_retries:
print("---DECISION: GENERATION IS NOT GROUNDED IN DOCUMENTS, RE-TRY---")
return "not supported"
else:
print("---DECISION: MAX RETRIES REACHED---")
return "max retries"
#Creating Graph
workflow2 = StateGraph(GraphState2)
# Define the nodes
workflow2.add_node("websearch", web_search2) # web search
workflow2.add_node("retrieve", retrieve2) # retrieve
workflow2.add_node("grade_documents", grade_documents2) # grade documents
workflow2.add_node("generate", generate2) # generate
# Build graph
workflow2.set_conditional_entry_point(
route_question2,
{
"websearch": "websearch",
"vectorstore": "retrieve",
},
)
workflow2.add_edge("websearch", "generate")
workflow2.add_edge("retrieve", "grade_documents")
workflow2.add_conditional_edges(
"grade_documents",
decide_to_generate2,
{
"websearch": "websearch",
"generate": "generate",
},
)
workflow2.add_conditional_edges(
"generate",
grade_generation_v_documents_and_question2,
{
"not supported": "generate",
"useful": END,
"not useful": "websearch",
"max retries": END,
},
)
# memory = MemorySaver()
graph2 = workflow2.compile()
_history = []
def ask_question(question2, max_retries=1):
global _history
global graph2
inputs = {"question": question2, "history": _history, "max_retries": max_retries}
_history.append({"sender":"user", "message":question2})
inference = []
for event in graph2.stream(inputs, stream_mode="values"):
inference.append(event)
print(event)
model_output = inference[-1]['generation']
_history.append({"sender":"you", "message":model_output})
if(len(_history) > 6):
_history = _history[-4:]
return model_output
class Message(BaseModel):
content: str
@app.post("/bartek")
def read_root(message:Message):
return ask_question(message.content)